Encontrar el éxito en el complejo y competitivo entorno empresarial moderno requiere una estrategia con visión de futuro. Basándose en el rendimiento histórico, la investigación de mercado y las tendencias actuales, los modelos de previsión financiera basada en datos pueden ayudar a las empresas a obtener una ventaja competitiva.
Hay muchos modelos de previsión diferentes entre los que elegir y aún más soluciones de software que ayudan a implementarlos. En esta guía, analizaré algunos modelos de previsión útiles y explicaré cómo puedes utilizarlos para obtener una ventaja en tu sector.
¿Qué es un modelo de previsión?
Los modelos de previsión son herramientas que se utilizan para predecir el rendimiento futuro basándose en datos históricos y actuales. En el mundo empresarial y financiero, el término previsión casi siempre hace referencia a la previsión financiera.
Un modelo de previsión utiliza una metodología estadística, o fórmulas y supuestos, para predecir el rendimiento futuro, incluidos los ingresos, la demanda de los clientes y las tasas de abandono.
Más concretamente, estos modelos se utilizan para determinar cómo es probable que los cambios en determinadas variables y parámetros afecten al rendimiento (a diferencia de los presupuestos, que ayudan a asignar el flujo de caja). Por ejemplo, una cadena de restaurantes podría emplear un modelo para determinar cómo los cambios en el horario de apertura de un establecimiento o en los patrones estacionales afectarán a los ingresos por ventas.
Existen todo tipo de modelos de previsión (que se analizan en profundidad más adelante), pero todos tienen el mismo objetivo: utilizar datos históricos, supuestos y tendencias actuales para predecir el rendimiento futuro .
Estas herramientas pueden aplicarse a una variedad infinita de posibles escenarios y son fundamentales para los equipos de finanzas, marketing y dirección. En el resto de esta guía, omitiré los demás y me centraré específicamente en los modelos de previsión financiera.
Métodos de previsión
Elegir el tipo adecuado de técnica de modelización (y el modelo de previsión específico) es muy importante. Sin embargo, antes de poder elegir, necesitas cierta información básica sobre estos modelos y sobre cómo funcionan.
Existen dos categorías generales de modelos de previsión: cuantitativos y cualitativos.
Métodos de previsión cualitativos
La previsión cualitativa se basa en las opiniones y el criterio de expertos. Estos métodos son:
- Subjetivos por naturaleza
- No se basan en datos ni tendencias pasadas
- Se utilizan para analizar datos no numéricos
Los métodos cualitativos se utilizan cuando el foco del análisis no puede medirse ni contabilizarse. Por ejemplo, si una empresa quiere comprender las motivaciones y creencias que impulsan el comportamiento de los consumidores y afectan a sus decisiones de compra, ningún dato cuantitativo puede revelar esos aspectos. La previsión cualitativa se basa en opiniones individuales, investigaciones y estudios.
Métodos de previsión cuantitativos
La previsión cuantitativa utiliza patrones numéricos de los datos históricos para predecir el rendimiento futuro. Los modelos cuantitativos:
- Son más objetivos por naturaleza
- Se basan en datos históricos (por ejemplo, ingresos por ventas, número de empleados, etc.)
- Analizan datos numéricos
Dentro de la categoría cuantitativa, existen otras dos subcategorías:
Series temporales
Los modelos de series temporales se centran en los patrones y sus variaciones, basándose en datos históricos.
Por ejemplo, una empresa que se prepara para iniciar sus operaciones en un nuevo país podría utilizar los datos de su lanzamiento anterior (incluidos los datos de ventas, las tendencias de la plantilla, etc.) para preparar un presupuesto para el nuevo lanzamiento.
Asociativos/causales
Los modelos asociativos, también conocidos como modelos causales, son más avanzados y se centran en múltiples líneas de información muy depurada y específica. Utilizan datos históricos y destacan por tomar datos aparentemente inconexos y relacionarlos con el objetivo previsto de la previsión.
También pueden utilizarse para crear relaciones asociativas entre las métricas financieras de una empresa y variables externas. Por ejemplo, un fabricante de electrodomésticos podría crear un modelo que prediga las ventas de electrodomésticos en función del número de permisos de construcción de nuevas viviendas en una determinada zona.
A continuación, repasaré los conceptos básicos de algunos de los modelos de previsión más habituales que utilizan actualmente las empresas.
Have an account? Log In
Modelos habituales de previsión cuantitativa
Los modelos de previsión cuantitativa se basan en datos históricos para realizar predicciones sobre el futuro.
Por ejemplo, un minorista podría analizar los datos de ventas del cuarto trimestre de los últimos tres años para predecir el volumen de ventas navideñas durante la temporada de mayor actividad comercial.
Si no dispones de datos internos (por ejemplo, si eres un minorista que acaba de iniciar su actividad), aún podrías utilizar la previsión cuantitativa; solo necesitarías tener acceso a datos comparables de tu sector.
Dentro del ámbito de la previsión cuantitativa, existen varios modelos populares que se pueden utilizar; los explicaré a continuación.
Series temporales
Los modelos de series temporales se utilizan cuando se dispone de datos correspondientes a varios años. Son especialmente útiles cuando las relaciones entre los puntos de datos (por ejemplo, el precio medio y el volumen de ventas) son relativamente estables y las tendencias se identifican fácilmente.
Por ejemplo, una empresa puede optar por utilizar modelos de series temporales para proyectar el crecimiento de una línea de productos existente.
Supongamos que la línea de productos en cuestión se lanzó hace cuatro años y ha experimentado un crecimiento constante desde entonces. La empresa podría utilizar esos datos y aplicar después un modelo de series temporales para predecir cuál podría ser el volumen de ventas el próximo año (o dentro de varios años).
Línea recta
El modelado lineal es una técnica sencilla que proporciona estimaciones de los ingresos futuros u otras métricas financieras mediante el análisis de las cifras históricas y la suposición de que esas tendencias continuarán.
Por ejemplo, si una empresa ha experimentado un crecimiento anual de las ventas del 3.6% durante los últimos cuatro años y espera que las tendencias actuales continúen, puede utilizar un modelo lineal para predecir el importe de los ingresos por ventas que probablemente generará en el futuro.
Como su nombre indica, el modelo lineal presupone un cambio constante y predecible. Es sencillo, pero aun así puede ser un buen punto de partida para prever una variedad de métricas y escenarios financieros.
¿Cuál es la diferencia entre la previsión mediante series temporales y la previsión lineal?
Los modelos de series temporales suelen emplearse para comprender los ciclos de las tendencias, las fluctuaciones cíclicas y la estacionalidad, mientras que la previsión lineal suele utilizarse para predecir un crecimiento (o descenso) estable.
Imagina las previsiones de series temporales como un círculo o una espiral autónomos; piensa en la previsión lineal como, bueno, ¡una línea recta!
Media móvil
El modelo de media móvil es algo similar al modelo lineal descrito anteriormente, pero trabaja con conjuntos de datos más pequeños y se centra en periodos de tiempo a corto y medio plazo.
Las empresas pueden utilizar modelos de previsión de medias móviles para predecir, por ejemplo, la demanda navideña. La empresa podría considerar entonces las cifras de ingresos por ventas basadas en la media móvil del cuarto trimestre de 2019, 2020, 2021 y 2022, respectivamente.
Podrían aplicar una fórmula sencilla para calcular la media móvil:
(A1 + A2 + A3 + A4) / N
donde
A = Media de un periodo específico
y
N = Número total de periodos
La empresa podría utilizar después esta media móvil para crear una previsión de las cifras de ventas navideñas previstas para este año.
Esta fórmula necesita un conjunto de datos adecuado; en el ejemplo que he utilizado anteriormente, se emplean datos de cuatro años. Pero, lo que es más importante, ignora los datos de ventas que no corresponden al cuarto trimestre, que son en gran medida irrelevantes al prever específicamente las ventas navideñas.
Suavizado exponencial
Los modelos de suavizado exponencial son similares a los modelos de media móvil, pero aplican una metodología de ponderación para dar más importancia a los datos recientes.
Por ejemplo, considera el mismo caso del ejemplo anterior. La empresa dispone de cuatro años de datos históricos sobre las ventas navideñas, pero durante ese periodo ha experimentado un crecimiento constante.
Por ello, los datos de los años más antiguos son menos relevantes que los datos recientes de los dos años anteriores.
Los modelos de suavizado exponencial asignan una mayor ponderación a los datos más recientes. Esto resulta útil porque ayuda a las empresas a adaptar sus previsiones para reflejar las tendencias más recientes de los datos.
Aunque puede resultar tentador utilizar datos antiguos si muestran una perspectiva más favorable (¿valoraciones de 2021 frente a valoraciones de 2022?), es fundamental utilizar los datos más adecuados para hacerse una buena idea de lo que está por venir.
Proyección de tendencias
La proyección de tendencias ajusta una línea de tendencia a una ecuación matemática y, a continuación, utiliza la ecuación para proyectar esa línea de tendencia hacia el futuro.
Un modelo de proyección de tendencias analiza datos anteriores —como las cifras de ventas de fines de semana, días laborables o temporadas específicas, por ejemplo— para hacer predicciones sobre la demanda futura durante esos periodos.
Puede aplicarse de forma similar a los modelos lineales, dependiendo de los conjuntos de datos con los que se trabaje. Dentro de las proyecciones de tendencias existen varias subcategorías, incluidos los logaritmos, los polinomios y el método de las características de la pendiente.
Modelos asociativos
Los modelos asociativos, también llamados modelos causales, relacionan una determinada métrica empresarial (como los ingresos) con una variable independiente distinta (como el crecimiento demográfico de una ciudad).
Los modelos causales son útiles para relacionar las expectativas futuras de las operaciones empresariales con variables diferenciadas, tanto internas como externas a la empresa.
Por ejemplo, el propietario de un camión de comida podría utilizar un modelo para predecir la demanda en una feria de verano basándose en la previsión meteorológica del fin de semana. Del mismo modo, una empresa de promoción inmobiliaria podría utilizar modelos causales para predecir la demanda futura de viviendas de nueva construcción en una comunidad, basándose en el crecimiento demográfico previsto en la zona.
Dicho esto, los modelos asociativos también pueden utilizarse para predecir una determinada variable basándose en su relación con otras variables relacionadas. Por ejemplo, una empresa podría utilizar modelos causales para pronosticar el margen de beneficio estimado que se obtendría como resultado de aumentar la inversión en publicidad.
Por definición, los modelos asociativos son más complejos que los modelos de series temporales.
Los modelos asociativos pueden utilizarse para incorporar datos externos e intentar establecer una relación entre una métrica empresarial relativamente habitual (p. ej., los ingresos) y una métrica que muchas empresas quizá ni siquiera tengan en cuenta (p. ej., los ingresos familiares anuales habituales de una ciudad).
Aunque son más complejos, los modelos causales pueden ser extremadamente útiles para elaborar previsiones más precisas y adelantarse a la competencia.
Regresión lineal simple
La regresión lineal simple ayuda a las empresas a examinar cómo se correlaciona una variable dependiente (como los ingresos por ventas) con una variable independiente (como el dinero invertido en publicidad).
O, utilizando el ejemplo de los datos externos, la regresión lineal simple también podría utilizarse para determinar cómo se correlaciona una variable dependiente (como los ingresos por ventas por ubicación) con una variable independiente (como los ingresos familiares de un condado determinado).
La regresión lineal simple puede visualizarse trazando un gráfico lineal con una métrica en el eje Y y otra en el eje X. Pero, como su nombre indica, hay que mantener la sencillez; estos modelos solo permiten comparar dos variables.
Regresión lineal múltiple
Como probablemente habrás deducido, la regresión lineal múltiple amplía la regresión lineal simple al añadir múltiples variables empresariales a la ecuación.
Sigue habiendo una única variable dependiente (p. ej., los ingresos por ventas), pero puede haber múltiples variables independientes procedentes de fuentes de datos internas, externas o de ambas.
La regresión lineal múltiple es compleja y normalmente requiere software de análisis estadístico para llevarse a cabo. Además, los datos utilizados (número de elementos de datos, periodo de tiempo analizado y decisiones tomadas durante la fase de limpieza de datos) son importantes para la precisión de la fórmula de regresión resultante.
Utilizar la previsión mediante regresión lineal requiere analizar críticamente los resultados para tener en cuenta las variables no recogidas en los datos utilizados en la regresión y determinar si estas variables ausentes harán que el modelo sobreestime o subestime el impacto de una variable independiente.
Author's Tip
Cabe señalar que tanto los modelos de regresión lineal simple como los de regresión lineal múltiple parten de la premisa de que el pasado puede ayudar a predecir el futuro. Aunque esto puede ser útil, por ejemplo, para empresas que desean predecir sus ingresos futuros (suponiendo un crecimiento continuo), no sería una buena forma de predecir la eficacia de futuras contrataciones basándose en el rendimiento de las contrataciones anteriores.
Modelos habituales de previsión cualitativa
Los modelos de previsión cualitativa utilizan datos subjetivos y cualitativos. Suelen emplearse en situaciones en las que no se dispone de datos cuantitativos.
Por ejemplo, un modelo cualitativo podría depender de la información proporcionada por un experto o de los resultados de una encuesta a clientes potenciales.
Las previsiones cualitativas son más subjetivas por naturaleza, pero siguen siendo bastante útiles, especialmente en situaciones en las que no hay datos sólidos de los que extraer información. PD: todavía me resulta extraño que "data" sea el plural.
En fin.
Todos los modelos de previsión cualitativa requerirán algún tipo de recopilación de datos (entrevistas a expertos, paneles, encuestas, etc.), pero difieren en la forma en que se recopilan esos datos y después se utilizan para fundamentar las previsiones. Por lo general, son menos útiles para las previsiones financieras, ya que, en esencia, con todos ellos se está lanzando espagueti contra la pared para ver qué se queda pegado; algunos simplemente son más precisos que otros.
Método Delphi
¿Has oído hablar del oráculo de Delfos? Su trabajo consistía en hacer predicciones sobre el futuro, algo no muy diferente de lo que hace un director financiero... ¿verdad?
Sí, puedes empezar a referirte a ti mismo como el oráculo de tu empresa. No, no puedes decir que yo te di permiso.
El método Delphi se basa en las opiniones de expertos, normalmente utilizando un grupo pequeño de expertos en la materia. Por ejemplo, una empresa privada de educación podría consultar a un grupo de profesores para recopilar datos sobre los hábitos de los estudiantes.
En el método Delphi, se entrevista a los expertos para recopilar datos. Lo fundamental es que cada experto sea entrevistado de forma independiente y que, después, los datos se agreguen. Esto ayuda a evitar el sesgo de grupo y permite expresarse con total libertad.
El método Delphi utiliza «rondas» de recopilación de datos. La primera ronda es individual, pero las posteriores son colectivas. Las respuestas de cada experto se comparten con el grupo más amplio, lo que abre el debate. Los expertos tienen libertad para cambiar sus opiniones o estimaciones en rondas posteriores.
Como el método Delphi suele utilizar grupos pequeños de expertos, es importante seleccionar a las personas adecuadas para entrevistar, ya que la calidad de los datos depende únicamente de los conocimientos de los expertos.
Investigación de mercado
Apuesto a que nunca habías oído hablar de esta antes... ¡eh, te veo poniendo los ojos en blanco!
La investigación de mercado es un método de previsión muy habitual que utilizan las empresas para conocer las opiniones de los clientes potenciales. Por ejemplo, un fabricante de alimentos que lance una nueva marca de helado bajo en calorías podría preguntar a los clientes sobre sus objetivos de pérdida de peso y sus elecciones alimentarias mediante una encuesta en línea.
La investigación de mercado suele ser una cuestión de números, así que cuantos más respuestas se puedan obtener del público, mejor.
La investigación de mercado puede realizarse por teléfono, correo electrónico, mensaje de texto, mediante entrevistas presenciales y de muchas otras formas. A menudo se lleva a cabo con la ayuda de empresas de investigación de mercado, que se encargan de las entrevistas y la recopilación de datos.
Consenso del panel
El consenso del panel utiliza un grupo de discusión que se basa en las opiniones de expertos y empleados. A menudo se lleva a cabo con un panel de empleados de todos los niveles de la empresa, en lugar de contar únicamente con ejecutivos.
De forma única, esta metodología combina —y otorga el mismo peso a— las opiniones tanto de verdaderos expertos como de «semiexpertos». Por ejemplo, un equipo que intente proyectar la demanda estacional de una bebida con un determinado sabor podría incluir personal de ventas, marketing o incluso del área de ventas de la tienda.
Como su nombre indica, el panel debe llegar a una estimación consensuada. El grupo puede compartir opiniones y debatir, pero en última instancia debe alcanzar un consenso.
Previsión visionaria
La previsión visionaria se basa en las ideas y opiniones de una sola persona. Me pareció interesante que esto no se llamara método Delphi, teniendo en cuenta que ella es una sola persona... aunque, pensándolo bien, contaba con la ayuda de los dioses (y nadie me preguntó).
La persona visionaria en cuestión podrías ser tú, otro miembro de tu equipo directivo, un consultor externo o un experto del sector.
Dado que este modelo de previsión depende de una sola persona visionaria, es propenso al sesgo de confirmación y es mejor utilizarlo junto con otros métodos.
Combinación de la fuerza de ventas
La previsión basada en la combinación de la fuerza de ventas se centra en recopilar datos cualitativos del personal de ventas. Normalmente se basa en las opiniones de varios miembros del equipo, idealmente de aquellos que participan en el tipo de ventas relacionado con el producto en cuestión.
Por ejemplo, si un fabricante de vehículos estuviera considerando un nuevo modelo, podría realizar una encuesta entre su personal de ventas para recopilar información sobre la opinión de los clientes, sus necesidades, las preguntas más habituales, sus presupuestos, etc.
La idea es que los representantes de ventas tienen experiencia práctica interactuando con los clientes (y saben qué impulsa realmente las ventas) y, por tanto, poseen conocimientos más valiosos sobre el comportamiento y los deseos de los clientes en el mundo real.
Los modelos basados en la combinación de la fuerza de ventas también pueden ser útiles para identificar tendencias regionales y locales.
Aunque la lista anterior no es exhaustiva, incluye muchos de los modelos de previsión más utilizados. Dicho esto, algunos son sin duda más populares que otros.
¿Cuáles son los modelos de previsión más habituales?
En general, la modelización de series temporales (concretamente, los modelos de línea recta y de media móvil) suele ser la más utilizada.
Esto se debe en parte a que los modelos de series temporales permiten realizar previsiones más objetivas basadas en datos históricos. No dependen de la opinión de expertos ni de los comentarios de los clientes, que pueden ser cambiantes y estar sujetos a sesgos. En su lugar, utilizan datos objetivos para construir modelos fiables de los indicadores de rendimiento futuros.
Estos modelos también son populares porque son relativamente sencillos de utilizar y, a menudo, no requieren ningún software especializado. Algunos programas que quizá ya estés utilizando, como tu sistema de planificación de recursos empresariales, probablemente ya incorporen estas funciones de modelización estadística. La modelización de línea recta incluso podría realizarse manualmente en Excel con relativa facilidad.
La modelización asociativa (causal) también se utiliza habitualmente, pero es algo más complicada y a menudo requiere software o cierto nivel de formación. Es especialmente útil para hacer un seguimiento de las relaciones entre variables muy distintas, ya sea una sola variable independiente (regresión lineal simple) o varias (regresión lineal múltiple).
En cuanto a los modelos de previsión cualitativa, la investigación de mercados suele ser la más habitual. Muchas empresas realizan encuestas y recopilan comentarios de los clientes, y utilizan estos datos para orientar las decisiones estratégicas futuras. Otras optan por contratar empresas externas de investigación de mercados para realizar encuestas más exhaustivas sobre los clientes.
More Articles
¿Por qué es importante realizar previsiones?
Como mencioné al principio de este artículo, las previsiones son la clave para evitar:
- Perder a los inversores y, después,
- Ser despedido
Es broma. Más o menos.
Las previsiones son importantes porque permiten a las empresas planificar el futuro. La idea general de las previsiones es recopilar información de diversas fuentes y utilizarla después para tomar mejores decisiones.
Por ejemplo, una empresa que suministra productos especializados a minoristas podría utilizar un modelo de previsión para predecir la demanda durante la intensa temporada de compras navideñas. Sus esfuerzos de modelización podrían mejorar las estimaciones de la demanda, lo que le permitiría aumentar y acumular los niveles de inventario para satisfacer la demanda estacional.
O bien, una empresa podría optar por utilizar un modelo de previsión para analizar el impacto financiero de distintos precios o estrategias de ventas que se estén considerando para el lanzamiento de un producto próximo. Podría combinar estos esfuerzos con previsiones de la demanda estacional para identificar no solo la mejor estrategia de ventas, sino también el momento ideal para lanzar las ventas y promociones estacionales.
En última instancia, sea cual sea el indicador analizado, la idea de las previsiones es obtener una visión de las tendencias o los indicadores financieros futuros para prepararse para lo que está por venir.
Cómo utilizar los modelos de previsión
Cada modelo de previsión se aplica de una manera diferente. Sin embargo, la estrategia general es la siguiente:
- Define claramente tu objetivo. ¿El objetivo es determinar cuándo necesitas conseguir tu próxima ronda de financiación? Entonces, céntrate en prever el flujo de caja y formula supuestos conservadores.
- Selecciona el modelo adecuado. He explicado casos de uso específicos para los modelos de previsión financiera enumerados anteriormente. En última instancia, muchas empresas optarán por utilizar varios modelos, pero es útil limitar la selección a uno o dos para empezar.
- Recopila datos. Los modelos cuantitativos utilizarán datos históricos (normalmente, los datos financieros de la empresa), mientras que los modelos cualitativos utilizan datos subjetivos recopilados de clientes o expertos del sector.
- Construye el modelo. Este proceso varía considerablemente en función del modelo específico que se vaya a aplicar. Muchos modelos pueden configurarse en Excel o en herramientas similares de uso generalizado. Otros pueden requerir software especializado de estadística o de previsión.
- Determina tu nivel de confianza. Los intervalos de confianza se utilizan para expresar el nivel de incertidumbre asociado a una previsión. Los intervalos de confianza más utilizados son del 90%, 95% y 99%. Cuanto mayor sea el nivel de confianza, más fiable será la previsión. Como cabría esperar, cuanto más objetivos sean los datos, mayor suele ser el nivel de confianza.
- Aplica el modelo. A continuación, aplica el modelo utilizando el protocolo recomendado para ese modelo concreto y recurre a los datos más relevantes que puedas recopilar.
- Analiza los resultados. Toma los resultados obtenidos y compáralos con otras estimaciones o previsiones que quizá ya tengas. También puedes ejecutar otros modelos utilizando los mismos datos para detectar diferencias.
Algunos modelos de previsión requieren una formación de nivel experto en estadística o previsión financiera, mientras que otros son mucho más sencillos de utilizar. En última instancia, las complejidades y los desafíos de la previsión dependen del modelo elegido y de la cantidad y la calidad de los datos con los que trabajes.
¿Qué software se utiliza para la previsión?
Se pueden utilizar muchos tipos diferentes de software para la previsión, desde hojas de cálculo básicas hasta herramientas de aprendizaje automático y basadas en IA.
Aunque muchos modelos financieros pueden ejecutarse en Microsoft Excel o Google Sheets, muchos requieren software ERP, software EPM u otro software especializado.
Antes de comprar cualquier software nuevo, asegúrate de comprobar las funciones de tus herramientas actuales. Algunos software de gestión de inventario incluyen funciones de previsión de la demanda y otras herramientas para ayudar a planificar los niveles de inventario. Además, tu servicio de nóminas podría ofrecer funciones de previsión de la plantilla.
Para la previsión cualitativa, no hay demasiadas opciones de software que merezca la pena considerar, ya que la mayoría de las empresas recurren a firmas de investigación y consultores externos especializados en realizar y publicar estudios de mercado.
En última instancia, dado que «previsión» es un término tan amplio, existen muchas soluciones de software diferentes que se pueden utilizar, pero el software de previsión ofrece beneficios específicos para tu empresa.
Los modelos de previsión pueden dar una ventaja a tu empresa
Saber cuándo, dónde y cómo utilizar la previsión financiera puede dar una ventaja a las empresas.
Con modelos de previsión adecuados y datos de entrada precisos, las empresas pueden preparar presupuestos más exactos, perfeccionar sus objetivos y estrategias competitivas, y estar mejor preparadas para el futuro.
¿Quieres perfeccionar tus habilidades como director financiero o en un puesto financiero relacionado? The CFO Club es una comunidad de líderes financieros de empresas SaaS y tecnológicas con ideas afines que buscan destacar en sus respectivos campos. Suscríbete al boletín de The CFO Club para recibir información del sector y más contenido como este.
