Metodología de Estimación de Demanda para Productos Tecnológicos

Abstract

En un mundo en que los productos tecnológicos son cada vez más demandados, y en donde las empresas oferentes deben manejar una gran cantidad de SKUs, resulta de suma importancia la estimación de demanda para éstos. Sin embargo, se trata de un mercado de gran incertidumbre, donde los ciclos de vida se vuelven cada vez más cortos y, por consiguiente, la predicción de demanda de éstos resulta mayormente compleja. El objetivo del presente trabajo de título es el desarrollo de una metodología de estimación de demanda para productos tecnológicos, que sea capaz de entregar pronósticos mensuales y trimestrales a nivel de SKU. Para el desarrollo, aplicación y prueba de la metodología se utilizan ventas y precios mensuales de equipos de telefonía móvil de una compañía de telecomunicaciones. Para la determinación de un modelo de demanda, la investigación se centra en la búsqueda modelos de difusión, donde se decide finalmente utilizar el modelo de Bass, siendo necesario incorporar variables adicionales de estacionalidad y precio propio en su formulación. Para la obtención de parámetros, se opta por realizar una optimización conjunta entre equipos de un mismo segmento, los cuales son definidos internamente por la empresa, forzándolos así a compartir parámetros de estacionalidad y elasticidad preciopropia, para de esta forma disminuir el problema de falta de datos. Al validar el modelo, la estacionalidad resulta ser altamente estable, relevante y transversal para todos los equipos; respecto a la elasticidad precio-propia, ésta también resulta ser relevante, no obstante, su cálculo es altamente dependiente de unos pocos SKUs. Finalmente, se consideran elasticidades precio cruzado, sin embargo, éstas resultan no presentar una mejora significativa. En el modelo final, un 23% de los SKUs presenta un error trimestral menor al 40%. No obstante, al evaluar sobre SKUs de mayor importancia, los cuales reportan sobre el 60% de las ventas del periodo de evaluación, estos presentan un MAPE promedio de un 63%, donde un 47% de estos equipos presenta un error menor al 40% trimestral. Por otra parte, si se evalua el desempeño del modelo a un mes plazo, el MAPE cae drásticamente a un 29% para este mismo grupo. Al comparar con un modelo autorregresivo, se llega a niveles similares de ajuste, sin embargo, el modelo propuesto predice con un 58% menos de error respecto a éste. Si bien existen SKUs con errores de ajuste grandes, existen también SKUs en los cuales el modelo presenta un error muy bajo, lo que sugiere que el modelo funciona bien dadas ciertas características, las que posiblemente tienen que ver con quiebres de stock y promociones. Dado lo anterior, se cree que en condiciones de monopolio o nichos de mercado, en donde los factores antes mencionados no resultan tan relevantes, el modelo se comportará considerablemente mejor y la metodología será capaz de entregar un valioso antecedente al momento de estimar demanda. De esta manera, se cree que posibles mejoras al modelo vienen dadas principalmente con la incorporación de las variables de promociones y quiebres de stock.