Modelo de pronóstico de ventas para potenciales locales de una cadena de mejoramiento del hogar

Abstract

En los últimos años, el mercado chileno de mejoramiento del hogar se ha desarrollado con gran rapidez en comparación al continente, generando una alta competencia entre las empresas participantes. De acuerdo a esta situación, es esencial que las compañías cuenten herramientas que apoyen su estrategia de expansión, como métodos que le permitan pronosticar las ventas de locales potenciales, donde resulta fundamental que aprovechen las oportunidades que se les presentan tomando decisiones acertadas. De este modo, este trabajo tiene como objetivo crear un modelo de pronóstico de ventas, para apoyar la decisión de apertura de nuevas tiendas de una cadena de mejoramiento del hogar a lo largo de Chile. Para lograr lo planteado, se caracteriza el método que actualmente utiliza la empresa, se revisan modelos y estudios vinculados con la descripción y estimación de demanda en el comercio minorista. En la actualidad existen varios modelos de estimación de ventas, que reúnen diversas características de los productos, mercado y población. Luego, se seleccionan las variables que podrían influir en la predicción y que se considerarán. Para estimar los modelos, se consideran las variables de superficie del local, distancia a la competencia, ubicación compartida, sector en que se ubican los locales, población en las zonas de influencia, caracterización de los hogares, barreras físicas y PIB. Adicionalmente, se determina su forma funcional con las ventas de los locales, usando gráficos de dispersión y análisis de regresión. Se estiman modelos mediante regresiones, utilizando el método de mínimos cuadrados y LASSO, considerando el valor promedio de las variables seleccionadas y los datos desagregados por local y año. Se compara el desempeño de estimación de los modelos realizados mediante los indicadores R2, AIC, BIC y MAPE. El modelo seleccionado se estima con el método de mínimos cuadrados, tiene un coeficiente de determinación, R2, de 73% y un error de pronóstico del 14%. El ajuste de este modelo podría ser mejorado en el tiempo con la recopilación de nuevos registros para las variables utilizadas.