Qué es la regresión lineal y cómo te ayudará en tu pronóstico de ventas

El objetivo del análisis de regresión como método causal es pronosticar la demanda a partir de
una o más causas (variables independientes), las cuales pueden ser por ejemplo el tiempo, precios
del producto o servicio, precios de la competencia, economía del país, acciones del gobierno o
fomentos publicitarios.

Te podría interesar: Valuación de inventarios: Qué es y cómo se realiza

Algunos apuntes importantes sobre éste método son:

 Puedes calcular series de tiempo y relaciones causales. En el primer caso, ubicas la

demanda histórica de tu bien o servicio para que cambie en función del tiempo. El
segundo caso es cuando la variable que pronosticas cambia en función de otra (variable
causal).

 Lineal significa que los datos del periodo anterior y la proyección para el periodo futuro
que vas a obtener caen sobre una recta.

 Si hablamos de una sola variable independiente, es una regresión lineal simple, contrario a
si son dos o más variables independientes, donde hablaríamos de regresión lineal
múltiple.

Cuándo utilizar la regresión lineal

El análisis de regresión es pertinente cuando se evidencia una tendencia en los datos históricos del
pronóstico. ¿Cómo? Dibuja los datos de meses anteriores, los de la demanda real. Si lo estás
haciendo en Excel 2010 o superior, da click derecho sobre la serie de datos graficados y luego click
en agregar línea de tendencia. Si no, simplemente analiza la tendencia de los datos, ¿es creciente
o decreciente?

¿Cómo es la relación entre la demanda y el tiempo? Para responder esta pregunta, haremos uso
del coeficiente de correlación (r).

Este coeficiente, te permitirá entender qué tanta correlación existe entre la demanda y el tiempo.

 Correlación perfecta: Cuando el resultado de coeficiente es igual a 1 o -1. En este caso

existe una relación directamente proporcional entre la demanda y el tiempo.

 Correlación fuerte: Cuando el resultado es mayor a 0.5 y menor que 1 (correlación

positiva) o menor a -0.5 y mayor que -1(correlación negativa).

 Correlación débil: Valores que están entre -0.5 y 0.5.

Entre más cercano se encuentre el coeficiente de correlación a +1 o -1 más fuerte será la

tendencia y más apropiado será aplicar un modelo de regresión lineal. Por ejemplo si la
correlación es igual a 1, observaremos que la relación entre las variables es directamente
proporcional, en el sentido que si uno aumenta, la otra también lo hará.

Bien vale aclarar que este método es más útil cuando se enfoca en periodos de largo plazo. Esto
aunado a su utilidad para estimar la demanda en función de variables independientes.

Veamos entonces de que va el análisis de regresión.

El análisis de regresión en el pronóstico de demanda

Esta es la ecuación de la recta. En ella:

 La b es la inclinación de la recta.

 La a es la secante o la altura en la que la recta corta al eje y.

 La X es nuestra variable independiente.

 La Y es nuestra variable dependiente, nuestro pronóstico calculado para un periodo.

Como hacer una regresión lineal

Un ejemplo de regresión lineal para pronosticar la demanda:

Las ventas de la empresa IngE durante los últimos 10 trimestres son las siguientes:
¿Cómo pronosticar la demanda de los trimestres 13, 14 y 15 a través de un análisis de regresión
lineal?

Lo primero es estimar los parámetros. Lo podemos lograr con el método de mínimos cuadrados,
que nos permite encontrar la recta que mejor se ajusta a un conjunto de datos dados. En nuestro
caso, este conjunto está dado por las ventas trimestrales (variable dependiente). La variable
independiente es el tiempo. Vamos entonces a la siguiente fórmula para determinar a y b:
  La y “minúscula” es el valor y de cada punto de datos.

 La n es el número de punto de datos.

Conocidas las ecuaciones y el papel de las variables, vamos a calcular el pronóstico con regresión
lineal:

En la siguiente se encuentran los cálculos realizados para los 12 trimestres según lo requerido por
las ecuaciones:
Con los valores de la última fila de la tabla, podemos calcular a y b, con los cuales logramos
calcular los valores de la última columna (Y) que es la recta que más se ajusta a la demanda y.

Veamos entonces:

Fíjate que el valor de “b” varía de 63,64 a 63,657 siendo este último el resultado si se toman todos
los decimales de las variables que participan en su calculo. Para tener resultados más fiables
usamos el valor de “b” calculado con todos los decimales, tal como lo aprecias cuando hallamos
“a”. Fíjate además que pasa lo mismo con el valor calculado de “a” y el valor que se obtiene
cuando en la operación están todos los decimales.

Con esta aclaración, puedes ver cómo se realiza el pronóstico de producción del trimestre 13.
Procedemos igual para los demás trimestres.

Y=63,657(14)+72,894=964.09

Y=63,657(15)+72,894=1027.75

Eso tiene el siguiente aspecto:

Cuando pronosticamos, siempre queremos saber qué tan exacto es el método que estamos
utilizando, igual que una medida de error de pronóstico.

Para eso hay diferentes medidas que nos dan el grado de error en un pronóstico.

Una medida apropiada para medir el error en regresión lineal es el error estándar de
estimación(Sy,x), que nos permite determinar la variabilidad en torno a la recta de regresión.

Con los datos obtenidos en nuestra tabla, reemplazamos en la formula y obtenemos:

Error estándar del estimado Sy,x: 54,79

Esto lo interpretamos como una medida de la variabilidad o dispersión de los valores observados
alrededor de nuestra línea de regresión.

Otro análisis que si o si debemos realizar cuando trabajamos con un análisis de regresión, no
importa si es con un fin de pronóstico, es el cálculo del coeficiente de correlación.

Como lo dijimos anteriormente, el coeficiente de correlación dará una medida de asociación entre
las variables X y Y.
Dicho de otra forma, el coeficiente correlación en la división entre la covarianza y el producto de
las desviaciones estándar de ambas variables.

Así pues, si queremos ver la correlación entre la demanda y lo pronosticado en periodos anteriores
(desde el periodo 1 hasta el 12), usamos la función COEF.DE.CORREL de excel.

La función requiere dos datos de entrada:

 Matriz 1: Señalamos las demandas por mes.

 Matriz 2: Señalamos los pronósticos por mes.

El resultado de este ejercicio es r=0,975. Esto indica que la correlación es muy fuerte y positiva
porque está cercana a 1.

En otras palabras, nos conviene seguir usando este método de pronóstico para futuros períodos