Actividad 2

Contexto

Hershey’s México empresa chocolatera con más de 100 años de historia a nivel global (fundación 1903) y establecida en México desde 1969, como una de confitería entre Hershey Food Corporation y Anderson Clayton & Co. S.A. formando Nacional de Dulces S.A. de C.V. en el Distrito Federal y después de 12 años cambiando sus instalaciones a El Salto, Jalisco e iniciando operaciones en el mes de febrero de 1981.

En 2022 Hershey´s México se consolidó como una de las empresas chocolateras del país, y con más fuerza en la venta de sus lechitas y ha sumado esfuerzos para que a pesar de la pandemia de la Covid-19 ofrezca el mejor y disponibilidad de productos a sus clientes.

Importar Librerías

Importar la base de datos

home <- read.xlsx("C:/Users/josea/OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey/Escritorio/Tecnológico de Monterrey/LIT/Septimo Semestre/Econometria/SitProblema1/hersheysSales.xlsx")
home$Month <- as.Date(home$Month, origin = "1899-12-30")
describe(home)

## home 
## 
##  2  Variables      36  Observations
## --------------------------------------------------------------------------------
## Month 
##          n    missing   distinct       Info       Mean        Gmd        .05 
##         36          0         36          1 2018-06-16      375.1 2017-02-22 
##        .10        .25        .50        .75        .90        .95 
## 2017-04-16 2017-09-23 2018-06-16 2019-03-08 2019-08-16 2019-10-08 
## 
## lowest : 2017-01-01 2017-02-01 2017-03-01 2017-04-01 2017-05-01
## highest: 2019-08-01 2019-09-01 2019-10-01 2019-11-01 2019-12-01
## --------------------------------------------------------------------------------
## Sales 
##        n  missing distinct     Info     Mean      Gmd      .05      .10 
##       36        0       36        1    30415     3769    25781    26625 
##      .25      .50      .75      .90      .95 
##    27520    30475    32961    34562    34922 
## 
## lowest : 23740.11 25520.51 25868.43 26253.58 26996.11
## highest: 34324.12 34799.91 34846.17 35151.28 36133.07
## --------------------------------------------------------------------------------

1.- Utilizando modelos ARIMA (Box-Jenkins, ARMA, SARIMA) y los datos históricos de las ventas de leche saborizada ¿Cuál es el modelo que mejor se adapta a la serie?

#Modelo ARIMA
timeSeries <- ts(data=home$Sales, start = c(2017,1), end = c(2019,12),frequency=12)
timeSeries

##           Jan      Feb      Mar      Apr      May      Jun      Jul      Aug
## 2017 25520.51 23740.11 26253.58 25868.43 27072.87 27150.50 27067.10 28145.25
## 2018 28463.69 26996.11 29768.20 29292.51 29950.68 30099.17 30851.26 32271.76
## 2019 32496.44 31287.28 33376.02 32949.77 34004.11 33757.89 32927.30 34324.12
##           Sep      Oct      Nov      Dec
## 2017 27546.29 28400.37 27441.98 27852.47
## 2018 31940.74 32995.93 32197.12 31984.82
## 2019 35151.28 36133.07 34799.91 34846.17

modelo_arima <- auto.arima(timeSeries, D = 1)
pronostico_hersh <- forecast (modelo_arima, level = c(95), h = 5)
pronostico_hersh

##          Point Forecast    Lo 95    Hi 95
## Jan 2020       35498.90 34616.48 36381.32
## Feb 2020       34202.17 33155.29 35249.05
## Mar 2020       36703.01 35596.10 37809.92
## Apr 2020       36271.90 35141.44 37402.36
## May 2020       37121.98 35982.07 38261.90

plot(pronostico_hersh, main = "Pronóstico de venta de Leche Hershey's")

2.- ¿Qué modelo de regresión ofrece mejor exactitud predictiva?

multi_regression <- lm(Sales ~ Month, data = home)
summary(multi_regression)

## 
## Call:
## lm(formula = Sales ~ Month, data = home)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2089.63  -331.49    40.99   466.38  1536.91 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -1.432e+05  7.573e+03  -18.90   <2e-16 ***
## Month        9.807e+00  4.278e-01   22.92   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 811.1 on 34 degrees of freedom
## Multiple R-squared:  0.9392, Adjusted R-squared:  0.9374 
## F-statistic: 525.4 on 1 and 34 DF,  p-value: < 2.2e-16

De acuerdo con los resultados obtenidos en la creación de los modelos de regresión lineal, pudimos llegar a la conclusión de que el modelo que ofrece mejor exactitud predictiva es el modelo de regresión lineal múltiple. Para la regresión lineal abrimos el summary del modelo y pudimos observar que podia predecir el 93% de los casos de venta de Leche con transición. Mientras que para el otro modelo, abrimos el valor ar2, el cual es el equivalente para el modelo ARIMA y pudimos observar que regresaba un 60%,

3.-Según su mejor modelo ¿Cuál es la proyección de ventas en valor monetario para el siguiente a total de Hershey´s?

proyec_hersh <- forecast (modelo_arima, level = c(95), h = 5)
proyec_hersh

##          Point Forecast    Lo 95    Hi 95
## Jan 2020       35498.90 34616.48 36381.32
## Feb 2020       34202.17 33155.29 35249.05
## Mar 2020       36703.01 35596.10 37809.92
## Apr 2020       36271.90 35141.44 37402.36
## May 2020       37121.98 35982.07 38261.90

Se puede observar que la proyección de ventas en valor monetario para el siguiente año a total de Hershey’s son los mostrados en la tabla; por ejemplo, para enero del 2020 se proyecta un valor total de 35498.9 ventas.

4.- Considerando algunos imponderables establezca con los modelos construidos tres escenarios futuros ( proyecciones) A (escenario esperado) , B (escenario optimista) y C (escenario pesimista).

# Escenario Esperado
escen_esper <- forecast (modelo_arima, level = c(95), h = 5)
escen_esper

##          Point Forecast    Lo 95    Hi 95
## Jan 2020       35498.90 34616.48 36381.32
## Feb 2020       34202.17 33155.29 35249.05
## Mar 2020       36703.01 35596.10 37809.92
## Apr 2020       36271.90 35141.44 37402.36
## May 2020       37121.98 35982.07 38261.90

# Escenario Optimista
escen_opti <- escen_esper$upper
escen_opti

##           Jan      Feb      Mar      Apr      May
## 2020 36381.32 35249.05 37809.92 37402.36 38261.90

# Escenario Pesimista
escen_pesi <- escen_esper$lower
escen_pesi

##           Jan      Feb      Mar      Apr      May
## 2020 34616.48 33155.29 35596.10 35141.44 35982.07

Al generar el modelo de Auto-ARIMA, este por naturaleza está basado en probabilidades, no puede predecir el futuro. Sin embargo, nos ofrece un intervalo de confianza para los meses que estamos intentando predecir. Con esto nos referimos que hay un 95% de probabilidad de que el verdadero resultado de los meses que estamos intentando predecir se encontrará entre los valores mínimos y máximos que ofrece el modelo.

Estos valores son útiles para determinar los escenarios optimistas y pesimistas para una compañía, ya que es una estimación basada en datos con un 95% de confianza en que sucederán.”

5.- Con este análisis descriptivo, predictivo ¿Qué recomendaciones y medidas prescriptivas le puede dar a la compañía Hershey´s?

1. Establecer un aumento de producción en los meses donde más ventas puede llegan a tener como lo son en Mayo 2020, considerar festividades que hay al rededor de estas ocasiones.

2. Pensar en mercados y clientes específicos, por ejemplo temporada alta de regreso a clases en agosto, aumentar la producción y los esfuerzos de mercadotecnia para incentivar el consumo del producto en los jóvenes y niños que se conoce que son mercados meta clave considerando sus padres que son quienes pagan el producto.

3. En meses de baja demanda, en vez de producir menos, puede que se hagan estrategias para el consumo y ser estrategas para incentivar su compra por ejemplo con exhibiciones, muestras en tienda, productos que se compran juntos o promociones.