EQUIPO 6
Alexa Mariana Marin Villar A00831342
Diego Martínez Ruibal A01740559
Oscar Emiliano Melendez Chavez A01276802
Amazon
Se busca encontrar una variable de interés dentro de la información del estado de resultados, balance general y el flujo de efectivo de la empresa Amazon dentro de un rango de años desde 2010 hasta 2016.
options(HTTPUserAgent ="a a@gmail.com")
#CompanyInfo("AMZN")
#AnnualReports("AMZN")
amazon_income1 <- GetIncome("AMZN", 2013)
amazon_income2 <- GetIncome("AMZN", 2015)
amazon_income3 <- GetIncome("AMZN", 2017)
#amazon_balance1 <- GetBalanceSheet("AMZN", 2013)
#amazon_balance2 <- GetBalanceSheet("AMZN", 2015)
#amazon_balance3 <- GetBalanceSheet("AMZN", 2017)
#amazon_cash1 <- GetCashFlow("AMZN", 2013)
#amazon_cash2 <- GetCashFlow("AMZN", 2015)
#amazon_cash3 <- GetCashFlow("AMZN", 2017)Decidimos utilizar el estado de resultados ya que creemos que al mostrar información financiera en general sobre el estado de las ganancias,pérdidas y gastos de la empresa podemos llegar a comprender cómo es el negocio en el ámbito operacional.
Unir estado de resultados de los años 2010-2016 y elegir la variable de interés a modelar y pronosticar
amzn_income_completo <- rbind(amazon_income1,amazon_income2)
amzn_income_completo2 <- rbind(amzn_income_completo,amazon_income3)La variable de interés elegida es la de Marketing expenses que se encuentra dentro del estado de resultados.
Crear un modelo ARIMA
En este caso, se decidío crear un modelo ARIMA especificamente sobre los gastos de publicidad. Sucesivamente, se busca analizar las tendencias recurrentes de esta variable y predecir durante los próximos 3 años cuál es el pronóstico de estos gastos.
amzn_income_completo2 <- filter(amzn_income_completo2, Metric == "Marketing Expense")
amzn_income_completo2## Metric Units Amount startDate endDate
## 1 Marketing Expense iso4217_USD 1029000000 2010-01-01 2010-12-31
## 2 Marketing Expense iso4217_USD 1630000000 2011-01-01 2011-12-31
## 3 Marketing Expense iso4217_USD 2408000000 2012-01-01 2012-12-31
## 4 Marketing Expense usd 2408000000 2012-01-01 2012-12-31
## 5 Marketing Expense usd 3133000000 2013-01-01 2013-12-31
## 6 Marketing Expense usd 4332000000 2014-01-01 2014-12-31
## 7 Marketing Expense usd 4332000000 2014-01-01 2014-12-31
## 8 Marketing Expense usd 5254000000 2015-01-01 2015-12-31
## 9 Marketing Expense usd 7233000000 2016-01-01 2016-12-31Crear modelo de series de tiempo
Se decidio primeramente analizar la información anual para identificar de mejor manera el crecimiento del gasto de publicidad.
amzn_income_completo2$Amount <- as.numeric(amzn_income_completo2$Amount)
tsestado <- ts(data = amzn_income_completo2$Amount, start=c(2010,1),end=c(2016,1),frequency=1)
tsestado## Time Series:
## Start = 2010
## End = 2016
## Frequency = 1
## [1] 1.029e+09 1.630e+09 2.408e+09 2.408e+09 3.133e+09 4.332e+09 4.332e+09Modelo ARIMA
arimaestado <- auto.arima(tsestado, D=1)
summary(arimaestado)## Series: tsestado
## ARIMA(0,1,0) with drift
##
## Coefficients:
## drift
## 550500000
## s.e. 181203314
##
## sigma^2 = 2.223e+17: log likelihood = -127.79
## AIC=259.59 AICc=263.59 BIC=259.17
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 68357.11 398463070 314639786 -0.3481406 9.814446 0.5715527
## ACF1
## Training set -0.4081859AIC (Akaike Information Criterion) de 259.59. (anual)
Generar el pronóstico
pronosticoestado <- forecast(arimaestado,level=c(95), h=5)
pronosticoestado## Point Forecast Lo 95 Hi 95
## 2017 4882500000 3958439969 5806560031
## 2018 5433000000 4126181771 6739818229
## 2019 5983500000 4382981077 7584018923
## 2020 6534000000 4685879938 8382120062
## 2021 7084500000 5018238955 9150761045plot(pronosticoestado)
.
Generar el pronóstico trimestral
Se decidio analizar además la información por trimestres debido a que es una manera más sencilla de identificar patrones y tendencias, además para una mejor comparación entre distintos períodos de tiempo.
summary(arimaestado2)## Series: tsestado2
## ARIMA(0,0,0)(0,1,0)[4]
##
## sigma^2 = 9.63e+18: log likelihood = -558.59
## AIC=1119.18 AICc=1119.36 BIC=1120.36
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 370731250 2872959327 2560374107 -38.45881 99.51503 0.8572322
## ACF1
## Training set 0.3460414## **Modelo ARIMA**
pronosticoestado2 <- forecast(arimaestado2,level=c(95), h=12)
pronosticoestado2## Point Forecast Lo 95 Hi 95
## 2017 Q1 4.332e+09 -1750063688 10414063688
## 2017 Q2 5.254e+09 -828063688 11336063688
## 2017 Q3 7.233e+09 1150936312 13315063688
## 2017 Q4 1.029e+09 -5053063688 7111063688
## 2018 Q1 4.332e+09 -4269336955 12933336955
## 2018 Q2 5.254e+09 -3347336955 13855336955
## 2018 Q3 7.233e+09 -1368336955 15834336955
## 2018 Q4 1.029e+09 -7572336955 9630336955
## 2019 Q1 4.332e+09 -6202443323 14866443323
## 2019 Q2 5.254e+09 -5280443323 15788443323
## 2019 Q3 7.233e+09 -3301443323 17767443323
## 2019 Q4 1.029e+09 -9505443323 11563443323plot(pronosticoestado2)
Hallazgos
-En cuanto la tendencia anual podemos observar una tendencía líneal positiva, esto quiere decir que año con año el gasto de marketing ha ido aumentando. En el contexto preciso de Amazon tiene todo el sentido debido a que Amazon durante los ultimos 20 años ha sido una de la empresas con mayor creciemiento de ventas . Por lo tanto entre mayores ventas, mayor presupesto destinado al marketing.
-En cuanto al analisis por trimestres con este pronóstico, podemos tener una idea sobre lo que puede llegar a ocurrir en los próximos trimestres dentro de 3 años. Los resultados tiene un 95% de confianza pero pueden llegar a variar entre más altos o bajo. Tomando en cuenta el Point forecast se puede observar que dentro de los meses en el cuartil 4 existe una tendencia a que los gastos de mercadotecnia bajen. Esto puede ser porque son los meses de Octubre, Noviembre y Diciembre, cuando empiezan las compras navideñas, festividades, y eventos como el Black Friday y el Cyber Monday. En algunas empresas, puede ser el caso que recurran a un aumento en los gastos de mercadotecnia y publicidad. Pero específicamente en el caso de Amazon, al ser una de las plataformas más grandes y reconocidas de ecommerce, pueden llegar a reducir sus gastos de marketing durante este período porque la demanda es naturalmente alta y no requiere tanto impulso publicitario.
-A su vez los gastos de marketing aumentan significativamente durante el primer cuartil, y esto puede ser que, al pasar las festividades y los gastos más fuertes, los clientes compran relativamente menos, lo que afecta directamente los gastos de la empresa. Por lo tanto, deben invertir más en sus gastos de publicidad.