TOYOTA
LUISA ERAZO Y SARA DIAZ
2025-04-02
INTRODUCCIÓN
El sector del comercio y el consumo interno es un pilar clave para el crecimiento económico de Colombia, ya que influye directamente en el empleo, la producción y la estabilidad macroeconómica. No obstante, en los últimos años, el comercio colombiano ha enfrentado diversos desafíos y oportunidades derivados de factores internos y externos, como la volatilidad de la inflación, los ajustes en las tasas de interés, las variaciones en el poder adquisitivo de los hogares y la percepción de los consumidores sobre la economía, un elemento fundamental en las decisiones de compra y la sostenibilidad del sector.
En este contexto, el presente informe de coyuntura tiene como objetivo analizar tres variables representativas del sector con el fin de extraer señales relevantes, pronosticarlas y generar hallazgos estratégicos. Estos resultados permitirán diseñar acciones efectivas para una empresa dedicada al comercio; en este caso, el concesionario Toyota, con el propósito de proyectar la venta de vehículos para enero de 2025. Las variables elegidas fueron: Índice de Ventas Minoristas (MIN), Índice de Confianza del Consumidor(ICC) y Ventas de Vehículos Nuevos(VEH).
La elección de estas tres variables se basa en su alta correlación con el comportamiento del consumo interno, factor clave en el desempeño de empresas del sector comercio. A continuación, se detalla la relevancia de cada una:
Índice de Ventas Minoristas: Este indicador refleja
el nivel de compras realizadas por los consumidores en establecimientos
minoristas. Es una variable directa que mide el dinamismo del consumo
interno, y por tanto, permite observar tendencias generales del sector
en el que se encuentra la empresa. Un aumento en este índice sugiere
mayor actividad comercial, lo cual puede traducirse en mejores ingresos
para Toyota a través de mayores ventas de vehículos, especialmente en
temporadas con fuerte movimiento económico. Sin embargo, el coeficiente
de correlación entre este índice y las ventas de vehículos nuevos es de
26%, lo cual indica una relación moderadamente positiva, pero no muy
fuerte. Esto sugiere que aunque hay una conexión, existen otros factores
que influyen con mayor peso en la compra de automóviles.
Coeficiente de correlación
## [1] "Coeficiente de correlación (Pearson) entre MIN y VEH: 0.258"Índice de Confianza del Consumidor: Este índice mide la percepción de los consumidores sobre la situación económica actual y sus expectativas a futuro. Su importancia radica en que una mayor confianza suele estar relacionada con un aumento en el gasto, particularmente en bienes no esenciales o de alto valor como los vehículos. En este caso, el análisis de correlación muestra que la relación entre el índice de confianza del consumidor y las ventas de vehículos nuevos es del 60%, lo que refleja una fuerte correlación positiva. Esto confirma que a medida que los consumidores sienten mayor seguridad sobre su situación financiera, también crece su disposición a realizar compras importantes como la de un vehículo nuevo. Por otro lado, la correlación entre el índice de confianza del consumidor y el índice de ventas minoristas es de -17%, lo cual resulta llamativo. Este coeficiente ligeramente negativo puede estar relacionado con factores coyunturales donde, pese a un incremento en las ventas minoristas (posiblemente por promociones o necesidad de consumo básico), los consumidores aún tienen una percepción negativa sobre el futuro económico, lo cual influye en decisiones de mayor escala como la compra de vehículos.
Coeficiente de correlación
## [1] "Coeficiente de correlación (Pearson): -0.17"Ventas de Vehículos Nuevos: Aunque es una variable sectorial más específica, es fundamental para el análisis porque representa directamente el comportamiento del mercado en el que participa Toyota. Además, las ventas de vehículos nuevos funcionan como un termómetro de la capacidad adquisitiva y la confianza de los consumidores para asumir compromisos financieros. Tal como lo reflejan los datos, la correlación más significativa es con el índice de confianza del consumidor (60%), lo que sugiere que este factor psicológico y económico tiene más peso que el movimiento general del comercio minorista (26%) al momento de impulsar las ventas en el sector automotor.
Coeficiente de correlación
## [1] "Coeficiente de correlación (Pearson) entre ICC y VEH: 0.602"Estas tres variables, al analizarse de forma conjunta y apoyadas con los coeficientes de correlación, permiten obtener una visión integral del sector del consumo en Colombia. Su comportamiento en el tiempo ofrece pistas claras sobre la dirección del mercado, lo cual resulta especialmente útil para empresas como Toyota, ya que permite diseñar estrategias de ventas más efectivas, ajustar los niveles de inventario según la demanda esperada, optimizar campañas publicitarias en momentos clave y prever con mayor precisión los resultados financieros en el corto y mediano plazo.
Además, al identificar que la variable con mayor correlación con las ventas de vehículos nuevos es el índice de confianza del consumidor (60%), Toyota puede priorizar el seguimiento de este indicador para anticipar cambios en el comportamiento del comprador y adaptar su oferta comercial de forma proactiva. Este tipo de análisis se convierte así en una herramienta clave de planificación estratégica que fortalece la toma de decisiones y mejora la competitividad de la empresa en un entorno económico dinámico.
## Jan Feb Mar Apr May Jun Jul
## 2014 75.44094 73.30629 81.13147 77.16052 81.49521 79.26375 83.36420
## 2015 81.18389 76.75004 84.92819 76.98367 83.98768 83.94286 87.33651
## 2016 83.94811 81.58766 81.74351 81.59247 83.54461 83.15339 85.23730
## 2017 82.48847 75.19617 84.35864 79.48257 83.24352 83.76075 87.90023
## 2018 87.08327 80.11119 89.26352 84.98454 88.77582 89.60787 91.16659
## 2019 89.88913 86.96874 95.52006 91.46256 97.53462 96.49274 100.53855
## 2020 96.90366 98.73655 90.82937 52.36041 71.47991 82.96655 88.31209
## 2021 90.71932 100.09537 109.40355 91.70418 87.53978 103.77634 112.55285
## 2022 110.22526 105.71036 122.10755 113.69815 118.81708 122.22778 121.70983
## 2023 111.33716 105.67976 113.41849 105.88761 112.75333 107.55602 111.67808
## 2024 107.10540 103.89536 107.08636 104.24507 110.85259 109.21438 113.57003
## Aug Sep Oct Nov Dec
## 2014 83.75001 81.20438 86.21699 90.24723 120.60943
## 2015 89.04048 83.62538 85.31254 89.03411 120.19191
## 2016 86.54739 82.59626 85.58366 94.43764 128.96638
## 2017 85.85693 83.80848 85.07618 92.70323 122.42744
## 2018 91.14342 89.79392 90.88114 104.50670 131.83560
## 2019 103.44770 98.61992 101.65493 106.96979 130.90125
## 2020 85.87943 97.93822 105.17578 112.32026 127.73790
## 2021 113.70670 113.22475 120.59033 119.86246 148.80063
## 2022 123.28522 121.57939 123.39649 122.11670 146.62136
## 2023 110.72328 110.31180 109.84946 118.22292 139.90022
## 2024 116.49861 112.08652 119.56998 130.42442 150.79803## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2014 20115 23744 24075 26128 26865 22974 27650 27465 29528 31386 25700 40393
## 2015 21241 22871 24671 21863 22525 22476 26595 23208 24855 22412 21004 29546
## 2016 16740 20278 19737 20291 19464 20589 17526 22409 21378 19168 22384 33431
## 2017 17215 17931 21022 17082 19898 19826 18607 20901 19297 19689 21103 25386
## 2018 16399 18293 19523 20166 20522 18270 19315 21410 21370 21496 26245 33043
## 2019 15941 18440 20170 19763 22269 19455 22874 23284 22659 23858 23946 30661
## 2020 18427 20547 12290 217 8933 11981 14435 13209 18408 20858 22330 26854
## 2021 14327 19648 22914 19021 14684 20417 23117 21052 22824 23340 23616 25312
## 2022 17391 19199 20837 20622 22411 23306 23233 24386 23871 22577 22625 21880
## 2023 13852 15761 17244 13740 15674 14364 13091 14801 15525 13817 18497 19856
## 2024 11581 15597 13347 15291 14805 14543 16497 16498 17117 18521 21824 25331## Jan Feb Mar Apr May Jun Jul Aug Sep Oct
## 2014 27.30 15.70 18.50 18.50 23.90 26.50 26.60 20.50 17.50 21.70
## 2015 17.90 14.00 2.30 8.20 13.70 14.70 2.60 -0.40 4.30 6.80
## 2016 -21.30 -21.00 -20.10 -13.00 -12.50 -11.30 -14.90 -6.60 -2.10 -3.20
## 2017 -30.20 -24.30 -21.10 -12.80 -16.90 -11.70 -9.50 -15.90 -10.30 -10.60
## 2018 -5.40 -7.80 -3.20 1.50 8.90 15.50 9.80 4.70 -0.70 -1.30
## 2019 -2.80 -5.60 1.20 -9.60 -5.00 -6.30 -5.11 -11.80 -10.70 -9.80
## 2020 -1.20 -11.20 -23.80 -41.30 -34.00 -33.10 -32.70 -25.40 -21.60 -18.60
## 2021 -20.80 -14.60 -11.40 -34.20 -34.30 -22.30 -7.50 -8.20 -3.00 -1.30
## 2022 -13.50 -17.50 -17.80 -17.50 -14.70 2.90 -10.40 -2.40 -11.50 -19.50
## 2023 -28.60 -27.80 -28.50 -28.80 -22.80 -14.10 -17.40 -18.80 -17.90 -14.00
## 2024 -7.90 -9.40 -13.00 -11.40 -14.10 -12.70 -9.00 -15.30 -16.00 -3.70
## Nov Dec
## 2014 24.50 22.40
## 2015 6.70 1.10
## 2016 -4.60 -10.70
## 2017 -10.00 -6.00
## 2018 -19.60 -8.30
## 2019 -14.40 -9.50
## 2020 13.60 10.40
## 2021 -1.40 -7.00
## 2022 -24.80 -22.30
## 2023 -20.90 -17.30
## 2024 -5.70 -3.40Extracción de señales
Gráfico inicial de las ventas minoristas en niveles -Original
La gráfica muestra la evolución del índice de ventas minoristas nacionales entre 2014 y 2024. Se observa una tendencia general al alza, lo que indica un crecimiento sostenido del comercio minorista durante este periodo. Sin embargo, en 2020 se presenta una caída abrupta, probablemente relacionada con el impacto de la pandemia del COVID-19 sobre la economía y el consumo. La caída más pronunciada del año se dio en abril, con una baja de 42,90%, en el periodo de confinamiento (La República, 2021). También se evidencia una estacionalidad, con picos que se repiten cada año en los últimos meses, coincidiendo con las festividades de fin de año. Este patrón sugiere que el consumo se incrementa de forma regular en ciertos periodos, además resulta útil para planificar estrategias comerciales y logísticas por parte de las empresas.
Tras la caída de 2020, el índice muestra una rápida recuperación, superando niveles previos y alcanzando nuevos máximos hacia 2024 de 150. Esto refleja una reactivación del sector y una mejora en la demanda interna.
Extracción señales de las ventas minoristas
A través de este gráfico se pueden identificar varios factores clave sobre las ventas minoristas. Se observa un claro patrón estacional, especialmente ligado a las festividades navideñas, durante las cuales la demanda interna aumenta y, en consecuencia, también lo hacen las ventas y compras del sector. Además, el crecimiento del comercio minorista ha sido constante a lo largo del tiempo. El componente residual no presenta grandes desviaciones respecto a cero, lo que indica que la serie se explica principalmente por factores estacionales más que por cambios estructurales. No obstante, eventos excepcionales como la caída de 2020 son claramente visibles, aunque su efecto fue temporal.
Gráfico inicial de las ventas de vehículos nuevos -Original
La gráfica muestra el número de vehículos vendidos en Colombia desde el año 2014 al 2024. Se puede observar cierto componente estacional, en donde al final de cada año, es decir, en diciembre, se da un repunte en las ventas de este bien, mientras que por el contrario, en enero de cada año estudiado, hay una caída abrupta.
Al analizar con detenimiento la gráfica, se puede evidenciar que en diciembre del 2014, fue el mes donde más carros nuevos se vendieron a nivel nacional en todo el periodo de estudio. Según el Informe del Sector Automotor realizado por Fenalco, la ANDI y el Comité Automor Colombiano (carroya.com, 2015) este mes fue el más importante ya que estuvo influenciado por las ventas que se lograron en el Salón del Automóvil de Bogotá del mes anterior, siendo éste un evento promocional que genera un ambiente propicio para la adquisición de vehículos.
Puntualmente, durante este mes se matricularon en el Registro Único Nacional de Tránsito (RUNT) 40.393 vehículos entre carros y camionetas, las ventas al detal fueron de 32.355 unidades y las ventas al por mayor de 29.927 vehículos, además los automóviles particulares fueron los carros que más número de registro presentaron (20.823), mientras que en el año no se presentó ninguna matricula de vehículos tipo campero. Según el diario el Economista (2015), todo esto también fue propiciado por condiciones económicas favorables, pues las bajas tasas de interés (del 4,5%) y la inflación controlada durante ese período incentivaron el consumo interno, facilitando la compra de automóviles.
Además, este repunte en ventas también se ve explicado por un factor estacional, en donde tradicionalmente, diciembre es un mes de alta demanda en el sector automotor colombiano, ya que muchos consumidores aprovechan bonificaciones para estrenar vehículo para el nuevo año.
Todos estos elementos combinados contribuyeron a que diciembre de 2014 se destacara como el mes con mayores ventas de vehículos nuevos en la historia del país hasta ese momento.
Por otro lado, se puede observar en el año 2020 la caída más abrupta en todo el periodo analizado. El principal factor detrás de esta disminución fue la pandemia de COVID-19, que llevó al gobierno colombiano a implementar una cuarentena obligatoria entre marzo y agosto de 2020. Estas restricciones afectaron directamente al sector automotriz, ya que implicaron el cierre temporal de concesionarios y la interrupción de actividades comerciales (Comercio, 2021). Un ejemplo notable del impacto de la pandemia se observó en abril de 2020, cuando las ventas de vehículos nuevos cayeron un 98,9% en comparación con el mismo mes del año anterior, registrando solo 217 unidades vendidas en todo el país (Cárdenas, 2021). Además, las medidas de confinamiento y la incertidumbre económica redujeron el consumo interno, afectando la demanda de bienes duraderos como los automóviles. La industria automotriz, que representa el 6,6% del PIB industrial de Colombia y genera alrededor de 25.000 empleos directos, se vio seriamente afectada por esta situación (Comercio, 2021).
En resumen, la combinación de restricciones sanitarias, cierre de establecimientos comerciales y una disminución generalizada en el consumo debido a la incertidumbre económica fueron los principales factores que llevaron a que 2020 fuera el año con las menores ventas de vehículos nuevos en Colombia en más de una década.
En la actualidad se evidencia una una rápida recuperación, superando niveles previos y alcanzando nuevos máximos hacia 2024, en donde en el mes de diciembre se vendieron 25.331 carros nuevos, lo que significó un aumento del 16% con respecto al mes anterior, y un aumento del 28% con respecto al mismo mes del año pasado (2023), reflejando una activación del sector automotriz.
Extracción señales de la venta de vehículos nuevos
El componente estacional muestra un patrón cíclico que se repite anualmente, en donde se puede observar un aumento pronunciado y constante en ciertos meses, lo que sugiere picos estacionales de ventas. Estos aumentos pronunciados se dan en el mes de diciembre, por lo tanto el aumento en las ventas se puede explicar por la temporada de fin de año y navideña.
El componente residuo representa la variación no explicada por la tendencia ni la estacionalidad. Es el “ruido” de la serie. Hay un gran salto negativo alrededor del año 2020, que refleja un evento extraordinario, específicamente, la pandemia de COVID-19. Debido a que el residuo es tan grande y se encuentra entre 5000 y -5000, se puede concluir que el sector se puede ver afectado por factores estructurales, no estacionales, como por ejemplo, noticias.
El componente de la serie Original hace refeencia la serie tal como fue observada, la cual contiene las señales de tendencia, estacionalidad y ruido juntas.Muestra fluctuaciones, pero también cambios significativos como la caída mencionada en 2020 y el repunte de ventas que ya fue explicada en la tabla anterior.
El componente de tendencia refleja la dirección general del comportamiento a largo plazo. Puntualmente se observa una tendencia a la baja, pues se inicia en el año 2014 con 27 mil vehículos vendidos, y al final del año 2024, con 17mil. Se evidencia una caída progresiva desde 2015 hasta 2017, otra de 2019 al 2020 y luego otra caída alrededor de 2022. Sin embargo, una recuperación desde el mes de julio del 2020 al 2021 y desde el 2023 en adelante.
Gráfico inicial del índice de confianza al consumidor -Original
Esta gráfica permite evidenciar el comportamiento del Índice de Confianza al Consumidor del año 2014 al 2024. Puntualmente se observa que durante todos los meses del 2014, se presentó un ICC demasiado alto a comparación de los demás meses del resto de años. Según la revista Semana (2014), esto se ve explicado por la mayor disposición a comprar bienes durables por parte de los hogares y al optimismo para el cierre del año, apalancado en un desempleo decreciente. El buen desempeño del consumo de los hogares se debe al aumento del consumo en todos los grupos de bienes, especialmente en los semi-durables y durables, los cuales crecieron un 6.8% y 6.2% anual, respectivamente.
Además, al cierre del primer semestre de 2014, el ICC presentó una clara recuperación frente al balance observado en los primeros meses del año, al alcanzar un balance de 26.6, tras estar en febrero en un 15,70. Esta expansión está explicada, principalmente, por un buen desempeño de las expectativas de los consumidores.
En 2020, el Índice de Confianza del Consumidor (ICC) registró su nivel más bajo, alcanzando -41,3% en abril de ese año. Según Semana (2021), esta drástica caída se debió principalmente a la pandemia de COVID-19, que llevó al gobierno a implementar estrictas medidas de confinamiento y restricciones económicas. Estas acciones afectaron negativamente la percepción de los consumidores sobre la economía y su disposición a realizar compras, especialmente de bienes duraderos como viviendas y vehículos.
En la actualidad ha habido una recuperación de este índice, sin embargo sigue en terreno negativo, de -3.4.
Extracción señales del índice de confianza al consumidor
En cuanto al componente estacional, se puede evidenciar que si lo hay en la variable estudiada, sin embargo no es influyente, pues este índice se ve más que todo afectado por factores estructurales o coyunturales que afecten la economía y la percepción del consumidor.
El residuo evidencia las variaciones no explicadas ni por la tendencia ni por la estacionalidad, en este caso, en 2020 se observa un residuo fuertemente negativo, indicando la presencia de un evento inesperado con gran impacto: en este caso, el confinamiento por la pandemia.
La serie original representa los datos observados del ICC.Confirma visualmente que el valor más bajo ocurrió en 2020, y que desde entonces ha habido una lenta recuperación.
El componente de tendencia evidencia una tendencia general decreciente, con una caída pronunciada alrededor de 2020. Creación de la variable MIN, ajustada por estacionalidad
Creación de la variable VEH, ajustada por estacionalidad
Creación de la variable ICC, ajustada por estacionalidad
Gráfico serie original VS ajustada MIN
## Warning in geom_line(aes(x = fechas_var1, y = variable1_ts), color = "grey", :
## Ignoring unknown parameters: `name`## Warning in geom_line(aes(x = fechas_var1, y = variable1_sa), color = "black", :
## Ignoring unknown parameters: `name`## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.Al analizar la gráfica del índice de ventas minoristas entre 2014 y 2024, se observa que la serie original presenta un comportamiento marcadamente estacional, con picos muy pronunciados en los meses de diciembre y caídas abruptas en enero y febrero. Esta dinámica se repite de manera consistente cada año, lo que evidencia la fuerte influencia de factores estacionales como las festividades de fin de año y la contracción típica del consumo al inicio del año. Por su parte, la serie ajustada por estacionalidad elimina estos efectos recurrentes, permitiendo identificar con mayor claridad la tendencia subyacente del comportamiento de las ventas. Aunque sigue un patrón similar en términos generales, la serie ajustada no replica exactamente los valores de la serie original, ya que busca suavizar las fluctuaciones propias de la estacionalidad. Esta diferencia permite hacer análisis más precisos sobre los cambios estructurales o de fondo en la dinámica del comercio minorista en Colombia, más allá de los ciclos estacionales.
Gráfico serie original VS ajustada VEH
## Warning in geom_line(aes(x = fechas_var2, y = variable2_ts), color = "grey", :
## Ignoring unknown parameters: `name`## Warning in geom_line(aes(x = fechas_var2, y = variable2_sa), color = "black", :
## Ignoring unknown parameters: `name`## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.La evolución mensual del número de vehículos nuevos vendidos en Colombia tiende a presentar un patrón estacional muy marcado, el cual se repite de forma consistente a lo largo de los años. En la serie original, es común observar picos pronunciados durante el mes de diciembre, impulsados por factores como el pago de primas, bonificaciones de fin de año, promociones comerciales del sector automotor y el deseo de muchos consumidores de estrenar vehículo antes del inicio del nuevo año. Por el contrario, los meses de enero y febrero suelen mostrar caídas significativas en las ventas, debido a la resaca financiera de diciembre, una menor disponibilidad de liquidez y una actitud de mayor cautela por parte de los hogares. En el resto del año, las ventas suelen mantener un comportamiento más estable, aunque con variaciones moderadas. Este tipo de comportamiento hace que el ajuste por estacionalidad sea especialmente útil, ya que permite eliminar estos efectos recurrentes y visualizar con mayor claridad la tendencia estructural del mercado, como los impactos de choques económicos o la recuperación tras eventos como la pandemia.
Gráfico serie original VS ajustada ICC
## Warning in geom_line(aes(x = fechas_var3, y = variable3_ts), color = "grey", :
## Ignoring unknown parameters: `name`## Warning in geom_line(aes(x = fechas_var3, y = variable3_sa), color = "black", :
## Ignoring unknown parameters: `name`## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.El ICC no presenta una estacionalidad marcada. Al observar el gráfico, se nota que la serie original (línea gris) y la ajustada por estacionalidad (línea negra) son prácticamente idénticas a lo largo del tiempo. Esto indica que las variaciones del índice no responden a un patrón estacional recurrente. Este comportamiento tiene mucho sentido, dado que el ICC mide la percepción de los hogares sobre la situación económica actual y futura, lo cual está influenciado por factores coyunturales como noticias económicas, decisiones de política monetaria, cambios en el empleo, inflación, entre otros. Por tanto, las fluctuaciones del ICC reflejan principalmente reacciones a eventos o información relevante, más que una dinámica estacional predecible.
Tendencia MIN
El índice de ventas minoristas refleja una tendencia general creciente con el paso de los años, sin embargo, del año 2019 al 2020 y del 2022 al 2024 se observan tendencias decrecientes. Puntualmente, desde 2014 hasta inicios de 2020, la tendencia se mantiene relativamente estable con un crecimiento leve y sostenido. Sin embargo, en 2020 se observa una caída abrupta en el índice, reflejo directo del impacto económico generado por la pandemia de COVID-19, que implicó restricciones a la movilidad, cierre de comercios y una fuerte disminución del consumo. Solo en mayo las ventas reales del comercio minorista disminuyeron 26,8%, mientras el personal ocupado del sector disminuyó 3,7% en relación con el mismo mes de 2019 (Portafolio, 2020). Sin embargo muestra una recuperación rápida, retomando la senda positiva, en el periodo de enero a noviembre de 2024 en comparación con el mismo periodo de 2023, en donde las ventas del comercio minorista crecieron 1,4%; las líneas de mayor contribución que explican este comportamiento y la tendencia positiva al comercio fueron vehículos automotores y motocicletas, principalmente de uso de los hogares; otros vehículos automotores y motocicletas y equipos de informática y telecomunicaciones para uso personal o doméstico, aportando en conjunto 1,6 puntos porcentuales (Portafolio, 2024). No obstante, se observa una nueva fase de recuperación hacia 2025.
Tendencia VEH
Esta gráfica permite apreciar que del 2014 al 2024 hay una tendencia general decreciente en las ventas de vehículos nuevos a nivel nacional, lo que sugiere una disminución estructural en la demanda de vehículos. La caída más severa se observa en 2020, asociada a los efectos de la pandemia, aunque tras esta crisis hubo una leve recuperación. No obstante, según La Republica (2024), los datos más recientes refuerzan la tendencia negativa. Según la Asociación Nacional de Movilidad Sostenible (Andemos), en marzo de 2025 se vendieron 13.361 unidades, lo que representa una disminución del 22,6% frente al mismo mes de 2023, cuando se comercializaron 17.270 vehículos. En lo que va del año, se han vendido 40.567 carros, lo que equivale a una caída acumulada del 13,6% en comparación con el mismo periodo del año anterior. Esto posiciona a marzo como el tercer mes con menores ventas en los últimos años, solo por encima de enero de 2025 (11.581 unidades) y julio de 2023 (13.091 unidades). Estos resultados indican una demanda débil y sostenida en el tiempo, probablemente influida por el entorno económico, las tasas de interés, los precios de los vehículos. Tendencia ICC
Esta gráfica permite apreciar una tendencia general decreciente en el comportamiento del ICC del 2014 al 2024, pero con algunas señales de recuperación, sin alcanzar a llegar a terreno positivo. Entre 2014 y 2017 se observa una caída sostenida en la confianza, pasando de valores positivos cercanos a 25 a cifras negativas, lo cual puede estar relacionado con fenómenos económicos internos como la desaceleración del crecimiento, la inflación y factores políticos. A partir de 2017 hasta 2019, se identifica una leve recuperación, aunque el índice no logra retornar a niveles consistentemente positivos, lo que sugiere una percepción moderadamente estable, pero aún cautelosa, por parte de los consumidores. No obstante, en 2020 se presenta una caída abrupta y profunda del ICC, alcanzando sus valores más bajos del periodo analizado, una situación que coincide con el inicio de la pandemia por COVID-19, cuyos efectos negativos sobre la economía nacional e internacional impactaron directamente las expectativas de los hogares. Desde 2021 hasta 2025, la tendencia evidencia una recuperación gradual y sostenida, aunque sin alcanzar todavía valores positivos, lo que indica que, si bien hay una mejora en la percepción económica, los niveles de confianza no se han restablecido por completo. Esta evolución sugiere que la confianza del consumidor colombiano es altamente sensible a eventos de naturaleza económica, política y sanitaria, mostrando una clara conexión con el contexto estructural del país.
Tasa de crecimiento de la serie de tendencia y original para la variable MIN
## [1] 120## [1] 120## [1] 120Gráfico variable original y tendencia variable MIN : tasa de crecimiento anual
Entre 2016 y principios de 2020, se observa un ciclo de estabilidad moderada, con tasas de crecimiento anual que oscilan entre el 0% y el 13%. Durante este periodo, el consumo de los hogares se mantuvo constante, reflejando una fase de expansión sostenida pero sin grandes sobresaltos. La tendencia acompaña este comportamiento, indicando un entorno económico sin mayores shocks. A partir del segundo trimestre de 2020, se inicia un ciclo contractivo abrupto, con una caída que alcanza una tasa negativa de -42.75%. Este desplome coincide con el inicio de la pandemia por COVID-19, que trajo consigo medidas de confinamiento, cierre de comercios y una fuerte disminución de la demanda agregada. La tendencia también cae rápidamente, confirmando una fase recesiva profunda. Desde junio de 2020 hasta finales de 2021, se presenta un ciclo expansivo acelerado, impulsado por el efecto rebote tras la crisis sanitaria. La tasa de crecimiento anual llega a su máximo de 75.14%, resultado tanto de la recuperación económica como de una baja base de comparación. Este crecimiento también se refleja en la tendencia, que asciende de forma notable, aunque no tan abrupta como la serie original. Durante 2022 y hasta finales de 2023, se evidencia un nuevo ciclo contractivo, en el cual las tasas de crecimiento disminuyen progresivamente, llegando a -12%. Este comportamiento puede explicarse por el endurecimiento de la política monetaria (aumento de tasas de interés), una inflación elevada que afecta el ingreso disponible de los hogares y un entorno de incertidumbre política y económica. La tendencia sigue esta dinámica bajista, indicando una fase de debilitamiento del consumo. Desde inicios de 2024, comienza un nuevo ciclo expansivo, reflejado en el repunte de las tasas de crecimiento anual, que vuelven a valores positivos. La tendencia confirma este cambio de fase o punto de quiebre, mostrando una recuperación progresiva. Este comportamiento tiene mucho sentido si se considera que las ventas minoristas están directamente influenciadas por la confianza de los hogares en la economía, la cual depende de factores como las expectativas, las noticias, las decisiones de política monetaria, los niveles de inflación y el empleo. Por tanto, es natural que esta serie muestre un comportamiento cíclico y sensible al contexto económico general.
Ahora calculamos la tasa de crecimiento de la serie original vs tendencia: variable VEH
## [1] 120## [1] 120## [1] 120En la gráfica de la tasa de crecimiento anual de las ventas de vehículos (VEH), se observa un pico extremo del 8.665% entre 2019 y 2020. Este comportamiento no refleja un crecimiento real del sector automotor, sino que es producto del llamado efecto base.
Este efecto ocurre cuando una tasa de variación se ve amplificada artificialmente por un valor inusualmente bajo en el periodo de comparación. En este caso, las ventas de vehículos nuevos en Colombia cayeron un 28,5% en 2020, alcanzando su nivel más bajo en 11 años (188.391 unidades), como consecuencia de la pandemia de covid-19 (Forbes Colombia, 2021). Así, cuando en abril de 2021 se vendieron 19.033 unidades frente a solo 217 en abril de 2020, se produjo un incremento anual del 8.671%, que no refleja una recuperación estructural, sino una comparación contra un mes atípicamente deprimido (Valora Analitik, 2021).
Por lo tanto, este crecimiento desmesurado no debe interpretarse como un repunte sostenido del sector, sino como un efecto estadístico puntual, derivado de condiciones extraordinarias en el año base.
Ahora calculamos la tasa de crecimiento de la serie original vs tendencia: variable VEH a partir del 2022
## [1] 36## [1] 36## [1] 36A partir de 2022, al aislar el efecto base, se hace más clara la trayectoria real del sector automotor en Colombia. Sin las distorsiones del 2020 y 2021, el análisis de la tasa de crecimiento anual muestra un ciclo recesivo claro que se intensifica hacia mediados de 2023. En julio de ese año, el sector alcanzó su punto más crítico, con una contracción interanual del -50,77%. Esta caída profunda refleja no solo un entorno económico desafiante —como la alta inflación, el costo del crédito y la incertidumbre— sino también un consumo interno fuertemente debilitado.
Sin embargo, a partir de ese punto, el comportamiento empieza a mostrar señales de recuperación. En noviembre de 2024, el crecimiento anual se acercó al equilibrio, con una variación de apenas -2%, lo que marca un avance significativo respecto al año anterior. Aunque en diciembre volvió a caer hasta -24%, el deterioro fue mucho menos severo que en 2023, lo que sugiere una desaceleración del ritmo de caída más que un nuevo ciclo de contracción.
La tendencia suavizada confirma este cambio gradual. Mientras que en julio de 2023 la tendencia anual era de -34,2%, para diciembre de 2024 esta había mejorado hasta ubicarse en -14,14%. Esta evolución refleja que, si bien el sector aún no entra en terreno positivo, sí ha logrado reducir de forma sostenida la magnitud de la caída, dando indicios de estabilización.
En conjunto, los datos permiten identificar un ciclo con tres fases claras: una contracción profunda hasta mediados de 2023, una etapa de recuperación paulatina desde entonces, y un cierre de 2024 donde, aunque persiste el crecimiento negativo, la pendiente de la tendencia apunta hacia una mejora. Esto deja abierta la posibilidad de un cambio de ciclo más claro en 2025, siempre y cuando las condiciones macroeconómicas continúen mejorando y se mantengan estímulos para la reactivación del consumo interno.
Tomando como base todas las variables anteriores relacionadas con el sector del consumo interno en Colombia, a continuación se pronosticará la variable de venta de vehículos nuevos con el propósito de tomar decisiones estratégicas para el concesionario Toyota.
Primero se iniciará con la elección del mejor modelo de predicción, posteriormente, se predecirá el número de vehículos nuevos que se espera que serán vendidos en enero del 2025.
ELECCIÓN DEL MEJOR MODELO
Primero se iniciará con el modelo Arima.
Modelo ARIMA
Paso 1: Identificación del modelo
Identificar estacionariedad
A continuación se aplica el test ADF para validar estacionariedad en el conjunto de entrenamiento de la variable VEH, que es la elegida para pronosticar:
## Warning in adf.test(train_ts): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: train_ts
## Dickey-Fuller = -4.5179, Lag order = 5, p-value = 0.01
## alternative hypothesis: stationaryEl test ADF en la variable VEH arrojó un p-value igual a 0.01, este valor es menor a 0.05, por tanto, la serie es estacionaria, y esto también lo pudimos analizar con el gráfico. Para confirmar, se debe ejecutar el código siguiente para diferenciar una vez la variable VEH y luego volver a aplicar el test ADF a esa serie diferenciada una vez:
Diferenciación en niveles variable VEH
A continuación, se realiza el gráfico de la serie original y diferenciada (una vez) de la variable VEH para ver graficamente el cambio o ajuste:
## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.## Warning in adf.test(train_diff): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: train_diff
## Dickey-Fuller = -6.2188, Lag order = 5, p-value = 0.01
## alternative hypothesis: stationaryEn el test ADF se muestra que el valor que puede tomar d=1:
El p-value ya es menor a 0.05 con una primera diferencia. Por tanto el valor que puede tomar d es igual a 1.
Identificación manual de p y q
En el código siguiente se crean los correlogramas para determinar los posibles valores que puedeo tomar el parámetro p y q:
Interpretación correlogramas
Se puede observar que los valores que podrian tomar p y q serian:
d= 1 p=1* p=2* p=6 q=1* q=3 (P optimo=1) (q óptimo=1)El modelo óptimo para esta variable sería (1,1,1), (2,1,1), (6,1,1)
Paso 2. Estimación manual del modelo
MODELO (1,1,1)
## Series: train_ts
## ARIMA(1,1,1)
##
## Coefficients:
## ar1 ma1
## 0.3160 -0.8760
## s.e. 0.1556 0.1075
##
## sigma^2 = 18305955: log likelihood = -1251.33
## AIC=2508.66 AICc=2508.85 BIC=2517.21
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -289.5972 4228.503 2942.719 -67.1891 77.54986 0.7971064 -0.0496788Significancia de coefientes
## Warning: package 'lmtest' was built under R version 4.4.3## Cargando paquete requerido: zoo## Warning: package 'zoo' was built under R version 4.4.3##
## Adjuntando el paquete: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.31600 0.15561 2.0307 0.04228 *
## ma1 -0.87604 0.10752 -8.1475 3.714e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Interpretación significancia coeficientes
ma1, es altamente significativa (***), lo que significa que este coeficiente tiene un impacto importante en el modelo. Como al menos uno de los dos componentes es significativo, entonces continúo con la validación de residuos del modelo.
Paso 3. Validación de residuos del modelo estimado manual (1,1,1)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,1)
## Q* = 94.886, df = 22, p-value = 4.985e-11
##
## Model df: 2. Total lags used: 241. Serie de residuos: Muestra cómo se comportan los errores a lo largo del tiempo. Lo ideal es que tenga valores cercanos a cero, sin embargo, podemos observar que hay distintos picos, como en el año 2020, por efecto de la pandemia, y en el 2014, por los factores macroeconómicos positivos.
2.Función de Autocorrelación La mayoría de las barras están dentro de las líneas azules (intervalos de confianza). Sin embargo, algunos rezagos (3) salen abruptamente del rango, lo que sugiere que aún puede haber estructura no capturada en los datos. Esto indica que el modelo podría mejorarse pero no es un modelo muy aceptable.
3.Histograma de residuos con ajuste normal Sirve para verificar si los errores siguen una distribución normal, lo cual es un supuesto clave en ARIMA.En este caso, la curva naranja representa la distribución normal teórica. Los residuos se acercan a la normalidad, pero hay algunos valores extremos (colas más gruesas de lo esperado) y valores mínimos, que no alcanzan a llegar ni siquiera a la línea de la distribución normal. Esto indica que puede haber eventos atípicos o datos no bien explicados por el modelo (en este caso pandemia).
Paso 4. Pronóstico (modelo manual(1,1,1))
## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.Se puede observar claramente que el modelo manual (1,1,1) no pronostica de manera adecuada la variable en cuestión, pues la línea azul, debería presentar un comportamiento similar a la rosada.
Métricas de evaluación del modelo manual dentro del periodo de prueba (oct,nov y dic2024)
## MAE Manual: 5656.807## RMSE Manual: 6357.092MAE (Mean Absolute Error)
Indica el error promedio en unidades de la variable, es decir, en número de vehículos.
RMSE (Root Mean Squared Error)
Penaliza más los errores grandes debido a la elevación al cuadrado antes de calcular la raíz.
A continuación se calcula la Tabla de pronóstico modelo manual VS los datos reales u observado en oct,nov y dic2024
## Tiempo Observado Pronosticado
## 1 2024.750 18521 16408.13
## 2 2024.833 21824 16184.12
## 3 2024.917 25331 16113.33Ahora pronosticamos fuera del periodo de análisis: Enero 2025
Es decir, le sumamos al periodo de prueba (oct,nov,dic2024) una observación más (enero 2025). Es decir, se estan pronosticando 4 observaciones o meses:
## Tiempo Pronostico
## 1 2024.750 16408.13
## 2 2024.833 16184.12
## 3 2024.917 16113.33
## 4 2025.000 16090.96Se descarta este modelo para pronosticar las ventas del número de vehículos, pues el pronóstico manual no sigue a los datos observados, además, desde un principio, se encontró que los residuos mostraban evidencia de que el modelo no era muy aceptable
MODELO MANUAL (2,1,1)
## Series: train_ts
## ARIMA(2,1,1)
##
## Coefficients:
## ar1 ar2 ma1
## -0.5754 -0.2930 0.0346
## s.e. 0.4046 0.1845 0.4327
##
## sigma^2 = 18750612: log likelihood = -1252.08
## AIC=2512.16 AICc=2512.48 BIC=2523.56
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -52.91996 4262.534 2927.988 -58.53136 70.85378 0.7931162
## ACF1
## Training set -0.002507467Significancia de coefientes
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.575420 0.404647 -1.4220 0.1550
## ar2 -0.292980 0.184472 -1.5882 0.1122
## ma1 0.034603 0.432711 0.0800 0.9363Este modelo no es significativo. Por lo tanto, no se continúa con los demás análisis.
MODELO MANUAL (6,1,1)
## Series: train_ts
## ARIMA(6,1,1)
##
## Coefficients:
## ar1 ar2 ar3 ar4 ar5 ar6 ma1
## 0.2068 0.0974 0.1811 -0.1009 -0.0543 -0.1780 -0.8352
## s.e. 0.1919 0.1324 0.1038 0.0921 0.1012 0.1132 0.1885
##
## sigma^2 = 17397024: log likelihood = -1245.61
## AIC=2507.22 AICc=2508.43 BIC=2530.03
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -275.1762 4039.572 2840.59 -60.73633 71.08323 0.7694424
## ACF1
## Training set -0.002959819Significancia de coefientes
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.206787 0.191912 1.0775 0.28125
## ar2 0.097368 0.132414 0.7353 0.46214
## ar3 0.181086 0.103758 1.7453 0.08094 .
## ar4 -0.100865 0.092104 -1.0951 0.27346
## ar5 -0.054320 0.101197 -0.5368 0.59142
## ar6 -0.177956 0.113151 -1.5727 0.11578
## ma1 -0.835242 0.188477 -4.4315 9.357e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Se puede observar que ma1, es altamente significativo (***), lo que significa que este coeficiente tiene un impacto importante en el modelo. Como al menos uno de los componentes eS significativo, entonces continuo con la validación de residuos del modelo.
Paso 3. Validación de residuos del modelo estimado manual
(6,1,1)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(6,1,1)
## Q* = 71.379, df = 17, p-value = 1.247e-08
##
## Model df: 7. Total lags used: 241. Serie de residuos: Muestra cómo se comportan los errores a lo largo del tiempo. Lo ideal es que tenga valores cercanos a cero, sin embargo, podemos observar que hay distintos picos, como en el año 2020, por efecto de la pandemia, y en el 2014, por los factores macroeconómicos positivos.
2.Función de Autocorrelación La mayoría de las barras están dentro de las líneas azules (intervalos de confianza). Sin embargo, algunos rezagos salen abruptamente del rango, lo que sugiere que aún puede haber estructura no capturada en los datos. Esto indica que el modelo podría mejorarse pero no es un modelo muy aceptable.
3.Histograma de residuos con ajuste normal Sirve para verificar si los errores siguen una distribución normal, lo cual es un supuesto clave en ARIMA.En este caso, la curva naranja representa la distribución normal teórica. Los residuos se acercan a la normalidad, pero hay algunos valores extremos (colas más gruesas de lo esperado) y valores mínimos, que no alcanzan a llegar ni siquiera a la línea de la distribución normal. Esto indica que puede haber eventos atípicos o datos no bien explicados por el modelo (en este caso pandemia).
## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.Se puede observar claramente que el modelo manual (6,1,1) no pronostica de manera adecuada la variable en cuestión, pues la línea azul, debería presentar un comportamiento similar a la rosada. Por este motivo, no se pronostica el número de vehículos vendidos para enero del 2025.
Modelo ARIMA automático
Identificación automática del modelo ARIMA
## Series: train_ts
## ARIMA(1,1,2)
##
## Coefficients:
## ar1 ma1 ma2
## 0.7711 -1.3734 0.3966
## s.e. 0.1198 0.1463 0.1323
##
## sigma^2 = 17741966: log likelihood = -1248.95
## AIC=2505.91 AICc=2506.23 BIC=2517.32
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -434.9487 4146.303 2840.497 -67.76767 77.01546 0.7694171
## ACF1
## Training set -0.03775687Significancia de coeficientes
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.77111 0.11976 6.4389 1.204e-10 ***
## ma1 -1.37338 0.14632 -9.3860 < 2.2e-16 ***
## ma2 0.39664 0.13232 2.9977 0.002721 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Se puede observar que ma1 y ar1 son altamente significativos (*), y ma2 es significativo () lo que significa que estos coeficientes tienen un impacto importante en el modelo. Como al menos uno de los componentes es significativo (en este caso los 3), entonces continuo con la validación de residuos del modelo.
## Series: train_ts
## ARIMA(1,1,2)
##
## Coefficients:
## ar1 ma1 ma2
## 0.7711 -1.3734 0.3966
## s.e. 0.1198 0.1463 0.1323
##
## sigma^2 = 17741966: log likelihood = -1248.95
## AIC=2505.91 AICc=2506.23 BIC=2517.32
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -434.9487 4146.303 2840.497 -67.76767 77.01546 0.7694171
## ACF1
## Training set -0.03775687
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,2)
## Q* = 91.804, df = 21, p-value = 7.87e-11
##
## Model df: 3. Total lags used: 241. Serie de residuos: Muestra cómo se comportan los errores a lo largo del tiempo. Lo ideal es que tenga valores cercanos a cero, sin embargo, podemos observar que hay distintos picos, como en el año 2020, por efecto de la pandemia, y en el 2014, por los factores macroeconómicos positivos.
2.Función de Autocorrelación La mayoría de las barras están dentro de las líneas azules (intervalos de confianza). Sin embargo, algunos rezagos salen abruptamente del rango, lo que sugiere que aún puede haber estructura no capturada en los datos. Esto indica que el modelo podría mejorarse pero no es un modelo muy aceptable.
3.Histograma de residuos con ajuste normal Sirve para verificar si los errores siguen una distribución normal, lo cual es un supuesto clave en ARIMA.En este caso, la curva naranja representa la distribución normal teórica. Los residuos se acercan a la normalidad, pero hay algunos valores extremos (colas más gruesas de lo esperado) y valores mínimos, que no alcanzan a llegar ni siquiera a la línea de la distribución normal. Esto indica que puede haber eventos atípicos o datos no bien explicados por el modelo (en este caso pandemia).
Pronóstico modelo ARIMA automático (1,1,2)
## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.Se puede observar claramente que el modelo Arima automático (1,1,2) no pronostica de manera adecuada la variable en cuestión, pues la línea azul, debería presentar un comportamiento similar a la rosada.
## Tiempo Observado Pronosticado
## 1 2024.750 18521 17098.79
## 2 2024.833 21824 17230.50
## 3 2024.917 25331 17332.06## Tiempo Pronostico
## 1 2024.750 17098.79
## 2 2024.833 17230.50
## 3 2024.917 17332.06
## 4 2025.000 17410.38En este caso, este modelo pronosticó que habría un aumnento en las ventas en enero del 2025 a comparación del mes de diciembre del 2024.
Modelo SARIMA automático (mejor modelo)
## Series: train_ts
## ARIMA(1,0,1)(0,1,1)[12] with drift
##
## Coefficients:
## ar1 ma1 sma1 drift
## 0.7888 -0.2348 -0.7359 -70.6592
## s.e. 0.0862 0.1431 0.1037 29.5113
##
## sigma^2 = 8678623: log likelihood = -1103.54
## AIC=2217.07 AICc=2217.61 BIC=2230.88## Series: train_ts
## ARIMA(1,0,1)(0,1,1)[12]
##
## Coefficients:
## ar1 ma1 sma1
## 0.8594 -0.2746 -0.6908
## s.e. 0.0685 0.1319 0.0972
##
## sigma^2 = 8996361: log likelihood = -1105.43
## AIC=2218.86 AICc=2219.21 BIC=2229.9
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -460.2031 2819.623 1872.857 -56.37066 63.58204 0.5073084
## ACF1
## Training set -0.006174814Significancia de coeficientes
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.859414 0.068461 12.5533 < 2.2e-16 ***
## ma1 -0.274559 0.131912 -2.0814 0.0374 *
## sma1 -0.690769 0.097223 -7.1050 1.203e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Se puede observar que sma1 y ar1 son altamente significativos (*), y ma1 es significativo () lo que significa que estos coeficientes tienen un impacto importante en el modelo. Como al menos uno de los componentes es significativo (en este caso los 3), entonces continúo con la validación de residuos del modelo.
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,0,1)(0,1,1)[12]
## Q* = 18.835, df = 21, p-value = 0.5958
##
## Model df: 3. Total lags used: 241. Serie de residuos: Muestra cómo se comportan los errores a lo largo del tiempo. Lo ideal es que tenga valores cercanos a cero, y los podemos observar en todos los meses del 2014 al 2015, donde los errores son exactamente 0. En los demás años analizados, se acercan a 0 un poco.
2.Función de Autocorrelación La mayoría de las barras están dentro de las líneas azules (intervalos de confianza). Sin embargo,solo dos rezagos sobresalen levemente del rango. Esto indica que el modelo podría mejorarse pero que es un modelo muy aceptable.
3.Histograma de residuos con ajuste normal Sirve para verificar si los errores siguen una distribución normal, lo cual es un supuesto clave en ARIMA.En este caso, la curva naranja representa la distribución normal teórica. Los residuos se acercan a la normalidad, pero hay algunos valores extremos (colas más gruesas de lo esperado) Esto indica que puede haber eventos atípicos o datos no bien explicados por el modelo (en este caso pandemia), sin embargo, parece ser un modelo aceptable, puesto que la mayoría de errores siguen una distribución normal.
Pronóstico del modelo SARIMA automático
## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.Se puede observar que la línea azul del pronóstico sigue el comportamiento de la línea de la serie observada.
Tabla de pronóstico vs datos observados
## Tiempo Observado Pronosticado
## 1 2024.750 18521 16948.05
## 2 2024.833 21824 18731.03
## 3 2024.917 25331 21993.52Esta tabla nos permite identificar que el modelo seleccionado pronostica de buena manera, pues sigue el compartamiento de los datos históricos.
Pronóstico fuera del periodo de análisis
## Tiempo Pronostico
## 1 2024.750 16948.05
## 2 2024.833 18731.03
## 3 2024.917 21993.52
## 4 2025.000 11743.77Esta tabla nos permite apreciar que para el mes de enero del 2025, se pronostica que el número de vehículos nuevos vendidos será de 11.747, lo cual tiene sentido, pues si nos devolvemos a ver los datos históricos, se conoce que en enero de cada año se presenta un decrecimiento con respecto al mes anterior (diciembre).
Además, desde la perspectiva de la variación anual, el pronóstico también resulta coherente. La diferencia entre enero de 2024 (11.581 unidades) y enero de 2025 (11.747 unidades) representa un crecimiento anual del 1,43%, lo cual está en línea con la tendencia de desaceleración en la caída observada durante los últimos meses. Por ejemplo, la tasa de crecimiento anual pasó de -50,77% en julio de 2023 a -24% en diciembre de 2024, mientras que la tendencia mejoró de -34,2% a -14,14% en ese mismo periodo. Esto sugiere que el mercado está entrando en una etapa de estabilización, donde las caídas son cada vez menos pronunciadas y empiezan a observarse señales de recuperación.
Para concesionarios como Toyota, esta información puede resultar estratégica. En primer lugar, les permite anticipar la demanda y ajustar inventarios para evitar tanto sobreabastecimientos como desabastecimientos. En segundo lugar, al conocer que la recuperación es moderada, pueden focalizar sus esfuerzos de marketing en segmentos específicos y reforzar promociones para mantener el ritmo de ventas. Por último, el análisis de la tendencia les brinda señales tempranas para la toma de decisiones financieras, como la planeación de importaciones, negociación con proveedores o lanzamiento de nuevos modelos en momentos de mayor recuperación.
Por lo tanto, tenemos que:
## [1] "Pronóstico para enero 2025: 2025 = 11743.76551736"CONCLUSIÓN
El análisis realizado sobre el sector automotor colombiano entre 2014 y 2024, con énfasis en las ventas de vehículos nuevos (VEH), el índice de ventas minoristas (MIN) y el índice de confianza del consumidor (ICC), permitió identificar patrones estacionales, tendencias de largo plazo y eventos coyunturales que afectan la dinámica del mercado. A través de la descomposición de series temporales, se evidenció que variables como las ventas de vehículos y las ventas minoristas presentan estacionalidades marcadas, especialmente con repuntes en diciembre y caídas en enero, comportamiento que se repite sistemáticamente a lo largo del período observado.
En cuanto al pronóstico de corto plazo, se exploraron tres modelos para proyectar las ventas de vehículos nuevos en enero de 2025. Tras comparar los resultados, se determinó que el modelo SARIMA automático ARIMA(1,0,1)(0,1,1)[12] fue el que presentó el mejor ajuste, al obtener los menores valores de AIC (2218.86) y BIC (2229.9), lo cual indica un mejor desempeño estadístico frente a los demás modelos evaluados.Sin embargo, tiene un MAPE de 63%, lo que lo hace un mal modelo de pronóstico, pero tomando en cuenta que a comparación del MAPE de los otros 3 modelos, éste es el menor, por lo cual se eligió como modelo apropiado para pronosticar.
Este modelo pronostica que en ese mes se venderán aproximadamente 11.743 unidades. Este valor, aunque representa una disminución frente a diciembre de 2024, es coherente con el patrón estacional recurrente del sector, donde las ventas tienden a disminuir tras el pico de fin de año. Por tanto, tanto desde el punto de vista del ajuste estadístico como del comportamiento histórico del mercado, el pronóstico resulta consistente.
A partir de este pronóstico, se recomienda que el concesionario Toyota, como empresa hipotética analizada, ajuste su estrategia de inventario y logística para evitar sobreabastecimiento durante los primeros meses del año. Específicamente, deberían reducir la cantidad de unidades en stock para enero, priorizar los modelos de mayor rotación y mantener una comunicación activa con proveedores para responder de manera flexible ante cambios inesperados en la demanda. Además, pueden aprovechar el periodo de baja para implementar estrategias promocionales o impulsar la venta de vehículos de modelos anteriores.
En un análisis de largo plazo, se observó que los tres indicadores seleccionados muestran señales de recuperación y entrada en una fase expansiva del ciclo económico. Las gráficas de tendencia de las ventas minoristas, el ICC y las ventas de vehículos nuevos evidencian una trayectoria ascendente hacia finales de 2024, lo cual sugiere que, si las condiciones macroeconómicas se mantienen estables, el sector automotor podría experimentar una fase de crecimiento sostenido en los próximos años.
Por tanto, Toyota y otros actores del sector deberían prepararse para esta expansión potencial fortaleciendo su infraestructura comercial, optimizando su cadena de suministro y anticipando las preferencias de los consumidores, con el fin de capitalizar las oportunidades que traerá el nuevo ciclo económico.
BIBLIOGRAFÍA
Cárdenas. (2021). El devastador paso del COVID en el sector automotor y una luz de esperanza. El Universal. https://www.eluniversal.com.co/especial/mantenimiento-y-reparacion-de-vehiculos/2021/09/13/el-devastador-paso-del-covid-en-el-sector-automotor-y-una-luz-de-esperanza/
El Economista. (2015). Ventas de autos en Colombia crecen 11.8%. https://www.eleconomista.com.mx/empresas/Ventas-de-autos-en-Colombia-crecen-11.8-20150107-0189.html
Forbes Staff. (2021). Ventas de vehículos nuevos en Colombia caen 28,5% en 2020 por la pandemia. Forbes Colombia. https://forbes.co/2021/01/05/negocios/ventas-de-vehiculos-nuevos-en-colombia-caen-285-en-2020-por-la-pandemia
La República. (2021). Estos son algunos de los efectos económicos que ha dejado el covid-19 en Colombia. https://www.larepublica.co/especiales/encuesta-empresarial-2021-i/estos-son-algunos-de-los-efectos-economicos-que-ha-dejado-el-covid-19-en-colombia-3125811
Portafolio. (2020). Ventas del comercio minorista cayeron 27,7 % en mayo. Portafolio. https://www.portafolio.co/economia/ventas-del-comercio-minorista-mayo-de-2020-542746
Portafolio. (2024). Comercio se recupera: ventas minoristas aumentaron 10,4% real en noviembre de 2024. Portafolio. https://www.portafolio.co/negocios/comercio/comercio-se-recupera-ventas-minoristas-aumentaron-10-4-real-en-noviembre-2024-621890
Redacción Carroya.com. (2014). 2014, uno de los mejores años para el sector automotor. Carroya. https://www.carroya.com/noticias/archivo/2014-uno-de-los-mejores-anos-para-el-sector-automotor-1813
Redacción El Comercio. (2021). Ventas de vehículos nuevos en Colombia caen 28,5% en 2020 por pandemia de covid-19. El Comercio. https://www.elcomercio.com/actualidad/mundo/ventas-vehiculos-colombia-cae-pandemia.html
Semana. (2014). Confianza del consumidor será mejor que en 2013. Semana. https://www.semana.com/pais/articulo/desempeno-del-indice-confianza-consumidor-durante-2014-colombia/198807/
Valora Analitik. (2024). Venta de vehículos nuevos a abril crece 8.671 % en Colombia. https://www.valoraanalitik.com/venta-de-vehiculos-nuevos-a-abril-crece-8-671-en-colombia/