Caso 2: Informe para Ingenio Dulzava S.A.
Michelle Andrea Vanega y Camila Bolivar Sierra
2025-11-22
Introducción
El presente análisis se desarrolla en el sector azucarero del Valle del Cauca, uno de los complejos agroindustriales más relevantes de Colombia. Este sector integra actividades agrícolas (cultivo y cosecha de caña), industriales (molienda, transformación y refinación) y comerciales (venta nacional y exportaciones), y se caracteriza por su alta especialización, una cadena productiva tecnificada y un papel estratégico tanto en el abastecimiento interno como en la generación de divisas para la región.
Con el fin de contextualizar el análisis y orientar los resultados hacia la toma de decisiones, se plantea una empresa ficticia denominada Ingenio Dulzava S.A., un productor integrado de azúcar refinada y derivados de caña. Dulzava opera con cultivos propios y acuerdos de suministro con productores independientes, procesa caña durante todo el año y destina una parte significativa de su producción al mercado internacional. Su posición en el sector depende de su capacidad para adaptar la producción a las condiciones del mercado, gestionar eficientemente la materia prima y anticipar variaciones en la demanda externa.
Para estudiar la dinámica productiva del ingenio y del sector, se seleccionan tres variables clave, que capturan diferentes etapas e indicadores críticos de desempeño:
Variables
Exportaciones de azúcares y confitería (X_AZU) Esta variable representa la demanda internacional del producto final y constituye una fuente fundamental de ingreso externo para empresas como Dulzava. Su análisis permite evaluar la competitividad del sector en mercados globales, los efectos de precios internacionales y el posicionamiento exportador del ingenio.
Molienda de caña (CAN) Corresponde al volumen de caña procesada en los ingenios y refleja la capacidad productiva instalada, la eficiencia en el abastecimiento de materia prima y el nivel de utilización de los cultivos. Un aumento o disminución en la molienda suele anticipar cambios posteriores en la producción de azúcar, lo cual la convierte en un indicador operativo esencial.
Producción de azúcar (AZUCAR) Representa el output industrial final del sector. Su comportamiento muestra la oferta disponible para el mercado interno y externo, y permite analizar la eficiencia del proceso industrial, la relación caña–azúcar y el impacto de factores climáticos o tecnológicos sobre el rendimiento productivo.
Estas tres variables están estrechamente relacionadas entre sí: La molienda determina la disponibilidad de jugo base para fabricar azúcar. La producción de azúcar depende de la eficiencia industrial aplicada a esa molienda. Las exportaciones reflejan la fracción de esa producción que logra insertarse en mercados internacionales.
PASO INDISPENSABLE: Declarar la (s) variable (s) como serie (s) temporal (es):
Variable 1
Variable 2
Variable 3
Variable 4
Matriz de correlación de variables
La matriz de correlación evidencia una relación lineal muy fuerte entre la molienda de caña (CAN) y la producción de azúcar (AZUCAR), con un coeficiente de 0.97, lo que confirma que el comportamiento productivo del sector depende directamente del volumen de caña procesada. Por otro lado, las correlaciones entre las exportaciones de azúcares (X_AZU) y las variables productivas son bajas (0.09 con CAN y 0.21 con AZUCAR), lo que sugiere que las exportaciones no responden exclusivamente a la dinámica productiva, sino a factores comerciales externos como la demanda internacional, los precios globales y el tipo de cambio. En conjunto, estos resultados validan la elección de las tres variables, ya que capturan dimensiones complementarias: dos representando la capacidad productiva del ingenio y una reflejando su desempeño comercial en el mercado internacional.
Metodología
El análisis se desarrolla sobre tres series temporales mensuales del sector azucarero (exportaciones de azúcares y confitería, molienda de caña y producción de azúcar) para el periodo 2012–2024. El objetivo metodológico es extraer las señales principales de cada serie (tendencia, estacionalidad y choques), medir su dinámica de crecimiento y, finalmente, ajustar modelos de pronóstico que permitan proyectar el comportamiento futuro de las variables relevantes para el Ingenio Dulzava S.A. Para ello se emplean tres herramientas principales: la descomposición STL, el cálculo de tasas de crecimiento anual y la estimación de modelos ARIMA/SARIMA.
1 Descomposición STL
En primer lugar, se aplica la descomposición STL (Seasonal and Trend decomposition using Loess) a cada una de las series. Esta técnica separa la serie original en tres componentes: tendencia (evolución de largo plazo), estacionalidad (patrones que se repiten sistemáticamente cada año) y residuo (choques y variaciones no explicadas por los dos componentes anteriores). La STL es especialmente adecuada para series mensuales con estacionalidad no estrictamente constante, ya que permite que la intensidad de la estacionalidad cambie suavemente en el tiempo y es robusta frente a valores atípicos. Se elige esta metodología frente a esquemas más rígidos (como descomposiciones clásicas aditivas o multiplicativas) porque ofrece mayor flexibilidad para capturar la dinámica productiva y comercial del sector azucarero.
2 Tasas de crecimiento anual
Con el fin de analizar la dinámica de crecimiento sin que la estacionalidad distorsione la comparación entre meses, se calcula la tasa de crecimiento anual de la serie original y de la tendencia de cada variable. La tasa de crecimiento se define como la variación porcentual del nivel observado en un mes respecto al mismo mes del año anterior, Este enfoque permite interpretar los cambios en términos de crecimiento interanual, eliminando en gran medida el efecto de los patrones estacionales. Además, el cálculo simultáneo de la tasa de crecimiento de la serie original y de la tendencia permite diferenciar entre movimientos de corto plazo (ruido, choques transitorios) y cambios en la trayectoria estructural de cada variable.
3 Modelos ARIMA y evaluación de SARIMA
Para el pronóstico se emplean modelos ARIMA, que combinan tres componentes: autoregresivo (AR), integrado (I) y media móvil (MA), resumidos en la notación ARIMA(p,d,q). Estos modelos capturan la dependencia temporal de la serie, permiten eliminar tendencias mediante diferenciación y modelan la estructura de correlación de los errores a través de términos de media móvil. Cuando las series presentan patrones estacionales fuertes, también es posible incorporar factores estacionales mediante un modelo SARIMA.
En este análisis se estimaron dos tipos de modelos utilizando la función auto.arima:
Un ARIMA “no estacional”, y Un SARIMA, que incluye componentes estacionales adicionales.
Ambos modelos fueron ajustados sobre el conjunto de entrenamiento y posteriormente evaluados con un conjunto de prueba reservado para validar los pronósticos. La comparación del desempeño se basó en criterios como el error de predicción, la estabilidad de los residuos y el ajuste visual respecto a los datos observados.
Si bien la serie analizada presenta estacionalidad marcada, los resultados mostraron que el modelo ARIMA no estacional ofreció un mejor ajuste general y menores errores de pronóstico en comparación con el SARIMA. Por esta razón, el análisis de predicción final y la proyección hacia enero de 2025 se realizaron utilizando el modelo ARIMA elegido como el más adecuado para describir la dinámica de la variable seleccionada.
Extracción de señales
Gráfico inicial de las variables en niveles -Originales
Las series originales permiten observar que las variables productivas del sector (molienda y producción) presentan comportamientos altamente estacionales y relativamente estables en el largo plazo, mientras que las exportaciones reflejan un patrón mucho más volátil y sensible a factores externos. La molienda y la producción exhiben ciclos repetitivos claros, derivados de la dinámica agrícola y operativa de los ingenios, mientras que la exportación no muestra una tendencia definida y su comportamiento responde a condiciones del mercado internacional. Estos patrones justifican el uso posterior de la descomposición STL para separar tendencia, estacionalidad y ruido antes de proceder a modelar pronósticos.
Extracción señales variable 1
La descomposición STL de la Variable 1 muestra que las exportaciones de azúcar presentan una tendencia claramente cíclica, con un periodo inicial de crecimiento (2012–2014), una fase prolongada de caída (2015–2020) y una recuperación sostenida desde 2021. La estacionalidad es fuerte y recurrente, con picos y valles claramente definidos que reflejan ciclos propios del comercio exterior del azúcar. El componente residual evidencia alta volatilidad y la presencia de choques puntuales que no siguen un patrón regular, sugiriendo la influencia de factores externos como precios internacionales, condiciones logísticas, demanda global o eventos extraordinarios. En conjunto, estos resultados muestran que las exportaciones dependen tanto de la estacionalidad del sector como de shocks externos que afectan significativamente el comportamiento mensual de la serie.
Extracción señales variable 2
La descomposición STL de la Variable 2 revela que la molienda de caña de azúcar es una serie con fuerte estacionalidad y una tendencia cíclica sin cambios estructurales prolongados. La tendencia muestra oscilaciones amplias, pero dentro de un rango relativamente estable, reflejando la estabilidad tecnológica y productiva de los ingenios. La estacionalidad es claramente marcada y altamente repetitiva, consistente con los ciclos agrícolas del cultivo de caña. El componente residual es en gran medida estable, aunque registra choques puntuales importantes que pueden estar asociados a fenómenos climáticos, problemas operativos o impactos derivados de la pandemia. En conjunto, los resultados muestran que la molienda es un proceso predecible y altamente influenciado por la estacionalidad, con perturbaciones ocasionales que alteran temporalmente su comportamiento.
Extracción señales variable 3
La descomposición STL de la Variable 3 evidencia que la producción de azúcar es una serie altamente estacional y cíclica, donde la tendencia presenta alternancia entre periodos de crecimiento y disminución sin cambios estructurales de largo plazo. La estacionalidad es marcada y extremadamente estable, consistente con los ciclos de zafra y las condiciones propias del cultivo de caña, lo que indica que la producción depende fuertemente de la disponibilidad y calidad de la materia prima. El residuo presenta variaciones principalmente moderadas, aunque registra choques significativos en momentos puntuales, lo que sugiere la presencia de eventos extraordinarios que afectan directamente la producción industrial. En conjunto, la serie muestra un comportamiento predecible dominado por la estacionalidad, con perturbaciones específicas que alteran temporalmente la actividad productiva del sector.
Síntesis de señales para el sector azucarero
El análisis conjunto de las tres variables —molienda de caña, producción de azúcar y exportaciones— muestra que la dinámica productiva del sector azucarero es relativamente estable en el largo plazo, mientras que el comportamiento comercial es mucho más volátil. Tanto la molienda como la producción presentan tendencias suaves, con ciclos de crecimiento, estancamiento y recuperación, lo que refleja la estabilidad operativa del proceso agrícola e industrial. En contraste, las exportaciones muestran mayores fluctuaciones y cambios más marcados en su tendencia, debido a que dependen de factores externos como los precios internacionales, la demanda global y las condiciones del mercado externo.
Las tres series presentan una estacionalidad clara, lo cual confirma que el sector opera bajo ciclos definidos de producción y comercialización. Este patrón estacional destaca la importancia de planear adecuadamente la zafra, el uso de la capacidad instalada, los inventarios y la programación operativa del ingenio. Además, se identifica un choque común alrededor de 2020, visible en las tres variables, lo que sugiere la presencia de un evento extraordinario que afectó simultáneamente la disponibilidad de caña, la producción y las exportaciones. Este tipo de perturbaciones refuerza la necesidad de contar con modelos de pronóstico que permitan anticipar cambios y apoyar la toma de decisiones estratégicas en contextos de incertidumbre.
Después de la descomposición temporal de cada variable, se extrae la variable ajustada por estacionalidad para graficarla junto con la serie original:
Se crea la variable1 ajustada por estacionalidad
Se crea la variable2 ajustada por estacionalidad
Se crea la variable3 ajustada por estacionalidad
Ahora si se puede graficar las series originales versus la ajustada por estacionalidad
Gráfico serie original VS ajustada Variable 1
La comparación entre la serie original y la serie ajustada por estacionalidad muestra que las exportaciones de azúcar presentan una marcada estacionalidad mensual que genera oscilaciones recurrentes. Una vez eliminados estos efectos, la serie ajustada revela un comportamiento de fondo mucho más claro, evidenciando un ciclo compuesto por una fase de caída sostenida entre 2015 y 2019, seguida de una recuperación estable a partir de 2021. La suavidad de la serie ajustada permite identificar que los movimientos más abruptos de la serie original corresponden a choques externos y no a variaciones internas del ciclo exportador. En conjunto, la serie ajustada confirma la presencia de una tendencia estructural independiente de la estacionalidad, facilitando un análisis más preciso del desempeño exportador del sector.
Gráfico serie original VS ajustada Variable 2
La comparación entre la serie original de molienda de caña y su versión ajustada por estacionalidad muestra que la estacionalidad es un componente dominante de la variación mensual. La serie ajustada revela una dinámica productiva mucho más estable, evidenciando un crecimiento inicial hasta 2014, una fase de estabilidad entre 2015 y 2019, una caída excepcional en 2020 y una recuperación gradual posterior. La eliminación de la estacionalidad permite observar que la mayor parte de la volatilidad de la serie original corresponde a cambios propios del ciclo agrícola, mientras que la evolución estructural del sector se mantiene relativamente constante y únicamente es afectada por choques específicos. Este análisis confirma que el ajuste estacional es fundamental para interpretar correctamente la evolución real de la molienda en el sector azucarero.
Gráfico serie original VS ajustada Variable 3
La comparación entre la serie original y la serie ajustada por estacionalidad muestra que la producción de azúcar presenta una estacionalidad muy marcada que genera fuertes oscilaciones mensuales. Al eliminar este efecto, la serie ajustada exhibe una dinámica subyacente mucho más clara, evidenciando un ciclo productivo compuesto por un periodo de crecimiento hasta 2014–2015, una fase de descenso entre 2016 y 2019, un choque extraordinario en 2020 y una recuperación sostenida desde 2021. La serie ajustada confirma que la mayor parte de la volatilidad aparente es estacional y que el comportamiento estructural del sector es más estable, con variaciones asociadas principalmente a factores productivos, climáticos u operativos excepcionales.
Ahora graficamos serie original vs tendencia
Tendencia Variable 1
La comparación entre la serie original de exportaciones y su componente de tendencia muestra que el comportamiento de largo plazo está marcado por tres fases: un periodo inicial de relativa estabilidad hasta 2014, una fase de deterioro sostenido entre 2015 y 2019 y un proceso de recuperación progresiva a partir de 2021. La tendencia suavizada permite diferenciar los movimientos estructurales del ruido estacional y de la alta volatilidad mensual que caracteriza al comercio exterior del azúcar. En conjunto, este gráfico confirma que la dinámica exportadora del sector presenta ciclos definidos y que la variabilidad observada en la serie original responde principalmente a fluctuaciones estacionales y choques externos propios del mercado internacional.
Tendencia Variable 2
La comparación entre la serie original de molienda de caña y su componente de tendencia muestra que, pese a la fuerte estacionalidad y a la elevada volatilidad mensual, la evolución estructural del proceso productivo es relativamente estable. La tendencia revela un comportamiento cíclico con una caída inicial seguida de una recuperación hasta 2014, un periodo de alta estabilidad entre 2015 y 2018, una disminución moderada hacia 2020, un choque excepcional en ese mismo año y una recuperación sostenida a partir de 2021. Estos patrones indican que la molienda está fuertemente influida por ciclos agrícolas y condiciones climáticas, pero mantiene una capacidad productiva resiliente y consistente en el largo plazo. El análisis de tendencia permite separar las fluctuaciones estacionales del comportamiento estructural, facilitando una interpretación más precisa del desempeño del sector.
Tendencia Variable 3
La comparación entre la serie original de producción de azúcar y su componente de tendencia evidencia que, pese a la elevada estacionalidad y variabilidad mensual inherente al proceso agrícola e industrial, la evolución estructural de la producción se ha mantenido relativamente estable en el largo plazo. La tendencia muestra un ciclo moderado con un descenso inicial entre 2012 y 2013, una recuperación hacia niveles cercanos a 200.000 toneladas entre 2014 y 2018, una disminución gradual previa a 2020, un choque excepcional durante ese año y una recuperación sostenida desde 2021 hasta 2025. Estas dinámicas reflejan una actividad productiva resiliente, donde los cambios abruptos observados en la serie original responden principalmente a factores estacionales y no a variaciones estructurales. La tendencia permite identificar la capacidad productiva real y constituye una base sólida para análisis predictivos y toma de decisiones sectoriales.
Ahora calculamos la tasa de crecimiento de la serie original vs tendencia:
Tasa de crecimiento de la serie de tendencia y original para la variable 1
## [1] 144## [1] 144## [1] 144Gráfico variable original y tendencia variable 1: tasa de crecimiento anual
El análisis de la tasa de crecimiento anual de las exportaciones de azúcares y confitería muestra que la serie original presenta una volatilidad muy elevada, con episodios de fuertes expansiones y contracciones que reflejan la influencia de factores de corto plazo como la estacionalidad, la variación de los precios internacionales, el tipo de cambio y choques comerciales puntuales. Sin embargo, al observar la tasa de crecimiento del componente de tendencia, se revela un patrón mucho más ordenado y estructural: una fase inicial de crecimiento entre 2013 y 2014, seguida de una etapa de contracción en 2015–2016, un periodo de estancamiento alrededor de 2017–2019 y una recuperación posterior a partir de 2021 que se modera hacia el final del periodo de estudio. En conjunto, esto indica que, aunque las exportaciones reaccionan fuertemente a shocks de corto plazo, el desempeño de largo plazo del sector exportador azucarero ha sido esencialmente cíclico y su recuperación reciente responde más a cambios estructurales que a fluctuaciones transitorias.
Ahora calculamos la tasa de crecimiento de la serie original vs tendencia:
Tasa de crecimiento de la serie de tendencia y original para la variable 2
## [1] 144## [1] 144## [1] 144El análisis de la tasa de crecimiento anual de la molienda de caña muestra que la serie original presenta variaciones importantes, con episodios de incrementos positivos y caídas negativas asociados a factores coyunturales como condiciones climáticas, disponibilidad de caña o restricciones operativas. Destaca un pico extremo de crecimiento alrededor de 2020, que responde principalmente a un efecto de rebote estadístico tras un año de fuerte contracción y no a una expansión estructural de la capacidad productiva. En contraste, la tasa de crecimiento calculada sobre la tendencia revela un comportamiento mucho más estable: una fase inicial de expansión moderada, seguida de un periodo de estanciamiento con crecimientos cercanos a cero y, finalmente, una recuperación gradual en los años más recientes. Esto sugiere que, más allá de los choques de corto plazo, la capacidad de molienda del sector azucarero se ha mantenido relativamente estable, con ajustes suaves en lugar de cambios bruscos en su trayectoria de largo plazo.
Ahora calculamos la tasa de crecimiento de la serie original vs tendencia: variable 3
## [1] 144## [1] 144## [1] 144La tasa de crecimiento anual de la producción de azúcar presenta fluctuaciones significativas en la serie original, con valores tanto positivos como negativos que reflejan la sensibilidad de la actividad productiva a factores coyunturales como la disponibilidad de caña, condiciones climáticas y ajustes operativos de corto plazo. Destaca un pico extraordinario cercano al 900%, originado por un fuerte rebote estadístico tras una caída abrupta del año previo, lo cual evidencia un choque transitorio y no una expansión estructural del sector. Por el contrario, la tasa de crecimiento calculada sobre la tendencia muestra un comportamiento mucho más estable, caracterizado por un periodo inicial de crecimiento moderado, seguido de una fase de estancamiento y una recuperación gradual en los años más recientes. Esto indica que, más allá de la volatilidad propia de la serie original, la capacidad productiva del sector azucarero ha mantenido una trayectoria de largo plazo relativamente estable, sin cambios bruscos en su desempeño estructural.
Analizar la tasa de crecimiento anual ayuda a detectar cambios en el entorno económico que afectan el sector. Se pueden prever crisis o períodos de auge y prepararse para ellos.
Con el fin de fortalecer su planificación operativa y anticiparse a cambios en el mercado, el Ingenio Dulzava S.A.—empresa ficticia dedicada a la producción de azúcar refinada y derivados de caña— requiere desarrollar pronósticos basado en el comportamiento histórico del sector. Debido a su modelo de abastecimiento mixto, que combina cultivos propios y acuerdos con productores independientes, y a su participación activa en mercados internacionales, la empresa depende de su capacidad para responder oportunamente a variaciones en la demanda externa, en la disponibilidad de materia prima y en las condiciones productivas.
El análisis de las tres variables seleccionadas—exportaciones de azúcares, molienda de caña y producción de azúcar—evidenció patrones claros de estacionalidad, episodios de alta volatilidad y tendencias estructurales diferenciadas que influyen directamente en el desempeño del ingenio. Las exportaciones mostraron alta sensibilidad a choques externos; la molienda reveló ciclos de expansión, estancamiento y recuperación; y la producción presentó fluctuaciones significativas pero una tendencia de largo plazo relativamente estable. Estas dinámicas justifican la necesidad de implementar modelos de pronóstico que permitan a Dulzava anticipar variaciones futuras y optimizar decisiones relacionadas con operatividad, gestión de inventarios, aprovechamiento de la capacidad instalada y estrategias comerciales.
Modelo ARIMA
División en conjunto de entrenamiento y prueba para la variable 1 que es la elegida para pronosticar
El código siguiente divide una serie temporal (variable1_ts) en dos subconjuntos:
Conjunto de entrenamiento (train): Datos desde enero de 2012 hasta septiembre de 2024. Conjunto de prueba (test): Datos desde octubre de 2024 hasta diciembre de 2024.
Esto se hace para evaluar el desempeño de modelos de predicción en datos no vistos.
Modelo ARIMA automático normal (sin tener en cuenta el factor estacional)
Identificación automática del modelo ARIMA
## Series: train_ts
## ARIMA(0,1,2)
##
## Coefficients:
## ma1 ma2
## -0.3804 -0.4244
## s.e. 0.0756 0.0775
##
## sigma^2 = 129924867: log likelihood = -1635.02
## AIC=3276.05 AICc=3276.21 BIC=3285.12
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -136.0649 11286.16 9024.542 -5.196543 19.43014 0.6984238
## ACF1
## Training set 0.03223008Estimación del modelo identificado automatico y validación de Significancia de coeficientes
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ma1 -0.380373 0.075612 -5.0306 4.889e-07 ***
## ma2 -0.424369 0.077492 -5.4763 4.343e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## Series: train_ts
## ARIMA(4,1,2)
##
## Coefficients:
## ar1 ar2 ar3 ar4 ma1 ma2
## -0.3921 0.3515 -0.0890 -0.0801 0.0753 -0.8556
## s.e. 0.1002 0.1105 0.1012 0.0909 0.0644 0.0633
##
## sigma^2 = 126348800: log likelihood = -1631.15
## AIC=3276.3 AICc=3277.08 BIC=3297.47
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -124.9188 10980.35 8755.266 -4.858974 18.74159 0.6775841
## ACF1
## Training set -0.001626836Validación de residuales o errores del modelo
##
## Ljung-Box test
##
## data: Residuals from ARIMA(4,1,2)
## Q* = 33.306, df = 18, p-value = 0.01532
##
## Model df: 6. Total lags used: 24Pronóstico modelo ARIMA automático dentro de muestra o en el set de prueba
Interpretación modelo automatico (4,1,2): En el gráfico se observa que el modelo ARIMA(4,1,2) reproduce adecuadamente la dinámica del set de prueba, capturando los principales puntos de quiebre y nivelando los valores más recientes. La línea pronosticada sigue de cerca la trayectoria real durante el periodo 2023–2024, lo cual indica que el modelo logra representar de forma razonable la estructura temporal de la serie. La extensión del pronóstico hacia enero de 2025 muestra una proyección suavizada que continúa la tendencia reciente, sin cambios abruptos y dentro de un intervalo de confianza relativamente estrecho. Esto sugiere que la incertidumbre del pronóstico es manejable y que el modelo es adecuado para generar previsiones de corto plazo.
Pronóstico automático dentro del set de prueba como tabla
## Tiempo Observado Pronosticado
## 1 2024.750 83910.01 68727.05
## 2 2024.833 61962.82 60198.28
## 3 2024.917 60231.85 60198.28Pronóstico fuera del periodo de análisis: proyección para enero de 2025
Una vez evaluado el desempeño del modelo en el conjunto de prueba, se genera un pronóstico adicional fuera del periodo de análisis con el fin de obtener la proyección para enero de 2025. Para ello, se extiende el horizonte de pronóstico en una observación adicional respecto al tamaño del set de prueba, lo que equivale a estimar cuatro periodos futuros. Esta proyección final permite obtener el valor esperado para el mes inmediatamente posterior al rango analizado y constituye la base del pronóstico utilizado para la toma de decisiones del Ingenio Dulzava S.A.
## Tiempo Pronostico
## 1 2024.750 68727.05
## 2 2024.833 60198.28
## 3 2024.917 60198.28
## 4 2025.000 60198.28## [1] "Pronóstico para enero 2025: 2025 = 60198.2791614559"Modelo SARIMA automático
Este modelo podria ser una solución o mejora al modelo arima tradicional ya que recoge el efecto estacional de las variables, es recomendable por tanto para datos que si tienen un componente estacional fuerte.
El modelo ajustado en este ejemplo es un SARIMA(0,1,1)(1,0,0)[12], lo que significa:
(0,1,1): Parte ARIMA no estacional: 0 términos autorregresivos (AR). 1 diferenciación (d), lo que indica que la serie fue diferenciada una vez para hacerla estacionaria. 1 término de media móvil (MA).
(1,0,0)[12]: Parte estacional con periodicidad 12 (mensual si los datos son mensuales): 1 término autorregresivo estacional (SAR). 0 diferenciaciones estacionales. 0 términos de media móvil estacionales (SMA).
El modelo SARIMA(0,1,1)(1,0,0)[12] sugiere que:
- La serie tiene una tendencia no estacionaria, corregida con una diferenciación.
- Existe una influencia significativa del error pasado (MA(1)).
- Hay un componente estacional autorregresivo fuerte cada 12 períodos.
- El ajuste es adecuado según los criterios AIC y BIC, pero se podría comparar con otros modelos para mejorar la predicción.
Identificación dautomática del modelo SARIMA
## Series: train_ts
## ARIMA(0,1,2)(2,0,0)[12]
##
## Coefficients:
## ma1 ma2 sar1 sar2
## -0.4518 -0.3069 0.1216 0.2434
## s.e. 0.0807 0.0942 0.0831 0.0938
##
## sigma^2 = 122657994: log likelihood = -1630.4
## AIC=3270.79 AICc=3271.2 BIC=3285.91A continuación, se crea el objeto darima para luegO poder graficar los valores reales y observados:
## Series: train_ts
## ARIMA(0,1,2)(2,0,0)[12]
##
## Coefficients:
## ma1 ma2 sar1 sar2
## -0.4518 -0.3069 0.1216 0.2434
## s.e. 0.0807 0.0942 0.0831 0.0938
##
## sigma^2 = 122657994: log likelihood = -1630.4
## AIC=3270.79 AICc=3271.2 BIC=3285.91
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -3.878847 10892.64 8840.096 -4.397468 18.7595 0.6841492 0.01726123Validación de residuales del modelo automatico SARIMA
En el correlograma de residuos siguiente se observa que, mejora la correlación de los residuos frente a lso dos modelos anteriores. Sin embargo, al comparar los valores reales VS pronosticados se determina una poca coincidencia. Sigue funcionando mejor el modelo automatico (4,1,2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(0,1,2)(2,0,0)[12]
## Q* = 26.587, df = 20, p-value = 0.1473
##
## Model df: 4. Total lags used: 24Pronóstico con el modelo SARIMA dentro del set de prueba-Gráfico líneas
Pronóstico del modelo automático SARIMA en el set de prueba-Tabla
## Tiempo Observado Pronosticado
## 1 2024.750 83910.01 70122.57
## 2 2024.833 61962.82 63717.80
## 3 2024.917 60231.85 65104.60Pronóstico del modelo automático SARIMA fuera de muestra, es decir, en enero 2025
Es decir, le sumamos al periodo de prueba una observación más. Es decir, se estan pronosticando 4 observaciones o meses.
## Tiempo Pronostico
## 1 2024.750 70122.57
## 2 2024.833 63717.80
## 3 2024.917 65104.60
## 4 2025.000 59785.89## [1] "Pronóstico para enero 2025: 2025 = 59785.8906505871"Selección del modelo
Aunque se estimaron tanto un modelo ARIMA no estacional como un modelo SARIMA con componente estacional, la comparación de desempeño mostró que el ARIMA(4,1,2) ofreció un mejor ajuste en el set de prueba, menor error de pronóstico y un comportamiento más estable de los residuos. El SARIMA, si bien es adecuado para series con estacionalidad marcada, generó pronósticos menos precisos y residuales con mayor autocorrelación. Por esta razón, se seleccionó el ARIMA(4,1,2) como el modelo final, al ser el que mejor representa la dinámica de la serie y produce las proyecciones más confiables para enero de 2025.
Recomendaciones estratégicas
A partir de la evidencia empírica obtenida sobre las exportaciones de azúcares y confitería, la molienda de caña y la producción de azúcar, así como de los resultados del modelo ARIMA seleccionado para el pronóstico de corto plazo, es posible formular un conjunto de recomendaciones estratégicas para el Ingenio Dulzava S.A. y, en general, para los actores del sector azucarero del Valle del Cauca. En términos generales, los resultados muestran un proceso productivo relativamente estable y altamente estacional, frente a un componente exportador más volátil y sensible a choques externos. Esto sugiere que la gestión estratégica debe combinar una planificación interna sólida con un seguimiento permanente del entorno internacional.
- Recomendaciones para el Ingenio Dulzava S.A.
Planificación productiva e inventarios basada en estacionalidad y pronósticos Dado que la molienda y la producción presentan una estacionalidad marcada y una tendencia relativamente estable, se recomienda que Dulzava utilice los resultados de la descomposición STL y del modelo ARIMA para ajustar su calendario de siembra, cosecha y procesamiento. En particular, es conveniente anticipar los picos de producción para definir niveles óptimos de inventarios, capacidades de almacenamiento y necesidades de mano de obra, de modo que la empresa pueda responder con flexibilidad a posibles incrementos de demanda, tanto en el mercado interno como en el externo.
Gestión comercial de exportaciones apoyada en los pronósticos Las exportaciones muestran una dinámica más volátil y menos correlacionada con la producción, lo que indica una fuerte dependencia de precios internacionales, demanda externa y condiciones logísticas. Por ello, se recomienda que Dulzava utilice los pronósticos derivados del modelo ARIMA como insumo en la negociación de contratos de exportación (por ejemplo, acuerdos de mediano plazo o ventas forward), en la definición de ventanas de exportación y en la evaluación de coberturas de precio. La relativa estabilidad proyectada para el corto plazo puede aprovecharse para asegurar volúmenes y precios que reduzcan la exposición a choques negativos del mercado.
Estrategias de gestión de riesgo ante choques externos La presencia de choques significativos —especialmente en 2020— evidencia que el sector puede enfrentar caídas abruptas en producción y exportaciones por factores exógenos (pandemias, problemas logísticos, clima extremo, etc.). En este contexto, Dulzava debería diseñar planes de contingencia que incluyan: diversificación de destinos de exportación, mayor articulación con el mercado interno (por ejemplo, vía contratos con la industria de alimentos y bebidas), desarrollo de productos derivados (como etanol o energía eléctrica a partir de biomasa) y revisión periódica de los escenarios de riesgo utilizando las tasas de crecimiento y las tendencias estimadas.
Fortalecimiento de la relación con proveedores de caña y gestión de la capacidad instalada La alta correlación entre molienda y producción confirma que la disponibilidad de caña es el pilar de la capacidad productiva del ingenio. En consecuencia, se recomienda consolidar acuerdos de suministro más estables con productores independientes, incorporando incentivos a la productividad y mecanismos para compartir riesgos climáticos o de mercado. A partir de las tendencias observadas, Dulzava también puede definir políticas de mantenimiento preventivo de planta y uso de la capacidad instalada que eviten cuellos de botella en los periodos de mayor actividad estacional.
Institucionalizar el uso de modelos de pronóstico en la toma de decisiones Dado que el modelo ARIMA(4,1,2) demostró un buen desempeño en el set de prueba y genera pronósticos consistentes para el corto plazo, se recomienda que el ingenio incorpore de manera sistemática este tipo de herramientas en su planificación financiera, comercial y operativa. Esto implica actualizar periódicamente los modelos con nueva información, evaluar su precisión a lo largo del tiempo y, eventualmente, ampliar el sistema de pronóstico incorporando variables adicionales (como precios internacionales, indicadores climáticos o costos logísticos) para mejorar la capacidad de anticipación.
- Recomendaciones para otros actores del sector
Coordinación sectorial y sistemas de información compartidos Dado que las series analizadas evidencian choques comunes y patrones estacionales similares, sería conveniente que gremios y asociaciones del sector fomenten sistemas de información compartidos sobre producción, molienda, exportaciones y condiciones del mercado internacional. Esto permitiría que diferentes ingenios, incluidos actores como Dulzava, puedan alinear mejor sus decisiones de producción, inversión y comercialización, reduciendo la vulnerabilidad frente a shocks inesperados.
Políticas de estabilización y soporte ante choques extremos Considerando la magnitud de los impactos observados en 2020, se sugiere que entidades públicas y gremiales evalúen instrumentos de estabilización de ingresos (por ejemplo, fondos de estabilización, líneas de crédito contracíclicas o seguros de ingresos) orientados a mitigar los efectos de crisis excepcionales en el sector. Este tipo de mecanismos ayudaría a suavizar la volatilidad en ingresos exportadores y a sostener la continuidad de la actividad productiva en momentos adversos.
Impulso a la diversificación y valor agregado Los resultados muestran que la producción y la molienda son relativamente estables, mientras que la dimensión exportadora es más incierta. Ante esto, los actores sectoriales podrían promover estrategias de diversificación hacia productos de mayor valor agregado (azúcares especiales, derivados para la industria alimentaria, bioenergía, bioplásticos, etc.), reduciendo la dependencia de un solo mercado o producto. Esto permitiría amortiguar mejor los ciclos negativos del mercado internacional del azúcar crudo o estándar.
En síntesis, los hallazgos del análisis de series de tiempo y de los modelos de pronóstico sugieren que el sector azucarero del Valle del Cauca —y el Ingenio Dulzava S.A. en particular— cuenta con una base productiva relativamente estable, pero enfrenta una exposición significativa a la volatilidad externa. Aprovechar la estacionalidad predecible, institucionalizar el uso de modelos de pronóstico y diseñar estrategias de mitigación de riesgo son pasos clave para fortalecer la resiliencia y la competitividad del sector en el mediano plazo.
Conclusión
El trabajo desarrollado permitió comprender de manera integral la dinámica productiva y comercial del sector azucarero del Valle del Cauca a partir del análisis de tres variables clave: exportaciones de azúcares y confitería, molienda de caña y producción de azúcar. La combinación de herramientas de análisis de series temporales —descomposición STL, tasas de crecimiento anual y modelos ARIMA/SARIMA— evidenció que el sector presenta una estructura altamente estacional y relativamente estable en sus procesos internos, mientras que el componente exportador se caracteriza por mayor volatilidad y sensibilidad a factores exógenos. Esta diferencia entre dinámica productiva y comercial resultó fundamental para comprender cómo interactúan los ciclos agrícolas y las condiciones del mercado internacional en la evolución del sector.
La descomposición STL permitió separar de manera clara los componentes de tendencia, estacionalidad y ruido, mostrando que la molienda y la producción comparten un patrón cíclico estable y predecible, dominado por variaciones estacionales asociadas a los ciclos agrícolas. En contraste, las exportaciones presentaron fluctuaciones más marcadas, una tendencia cíclica con periodos prolongados de caída y recuperación, y un componente residual con alta volatilidad explicada por choques del mercado externo. El análisis de tasas de crecimiento reforzó estos hallazgos, mostrando que las series productivas exhiben crecimientos interanuales más suaves, mientras que las exportaciones presentan variaciones abruptas asociadas a cambios de precios internacionales, demanda externa y condiciones logísticas.
El ejercicio de pronóstico permitió evaluar cuantitativamente la capacidad predictiva de los modelos temporales. Aunque se estimaron modelos ARIMA y SARIMA, la evaluación en el conjunto de prueba mostró que el ARIMA(4,1,2) proporcionó un mejor ajuste, residuos más estables y un menor error de predicción que el modelo estacional. Esto sugiere que, en esta serie particular, la dinámica estacional ya está suficientemente capturada por la diferenciación y la estructura AR–MA del modelo. El pronóstico resultante para enero de 2025 ofrece una proyección de corto plazo coherente con la tendencia reciente, útil para planificar operaciones y decisiones estratégicas del Ingenio Dulzava S.A.
En conjunto, el trabajo demuestra la relevancia de utilizar herramientas de análisis de series temporales para apoyar la planificación en sectores agroindustriales con alta estacionalidad. La capacidad de separar señales estructurales, identificar choques extraordinarios, medir tasas de crecimiento reales y generar pronósticos confiables constituye un insumo valioso para la gestión operativa, comercial y financiera del ingenio. Asimismo, los resultados resaltan la importancia de monitorear tanto las condiciones internas del proceso productivo como los factores externos que configuran el entorno exportador, de manera que la empresa pueda anticipar riesgos, aprovechar oportunidades y fortalecer su resiliencia frente a la incertidumbre del mercado.