Alimentos del Valle Sa - Extracción de señales y Modelo ARIMA - Indice de produccion de empaques en el Valle del cauca
Esperanza Arboleda-Mari Fernada Ruano
2025-11-22
Introduccion
En Colombia, el sector lácteo representa el 9,3% de la industria alimentaria y genera más de 20.500 empleos; sin embargo, enfrenta desafíos, como la disminución en el consumo y elevados costos de producción. Entre 2021 y 2023, el consumo per cápita de leche disminuyó un 9,3%, pasando de 162 a 147 litros por persona al año, mientras que los costos de producción aumentaron un 58,1% entre 2020 y 2023. Además, el país incrementó las importaciones de productos lácteos.Alimentos del Valle S.A, es una sociedad anónima, persona jurídica, que opera en Colombia, con domicilio principal en el Departamento del Cauca, Municipio de Caloto, en el Parque Industrial y Comercial del Cauca, perteneciente al sector industrial de alimentos, dedicada a la elaboración y comercialización de leche, productos lácteos, cuenta con dos plantas de producción, cinco centros de acopio y ocho centros de distribución CEDIS.
Situación actual del sector:
La caída en la producción del sector refleja una contracción debido a la
reducción en la oferta de leche. Entre 2021 y 2023 la producción de
leche se redujo un 9,3% tras varios años de crecimiento sostenido
(Fedegán). Además, la industria enfrenta desafíos significativos, como
el aumento de los costos energéticos, el riesgo de incrementos en los
precios de los combustibles y problemas de seguridad en las vías de
algunas regiones (Grupo Bancolombia, 2024), lo que contribuyó a un
aumento del 19,7% en los costos de producción durante el mismo
periodo.
En términos de volumen, las exportaciones aumentaron un 73,1%, con un ritmo promedio anual del 6,3%. En cuanto al valor, se registró un aumento del 67,2%, equivalente a una tasa promedio anual del 5,9%. Este crecimiento fue impulsado, principalmente, por las ventas externas de suero y quesos. No obstante, la leche en polvo sigue siendo el principal producto lácteo exportado, alcanzando un volumen de 1.970 toneladas en 2023.
En la última década, la producción mundial de leche ha crecido de manera
sostenida. No obstante, el comercio internacional de leche fresca sigue
siendo limitado debido a su carácter perecedero y alto contenido de
agua. Colombia enfrenta desafíos estructurales que limitan su desarrollo
y competitividad en el sector. La reducción en la producción de leche y
la caída del consumo per cápita han reflejado una menor demanda interna,
impactada por el aumento de costos y la pérdida de poder adquisitivo de
los hogares. Además, la creciente dependencia de las importaciones
representa un reto para la estabilidad del mercado local, especialmente
en un contexto donde los precios internacionales y las dinámicas
comerciales pueden generar incertidumbre.
Variables seleccionadas
- COR_V – Indice de produccion de empaques de carton en el Valle del Cauca.
La variable COR_V representa el nivel de producción o disponibilidad de empaques de cartón, un insumo esencial para las cadenas de alimentos procesados. Para ALIVAL es especialmente relevante porque los empaques de cartón son un elemento crítico en la presentación, protección y distribución de sus productos, las irregularidades en esta variable pueden generar tensiones en la cadena de suministro, aumento de costos o posibles retrasos en la operación. La disponibilidad de empaques afecta directamente la capacidad de producción y despacho, ya que sin este insumo no es posible terminar productos para venta o exportación, teniendo en cuenta lo fundamental de esta variable nos enfocamos en su análisis el cual nos va a permitir anticipar picos de demanda industrial que podrían posiblemente generar escasez, afectar los niveles de inventario, entre otras. En consecuencia, la inclusión de COR_V en la modelación estadística ayuda a anticipar problemas operativos que impactan de forma directa la continuidad productiva de ALIVAL.
- X_V – Exportaciones totales del Valle del Cauca.
Este es uno de los departamentos con mayor actividad exportadora del país, especialmente en productos agroindustriales y manufacturas. Actualmente Alival no realiza exportación pero analizar esta variable es importante para la empresa porque en caso que deseen comenzar a realizar exportaciones permite identificar la dinámica del comercio exterior regional, que influye en la competitividad del sector de alimentos procesados, con base en la situación actual del mercado donde se está importando productos lácteos de otros países como Estados Unidos con leche en polvo y queso una estrategia para contrarrestar las disminuciones de consumo por importaciones puede ser exportar sus productos y la empresa debe contar para esto con un mayor uso de infraestructura logística (puertos, transporte, almacenamiento), lo que puede incrementar los costos o los tiempos de distribución.
El comportamiento exportador del Valle refleja la demanda internacional de productos alimentarios, lo cual es relevante para una empresa que puede ampliar mercados externos o verse influenciada por presiones de oferta, aprovechando las oportunidades de demanda mas allá de sus fronteras. En conjunto, estas tres variables representan dimensiones esenciales del entorno económico del Valle del Cauca que conforman un ciclo interrelacionado donde el aumento de la actividad industrial (IPIR_V) impulsa la producción regional y eleva la demanda de insumos logísticos como empaques (COR_V). Al mismo tiempo, ese dinamismo industrial incrementa los flujos exportadores (X_V) y Finalmente, el aumento de las exportaciones vuelve a estimular la producción de empaques (COR_V), cerrando el ciclo.
- IPIR_V – Índice de Producción Industrial Regional del Valle del cauca.
El IPIR_V mide el nivel de actividad industrial del departamento, incluyendo sectores complementarios a la industria alimentaria como manufactura, procesamiento de materias primas, energía y logística. Su importancia para ALIVAL radica en que, refleja el grado de dinamismo económico del entorno industrial, lo cual puede influir en la demanda de bienes de consumo, incluidos los alimentos procesados, también permite identificar ciclos y estacionalidades del ciclo productivo que pueden alterar la disponibilidad de proveedores, la eficiencia logística y los tiempos de entrega , además de que, como es de conocimiento económico, un nivel más alto de producción industrial suele asociarse con mayor gasto de los hogares y de empresas asociadas, afectando potencialmente el volumen de ventas de ALIVAL.
Metodologia
Extracción de señales
Gráfico inicial de la variable 1 en niveles -Original
Grafica 3_ Elaboracion propia_Banco de la Republica.
Extracción señales variable 1
Grafico 4_ Elaboracion propia con datos Banco de la Republica- Descomposicion de la variable COR_V
Estacional: Dentro de la grafica podemos observar un patrón repetitivo y muy marcado a lo largo de los años con picos y caídas que se repiten de forma regular, esto indica que la demanda de empaques de cartón tiene un patrón estacional claro, posiblemente relacionado con temporadas altas de consumo de alimentos (fin de año, semanas especiales, vacaciones) o una mayor producción de alimentos procesados en ciertos periodos. La empresa debe planificar las compras de los empaques de cartón para sus productos anticipándose a estos picos y se puede recomendar que realice la optimización de su inventario para evitar el desabastecimiento en temporadas de alto consumo.
Tendencia: Refleja crecimiento progresivo desde los años iniciales hasta aproximadamente 2020, donde se alcanza un pico de evaluación de 148285489 y después de ese punto se observa una caída gradual con algunas subidas, esto nos informa que a largo plazo el mercado de empaques de cartón creció durante varios años, puede deberse a la expansión del sector alimentario también a una mayor producción y comercialización de alimentos empacados, en las caídas de los últimos años se refleja una caída posiblemente por temas como la crisis de los contenedores de esas fechas, donde la caída de exportaciones también afecta a este sector porque se demandan menores cantidades, paros nacionales , efectos post pandemia. La reciente caída implica para Alival que debe estar preparado para posibles ajustes en producción y la necesidad de mejorar eficiencia en el uso del cartón.
Residuo: Esta indicando valores relativamente pequeños alrededor de cero, algunos picos negativos y positivos aislados, Los picos negativos podrían representar caídas inesperadas en la disponibilidad o uso de empaques y los picos positivos pueden indicar sobredemandas puntuales, esto muestra que, aunque existe un patrón claro, la empresa debe estar preparada para eventos inesperados.
Serie original: Presenta variaciones periódicas con una tendencia general creciente hasta 2022, y luego una leve disminución, lo que se puede suponer que indica una caída en la producción de alimentos procesados, un volumen de ventas bajo posiblemente debido a pérdida del poder adquisitivo de los hogares del valle del cauca y una latente necesidad de una mejor logística y distribución siempre y cuando las variables sociales del valle del cauca lo permitan y no se presenten paros camioneros.
La descomposición STL de la variable COR_V (Empaques de cartón en el Valle) evidencia la presencia de un patrón estacional fuerte, lo que indica que la demanda de empaques sigue ciclos regulares a lo largo del tiempo. La tendencia muestra un crecimiento sostenido hasta aproximadamente 2021–2022, seguido de una leve desaceleración, lo cual sugiere cambios estructurales recientes en la dinámica del sector. Para la empresa Alival – Alimentos del Valle, estos resultados indican que el comportamiento de los empaques está estrechamente ligado a los ciclos de producción y comercialización de alimentos, siendo un factor clave para la planificación de inventarios, gestión de costos y estrategias operativas.
Extracción señales variable 2
Grafico 5_Elaboracion propia con datos Banco de la Republica- Descomposicion de la Variable 2- Exportaciones totales del valle del cauca
Estacional: Dentro de la gráfica podemos observar ciclos muy marcados y repetitivos, ondas constantes durante todo el periodo, esto podría indicar que las exportaciones del Valle presentan una estacionalidad fuerte, asociada a ciclos de demanda internacional, temporadas de consumo en mercados externos y dinámicas logísticas del comercio exterior. Para nuestra empresa es fundamental esta información dado que si deciden ampliar sus horizontes a la exportación tendrán un panorama claro y preciso de las variaciones que afectan la demanda potencial de productos alimentarios y los costos logísticos de exportación, tomando la decisión acertada en los tiempos de mayor demanda con menores costos.
Tendencia: Refleja un periodo de caída entre mediados de 2022 y comienzos del 2023, posiblemente a efectos post pandemia porque a inicios del 2022 se refleja un pico alto lo que quiere decir que al inicio se fortaleció debido posiblemente a subsidios otorgados por el gobierno para generar consumo, como el bono IFE COVID cuyo fin era impulsar la economía con el fortalecimiento del poder adquisitivo de las familias en el país, pero posteriormente la normalización de este consumo y su recuperación posterior se indica en los años 2023-2024 donde tiene un ascenso. Por lo anterior, la tendencia muestra una contracción estructural de las exportaciones regionales entre 2014 y 2020, seguida de una recuperación gradual en los años posteriores, lo que indica una reconfiguración del sector exportador del Valle del Cauca.
Residuo: Presenta una alta volatilidad alrededor de 0 con choques negativos fuertes cerca del 2021, Los residuos evidencian choques externos de corto plazo, dentro de ellas las crisis logísticas globales como la crisis de los contenedores donde miles de contenedores quedaron varados en puertos de todo el mundo, impidiendo su retorno a China para ser llenados nuevamente, lo que creó una escasez de espacio de transporte, también se puede generar por alguna posible restricción comerciales y disrupciones en las cadenas de suministro como las protestas del estallido social del 2021 lo que genero una desestabilización en toda la economía.
Original: Se evidencia una Alta volatilidad, evidenciada por una desviación estándar elevada, con picos importantes de exportación, especialmente alrededor de ingresos superiores a $200 millones y una caída importante en algunos periodos, donde el valor mínimo baja a $95 millones, lo que refleja sensibilidad a choques externos. Cuando las exportaciones crecen, hay mayor dinamismo económico, más demanda de envases y logística, para estos momentos la empresa debe programar sus pedidos con anticipación y cuando caen, la empresa puede aprovechar la sobre oferta para abastecer sus inventarios.
Las exportaciones totales del Valle del Cauca evidencia un patrón estacional fuerte y sostenido, junto con una tendencia decreciente entre 2014 y 2020, seguida de un proceso de recuperación. Estos resultados sugieren que el entorno exportador de la región ha estado sujeto a choques externos, afectando la dinámica de sectores intensivos en logística, como el sector de alimentos procesados.
Extracción señales variable 3
Grafica 6_ Elaboracion propia con datos Banco de la Republica- IPIR_V – Descomposicion Índice de Producción Industrial Regional del Valle.
Estacional: Dentro de la gráfica podemos observar oscilaciones periódicas claras y un comportamiento estable del patrón. El índice de producción industrial regional presenta una estacionalidad definida, lo que refleja ciclos recurrentes de producción asociados a calendarios industriales y de demanda donde la empresa puede tener mayores rendimientos y crecimiento en su sector.
Tendencia: Refleja un periodo crecimiento gradual hasta 100-102 en el 2019 con un salto marcado hacia un máximo de 115 alrededor del 2022 con posterior descenso leve hacia 108-107 entre 2023-2024. La tendencia muestra un crecimiento acumulado de la actividad industrial regional hasta 2022, seguido de una corrección moderada, indicando una expansión de la capacidad productiva con ajustes recientes, sin embargo, continúa siendo muy estable por lo cual la empresa tiene la oportunidad de expandir su logística y producción.
Residuo: Presenta unas oscilaciones pequeñas con un evento negativo fuerte cerca del 2020-2021. Los residuos capturan choques inesperados en la producción industrial, posiblemente asociados a restricciones sanitarias, logísticas o económicas. Dentro de estas se encuentra la Resolución 810 de 2021 estableció el marco para el etiquetado frontal de advertencia, done todos los productos deben contener estas etiquetas que son sellos octagonales de color negro que advierten al consumidor si un alimento o bebida tiene exceso de nutrientes críticos como azúcares, grasas saturadas, grasas totales, sodio y calorías.
Original: Se evidencia ciclos de expansión y contracción industrial, con periodos de alta producción cuando el índice supera los 105 puntos y una desaceleración cuando cae por debajo de 90 puntos. Un mayor valor de índice de producción implica mas producción industrial, mayor demanda de insumos para la transformación de sus productos por esto es recomendable aprovechar el crecimiento de mercado para implementar nuevos productos o métodos de eficiencia operativa.
Se resalta la existencia de ciclos estacionales constantes y una tendencia creciente de la actividad industrial hasta 2022, seguida de una leve desaceleración. Este comportamiento es clave para empresas como Alival, ya que refleja el entorno productivo que condiciona la disponibilidad de insumos, costos operativos y capacidad de respuesta a la demanda.
Resultados
Gráfico serie original VS ajustada por estacionalidad Variable 1
Grafica 7_ Elaboracion propia con Datos banco de la republica.
El gráfico comparativo entre la serie original y la serie ajustada por estacionalidad muestra que la variable presenta una tendencia creciente a lo largo del tiempo, con un incremento sostenido hasta aproximadamente 2021. La serie ajustada evidencia un comportamiento más suave, lo que confirma la presencia de patrones estacionales en la serie original. Asimismo, se identifica una caída abrupta alrededor del año 2020, lo que sugiere la ocurrencia de un evento atípico o choque externo que afectó el comportamiento de la variable.
Gráfico serie original VS ajustada Variable 2
Grafica 8_ Elaboracion propia con DANE
La Variable 2 muestra un comportamiento más volátil que la Variable 3 aquí la tendencia no es claramente creciente ni decreciente, sino que muestra Una caída gradual desde 2012 hasta 2016 con un periodo de relativa estabilidad entre 2016 y 2020 y al final una recuperación parcial después de 2021, pero sin volver a los niveles de 2012–2013. La serie original refleja cierto componente estacional, aunque no muy marcado, por lo cual la desestacionalización permite visualizar con mayor claridad la evolución notoriamente. Se identifica un shock o una tendencia marcada alrededor del 2020 que coincide con la crisis de la pandemia, generando una caída abrupta en las exportaciones. Posteriormente, la serie muestra una recuperación paulatina.
Gráfico serie original VS ajustada Variable 3
Grafica 9_ Elaboracion propia con DANE
La Variable 3 presenta una tendencia creciente en el largo plazo, acompañada de un patrón estacional regular que se observa en la serie original. La desestacionalización mediante STL permite visualizar con mayor claridad la evolución estructural de la serie. Se identifica un evento atípico alrededor del 2020, consistente con un evento externo que impacto significativamente y que afecta de manera abrupta la serie. Posteriormente, la variable muestra una recuperación sostenida e incluso niveles superiores a los previos al evento externo.
Graficas de tendencia de cada variable
Tendencia Variable 1
Grafica 10_ Elaboracion propia con Banco de la Republica.
El gráfico presenta la comparación entre la serie temporal original y la componente de tendencia obtenida mediante la descomposición STL (línea negra), lo que permite identificar el comportamiento estructural de la variable en el largo plazo, aislando la variabilidad estacional y el ruido aleatorio.
Entre los años 2012 y 2018 se observa una fase de crecimiento sostenido, donde la tendencia aumenta progresivamente desde niveles cercanos a 120 unidades hasta aproximadamente 140–145 unidades. Este comportamiento sugiere una expansión gradual de la actividad asociada a la variable, coherente con un aumento en la demanda o en el nivel de producción del sector.
Durante los años 2020 y 2021 se identifica un máximo marcado en la tendencia, con niveles que alcanzan valores superiores a 155–160 unidades. Este comportamiento podría estar asociado a factores coyunturales o externos, como cambios en los patrones de consumo, rupturas en las cadenas de suministro o ajustes en la producción. Posteriormente, se evidencia una caída abrupta en la serie original, que es suavizada en la tendencia debido al tratamiento de valores atípicos que realiza el método STL.
La Variable 1 presenta un comportamiento caracterizado por un crecimiento sostenido en su fase inicial, seguido de un período de estabilidad relativa, un shock positivo alrededor de 2020 y una desaceleración estructural a partir de 2021. En conjunto, la evidencia sugiere que el sector atravesó una etapa de expansión, posteriormente un ajuste significativo y, actualmente, una fase de moderación en su nivel de actividad
Tendencia Variable 2
Grafica 11_ Elaboracion propia con DANE
Durante el período 2012–2014, se observa una tendencia decreciente, con una reducción desde niveles cercanos a 1.9 hasta aproximadamente 1.6. Este comportamiento sugiere una fase de contracción en el desempeño exportador del departamento, entre 2015 y 2017, la tendencia se mantiene relativamente estable, oscilando alrededor de 1.55, con una leve recuperación hacia 2016, lo que nos quiere indicar un período de estabilización después de la caída inicial.
El período 2020–2021 presenta una caída marcada en la tendencia, alcanzando valores cercanos a 1.40 – 1.45, lo cual es consistente con el impacto económico de choques externos, particularmente los asociados a la crisis sanitaria y sus efectos sobre el comercio internacional y finalmente, entre 2022 y 2024, se evidencia una recuperación gradual, con un incremento progresivo de la tendencia hacia niveles cercanos a 1.55 – 1.60, lo que sugiere un proceso de reactivación de la actividad exportadora.
El comportamiento de la tendencia revela un patrón cíclico caracterizado por fases de contracción, estabilización, choque negativo y posterior recuperación. Sin embargo, la recuperación observada hacia el final del período no alcanza los niveles máximos registrados al inicio de la serie (2012–2013), lo que indica una pérdida relativa de dinamismo exportador en el largo plazo
Tendencia Variable 3
Grafica 12_ Elaboracion propia con DANE
La grafica de la variable 3 presenta un índice que se ubica alrededor de 90–95 unidades. La tendencia presenta un leve descenso inicial, seguido por una recuperación gradual. Aunque la serie original muestra fluctuaciones mensuales, no se observan cambios abruptos, este comportamiento indica un escenario de estabilidad relativa, con un crecimiento lento pero sostenido de la actividad industrial regional. Entre 2016 y 2019, la tendencia muestra una trayectoria claramente ascendente, con valores que se ubican entre 95 y 100 unidades. La serie original continúa presentando variaciones de corto plazo, pero la tendencia confirma una expansión estructural, este periodo refleja una consolidación del crecimiento industrial, probablemente asociada a un mayor dinamismo económico y una expansión de la demanda. Para el año 2021-2022 se visualiza una recuperación rápida y sostenida, alcanzando niveles cercanos a 115–120 unidades. Paralelamente, la serie original muestra mayores picos y una mayor intensidad en las fluctuaciones evidenciando un proceso de reactivación económica y recuperación de la actividad industrial tras la crisis de 2020.
En los últimos años de la serie 2023-2025, la tendencia comienza a descender suavemente desde el máximo alcanzado en 2022–2023, ubicándose alrededor de 105–110 unidades. La serie original mantiene oscilaciones, pero dentro de un rango más estable, este comportamiento podría obedecer a una fase de estabilización de la actividad industrial, con señales de leve desaceleración tras la etapa de fuerte recuperación.
Gráfico variable original y tendencia variable 1: tasa de crecimiento anual
Grafica 13_ Elaboracion propia con Banco de la Republica.
La tasa de crecimiento de la serie original presenta una alta volatilidad, con variaciones mensuales que alcanzan valores superiores al 20% y caídas cercanas al –25%. Este comportamiento es característico de las tasas de variación interanual, ya que amplifican el efecto de choques temporales y variaciones estacionales, lo que justifica la necesidad de emplear una tendencia suavizada para una mejor interpretación.
Entre 2013 y 2015 presenta un crecimiento moderado, la tendencia muestra tasas de crecimiento positivas, ubicadas aproximadamente entre el 1% y el 5%. Esto indica una fase de expansión estable en la actividad relacionada con los empaques de cartón, consistente con un entorno de crecimiento industrial moderado. A partir de 2015 hay una caída progresiva hacia valores cercanos a 0% e incluso levemente negativos. Este comportamiento evidencia una pérdida de dinamismo en el sector, asociada a una desaceleración en la actividad productiva. Entre 2017 y 2019 se observa un repunte gradual de la tasa de crecimiento, con la tendencia acercándose nuevamente a valores positivos cercanos al 5%. Este fenómeno sugiere una fase de recuperación moderada y mayor estabilidad en el sector. La grafica en sus años finales 2023-2024, se aproxima nuevamente a valores cercanos a 0%, con leves repuntes positivos. Esto sugiere un proceso de estabilización, aunque sin evidencias claras de un crecimiento sostenido.
En conjunto, la variable presenta un patrón cíclico, caracterizado por fases de expansión, desaceleración y recuperación. El evento más relevante del período analizado corresponde al impacto observado en 2020 que podría originarse en un efecto postpandemia. En los últimos años, la tendencia indica una recuperación lenta y un escenario de crecimiento moderado, sin una trayectoria claramente expansiva.
Tasa de crecimiento de la serie original vs tendencia: variable 2
Grafica 14_ Elaboracion propia con Dane.
La serie original evidencia una alta volatilidad, con fluctuaciones extremas que incluyen incrementos superiores al 150% y caídas cercanas al –60%. Este comportamiento sugiere una elevada sensibilidad de las exportaciones frente a choques externos, cambios en el entorno macroeconómico, restricciones logísticas, modificaciones en la demanda internacional y posibles efectos asociados a choques extraordinarios en los registros. Durante los años 2013-2014 se muestra un crecimiento negativo inicial ,la tasa de crecimiento muestra valores ligeramente negativos, lo que indica una fase inicial de contracción en el dinamismo exportador de la región. Entre 2014 y 2016 hay una fase de recuperación con incremento gradualmente hasta niveles cercanos al 10% anual, reflejando un proceso de recuperación sostenida, posiblemente asociado a una mejora en las condiciones del comercio exterior o en la competitividad regional. Para los años 2016 a 2020 refleja un estancamiento relativo , la tendencia vuelve a descender y se mantiene cercana a tasas de crecimiento nulas y al final del intervalo analizado se observa un repunte leve en la tendencia, con tasas entre 2% y 7% anual, lo que indica una expansión moderada de las exportaciones antes del choque global de 2020.
En los años 2020 y 2021 tenemos un impacto más significativo en la serie. La serie original registra caídas abruptas seguidas de incrementos extraordinarios superiores al 150%. Este patrón es consistente con el impacto de la pandemia, interrupciones en cadenas de suministro y un posterior efecto rebote. La tendencia suavizada también refleja una caída temporal seguida de una recuperación hacia niveles cercanos al 10%–12%. La Variable 2 (Exportaciones Totales del Valle) presenta un comportamiento altamente volátil, con una fuerte exposición a choques externos y eventos extraordinarios. A nivel estructural, la tendencia indica un crecimiento moderado y cíclico, caracterizado por fases alternadas de expansión y desaceleración. En el período más reciente, la dinámica sugiere una etapa de estabilización, con tasas de crecimiento positivas pero contenidas, sin algún repunte estructural fuertes.
La tasa de crecimiento de la serie original vs tendencia: variable 3
Grafica 15_ Elaboracion propia con Dane
Serie original, muestra el comportamiento real de los datos, caracterizado por una alta volatilidad y la presencia de fluctuaciones pronunciadas y valores atípicos. Mientras que por su parte, la tendencia suavizada representa el patrón estructural de largo plazo, al filtrar el ruido de corto plazo y las variaciones irregulares.
Es fundamental la visualización del periodo 2020 dado que demuestra un impacto de eventos externos en la serie original con una caída abrupta de la tasa de crecimiento interanual y un rebote posterior muy elevado, con tasas que alcanzan valores cercanos al 200%. Este comportamiento es consistente con un choque externo de gran magnitud, como el impacto económico de la pandemia por COVID-19. El fenómeno de efecto base explica el crecimiento extraordinario observado después de la fuerte contracción inicial. La tendencia suavizada registra un aumento en este periodo, pero no alcanza los valores extremos de la serie original, ya que capta únicamente los cambios estructurales y no las fluctuaciones transitorias.
Evoluciones en los periodos recientes como 2021 a 2024, después del choque de 2020, la tendencia muestra una recuperación moderada, con tasas de crecimiento interanual positivas. Posteriormente, se observa una reducción gradual de la tendencia, aproximándose nuevamente a valores cercanos a 0% entre 2023-2024 e incluso levemente negativos. Esto indica una pérdida de dinamismo en la producción industrial regional, con señales de estancamiento.
Relacion entre las tres variables
• La variable 3 y 2 (Producción industrial y exportaciones) existe una relación directa y positiva, cuando la actividad industrial regional se expande, aumenta la capacidad de producción de bienes, lo que se traduce en un mayor volumen de bienes exportables. El crecimiento de la producción industrial fortalece la oferta exportable mientras que las caídas en la actividad industrial tienden a reflejarse en reducciones de las exportaciones. El choque observado alrededor de 2020 afectó simultáneamente ambas variables, mostrando una contracción profunda seguida de una recuperación, lo cual confirma su alta sincronización cíclica.
• La relación entre las variables 1 y 2 (Empaques y exportaciones) es complementaria y funcional. El crecimiento de las exportaciones normalmente implica una mayor necesidad de embalaje y protección de mercancías con incremento en la demanda de empaques de cartón. Por lo tanto, los aumentos en exportaciones tienden a reflejarse con rezagos cortos en aumentos de Producción de empaques de cartón. Esta relación no siempre es perfectamente simultánea, ya que los cambios en empaques pueden anticipar o retrasarse frente a los movimientos de las exportaciones. Esto es relevante para la empresa Alival dado que si desean realizar exportaciones deben tener en cuentas estas variables para optimizar sus inventarios, planear los costos y aprovechar una ampliación de exportaciones.
• Las tres variables en conjunto describen un sistema productivo articulado, donde la producción, el uso de insumos logísticos (empaques) y la capacidad exportadora evolucionan de forma coordinada, aunque con posibles rezagos temporales. El IPIR_V es una variable estructural que impulsa el sistema, COR_V funciona como una variable operativa o intermedia y X_V representa el resultado final en términos de inserción en mercados externos. Durante periodos de crisis, como en 2020, las tres variables muestran rupturas simultáneas, evidenciando una alta interdependencia entre ellas, Cuando IPIR_V muestra señales de desaceleración, es esperable que COR_V y X_V también presenten una tendencia similar en los periodos siguientes. Por lo que para la empresa Alival es importante conocer la relación de las tendencias entre estas tres variables dado que podría indicar que el crecimiento de producción industrial en el Valle en picos altos le permitirá generar inserción al mercado exportador.
Hallazgo Clave
Para Alimentos del Valle Sa, los principales hallazgos fueron:
El desempeño de la empresa está altamente condicionado por el ciclo económico regional: Cuando la actividad industrial regional se expande, se observa un entorno más favorable para la empresa.
Los costos y disponibilidad de empaques de cartón son un elemento crítico de competitividad: El costo y disponibilidad de empaques de cartón afecta directamente la estructura de costos y los picos en la demanda de empaques coinciden con fases de expansión del mercado.
Las exportaciones representan una oportunidad de crecimiento: Oportunidades de crecimiento en mercados externos, un riesgo moderado por la dependencia de factores externos como transporte, regulaciones y costos internacionales. El crecimiento vía exportaciones es atractivo, pero implica alta vulnerabilidad ante choques globales.
El sector muestra una volatilidad estructural que exige planificación financiera robusta: al presentar picos extremos de crecimiento y caídas abruptas se recomienda una planeación financiera más conservadora y estrategias de inventario flexibles.
El entorno reciente apunta más a la estabilización que a un crecimiento acelerado: Aunque después de 2021 se observa una recuperación en las variables, la tendencia entre 2023–2025 muestra crecimientos débiles y un estancamiento relativo. Por lo que Alival puede experimentar un crecimiento limitado de la demanda estructural, con una mayor competencia en el mercado con el ingreso de importaciones y una presión sobre márgenes de rentabilidad.
Pronostico y evaluacion del modelo
Entre las tres variables analizadas, se seleccionó el Índice de Producción de empaques de Carton en el Valle del Cauca debido a su alta pertinencia sectorial, su fuerte relación con los insumos requeridos por ALIVAL, su estabilidad estadística y su capacidad para anticipar variaciones en la actividad productiva de la región. Esta variable ofrece mejor capacidad explicativa y predictiva, facilitando proyecciones más confiables para la empresa.
Para evaluar la capacidad predictiva del Índice de Producción de Cartones del Valle del Cauca y obtener un pronóstico para enero de 2025, se implementaron dos enfoques de modelamiento: ARIMA automatico normal(sin tener en cuenta el factor estacional) y SARIMA. Con el fin de garantizar una validación adecuada del desempeño de los modelos, la serie temporal se dividió en dos subconjuntos. El conjunto de entrenamiento comprende los datos desde enero de 2012 hasta septiembre de 2024, los cuales se utilizaron para ajustar y estimar los parámetros de los modelos. Posteriormente, el conjunto de prueba, correspondiente al período octubre de 2024 a diciembre de 2024, se empleó para evaluar la capacidad de predicción de corto plazo y validar la precisión de los modelos antes de generar el pronóstico final. Esta estructura asegura un análisis robusto y permite comparar el desempeño entre los dos modelos en la proyección del valor esperado para enero de 2025.
Un pronostico confiable para enero de 2025 permite anticipar el comportamiento de una variable estrechamente vinculada a su operación productiva. Dado que la industria del cartón es un insumo fundamental para el empaque, almacenamiento y distribución de los productos de ALIVAL, contar con un modelo predictivo validado permite a la empresa planear con mayor precisión su nivel de producción, el abastecimiento de materiales, la logística y la asignación de recursos. En esencia, este análisis busca garantizar que las decisiones operativas y de compra de ALIVAL se basen en un pronóstico robusto y validado con datos reales, reduciendo la incertidumbre y fortaleciendo la planeación estratégica para el inicio del año 2025.
Modelo ARIMA
Identificación automática del modelo ARIMA
library(forecast)
# Ajustar un modelo ARIMA automático sin estacionalidad, por eso se pone seasonal=FALSE
auto_arima_model_no_seasonal <- auto.arima(train_ts, seasonal = FALSE)
# Mostrar el modelo seleccionado
summary(auto_arima_model_no_seasonal)## Series: train_ts
## ARIMA(1,1,1)
##
## Coefficients:
## ar1 ma1
## 0.3756 -0.9151
## s.e. 0.0899 0.0400
##
## sigma^2 = 125.3: log likelihood = -582.36
## AIC=1170.72 AICc=1170.88 BIC=1179.79
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 1.001098 11.08276 8.390742 0.1434114 6.30082 0.8642991 0.01689634El proceso de identificación automática seleccionó un ARIMA(1,1,1), lo cual indica que la serie requiere una diferenciación para volverse estacionaria y que los patrones restantes pueden describirse mediante un componente autorregresivo (AR) y un componente de promedio móvil (MA).
Estimación del modelo identificado automatico y validación de Significancia de coeficientes
library(lmtest)
# Evaluar la significancia estadística de los coeficientes del modelo ARIMA
coeftest(auto_arima_model_no_seasonal)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.375603 0.089922 4.177 2.954e-05 ***
## ma1 -0.915110 0.039984 -22.887 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Los coeficientes AR(1) y MA(1) del modelo ARIMA(1,1,1) son altamente significativos, lo que confirma que ambos componentes aportan información importante. Esto respalda la validez estadística del modelo y demuestra que tanto la persistencia temporal como el mecanismo de corrección de errores están presentes en el comportamiento del índice analizado.
# Ajuste del modelo ARIMA(1,1,1) automático sin parte estacional y crearlo como variable darima_auto para luego poder graficarlo y crear la tabla
darima_auto <- Arima(train_ts,
order = c(1, 1, 1)) # Especificamos directamente (p=4, d=1, q=2)
# Mostrar resumen del modelo ajustado
summary(darima_auto)## Series: train_ts
## ARIMA(1,1,1)
##
## Coefficients:
## ar1 ma1
## 0.3756 -0.9151
## s.e. 0.0899 0.0400
##
## sigma^2 = 125.3: log likelihood = -582.36
## AIC=1170.72 AICc=1170.88 BIC=1179.79
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 1.001098 11.08276 8.390742 0.1434114 6.30082 0.8642991 0.01689634Validación de residuales o errores del modelo
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,1)
## Q* = 88.525, df = 22, p-value = 6.102e-10
##
## Model df: 2. Total lags used: 24Grafica 16_Elaboracion propia- Residuales Arima Variable 1.
Comportamiento de los residuales en el tiempo
Los residuales del ARIMA muestran fluctuaciones alrededor de cero, lo cual indica que el modelo logra capturar parte importante del comportamiento general de la serie. Sin embargo, se observan variaciones abruptas en algunos periodos y ciertos tramos donde los residuales parecen más dispersos.Aunque no hay una tendencia marcada, las fluctuaciones no son completamente uniformes a lo largo del tiempo, lo que sugiere que el modelo puede estar capturando la estructura principal, pero aún deja ciertos patrones sin absorber.
Autocorrelación de los residuales (ACF)
En la ACF de los residuales se observa que la mayoría de los rezagos se encuentran dentro de las bandas de confianza, lo cual es una señal positiva. Sin embargo, aparecen algunos picos aislados en rezagos específicos, especialmente en posiciones que suelen asociarse a ciclos temporales.
Distribución de los residuales
El histograma refleja que la distribución de los residuales es relativamente simétrica alrededor de cero, aunque presenta colas algo más extendidas y algunos valores atípicos. La curva normal superpuesta encaja aceptablemente bien, pero no perfectamente.
Pronóstico modelo ARIMA automático dentro de muestra
Grafica 17_Elaboracion propia- Pronostico vs Observado Arima Variable 1.
Interpretación modelo automatico (1,1,1):El modelo automático (1,1,1) se evidencia que el modelo no identifica ni replica el punto de quiebre ocurrido entre noviembre y diciembre de 2024. Mientras que en lo real se presenta una caída abrupta, el pronóstico permanece estable, mostrando que el ARIMA no logra capturar este cambio estructural. Esto sugiere la necesidad de un modelo que incorpore estacionalidad o mayor flexibilidad, como SARIMA, para representar adecuadamente estos patrones en la dinámica del índice analizado..
Pronóstico automático dentro del set de prueba como tabla
## Tiempo Observado Pronosticado
## 1 2024.750 146.2 135.6101
## 2 2024.833 141.8 136.1398
## 3 2024.917 121.3 136.3387En los tres periodos del conjunto de prueba, el modelo ARIMA subestima consistentemente los valores reales del índice. Predice valores más altos que los observados en todos los meses, y la diferencia aumenta considerablemente cuando ocurre el punto de quiebre -caída pronunciada en diciembre de 2024. Esto confirma que el ARIMA no captura adecuadamente los cambios bruscos ni el comportamiento estacional de la serie.
** Se realiza pronosticamos con el modelo automatico fuera del periodo de análisis, es decir enero 2025**
# Cargar librerías necesarias
library(forecast)
# Hacer un pronóstico para el siguiente trimestre (1 período adicional)
next_forecast_auto <- forecast(auto_arima_model_no_seasonal, h = length(test_ts) + 1)
# Extraer el pronóstico del próximo trimestre
next_month_forecast_auto <- data.frame(
Tiempo = time(next_forecast_auto$mean), # Extraer la fecha del pronóstico
Pronostico = as.numeric(next_forecast_auto$mean) # Valor pronosticado
)
# Mostrar el pronóstico completo
print(next_month_forecast_auto)## Tiempo Pronostico
## 1 2024.750 135.6101
## 2 2024.833 136.1398
## 3 2024.917 136.3387
## 4 2025.000 136.4134# Extraer solo el valor del trimestre adicional (último de la tabla)
next_month <- tail(next_month_forecast_auto, 1)
print(paste("Pronóstico para enero 2025:", next_month$Tiempo, "=", next_month$Pronostico))## [1] "Pronóstico para enero 2025: 2025 = 136.413430814363"Modelo SARIMA
Este modelo podria ser una solución o mejora al modelo arima tradicional ya que recoge el efecto estacional de las variables, es recomendable cuando los datos tienen un componente estacional fuerte.
El modelo ajustado en este ejemplo es un SARIMA(0,1,2)(1,0,1)[12], lo que significa:
(0,1,2): Parte ARIMA no estacional: 0 términos autorregresivos (AR). El modelo no usa directamente los valores pasados del índice COR_V para predecir el valor actual. 1 diferenciación (d), lo que indica que la serie fue diferenciada una vez para hacerla estacionaria. 2 término de media móvil (MA). Permiten que el modelo tenga presente shocks recientes, asocie errores pasados y ajuste el pronóstico actual.
La parte ARIMA (0,1,2) indica que la serie requiere una sola diferenciación para eliminar su tendencia y volverse estacionaria. El modelo no utiliza valores pasados de la serie (AR = 0), sino que se basa en los errores pasados para mejorar la precisión de las predicciones.
(1,0,1)[12]: Parte estacional con periodicidad 12: 1 término autorregresivo estacional (SAR). El modelo tiene un patrón anual fuerte — lo que pasó el año pasado en el mismo mes influye en el mes actual. 0 diferenciaciones estacionales. No fue necesario diferenciar la serie por estacionalidad, ya que esta se maneja adecuadamente mediante los componentes SAR y SMA. 1 términos de media móvil estacionales (SMA).
La parte estacional del modelo SARIMA(1,0,1)[12] evidencia que la serie presenta una estacionalidad anual fuerte, ya que el valor actual depende del comportamiento registrado exactamente 12 meses atrás. Aunque la estacionalidad es marcada, no fue necesario aplicar una diferenciación estacional (D = 0), lo cual indica que el patrón estacional es estable a lo largo del tiempo. Adicionalmente, el término de media móvil estacional (SMA = 1) permite que el modelo ajuste los errores provenientes de la temporada anterior, corrigiendo posibles anomalías ocurridos en el mismo mes del año previo.
El modelo SARIMA(0,1,2)(1,0,1)[12] sugiere que:
La serie presenta una tendencia no estacionaria, que fue corregida mediante una diferenciación regular (d = 1), estabilizando su comportamiento en el tiempo.
No existen términos autorregresivos no estacionales (AR(0)), por lo que el valor actual no depende directamente de los valores pasados de la propia serie.
Los errores recientes influyen significativamente en la predicción, a través de los dos términos de media móvil,indica que los errores de 1 y 2 meses atrás afectan el valor presente, corrigiendo fluctuaciones de corto plazo. MA1 = –0.5804 MA2 = –0.1917
Existe un componente estacional autorregresivo fuerte (SAR = 0.8317), lo que confirma dependencia entre el valor actual y el observado hace exactamente 12 meses (misma temporada del año anterior). También influye el error estacional del año previo, reflejado en el término de media móvil estacional: SMA1 = –0.4821 Esto significa que los errores del mismo mes del año pasado afectan la predicción del mes actual.
No se requiere diferenciación estacional (D = 0), lo cual sugiere que la estacionalidad anual de la serie es estable y puede modelarse sin transformaciones adicionales. El ajuste del modelo es adecuado según los criterios AIC y BIC: AIC = 1128.48 AICc = 1128.89 BIC = 1143.6
Identificación dautomática del modelo SARIMA
# Identificación automática modelo SARIMA
auto_arima_model <- auto.arima(train_ts) # Busca automáticamente los mejores parámetros del modelo ARIMA
print(auto_arima_model)## Series: train_ts
## ARIMA(0,1,2)(1,0,1)[12]
##
## Coefficients:
## ma1 ma2 sar1 sma1
## -0.5804 -0.1917 0.8317 -0.4821
## s.e. 0.0835 0.0950 0.0987 0.1685
##
## sigma^2 = 90.88: log likelihood = -559.24
## AIC=1128.48 AICc=1128.89 BIC=1143.6# Cargar el paquete necesario
library(forecast)
# Ajustar el modelo SARIMA(0,1,2)(1,0,1)[12] #Modelo identificado en el paso anterior
darima <- Arima(train_ts,
order = c(0, 1, 2), # (p,d,q) -> (0,1,1)
seasonal = list(order = c(1, 0, 1), # (P,D,Q) -> (1,0,0)
period = 12)) # Periodicidad estacional de 12 meses
# Mostrar resumen del modelo ajustado
summary(darima)## Series: train_ts
## ARIMA(0,1,2)(1,0,1)[12]
##
## Coefficients:
## ma1 ma2 sar1 sma1
## -0.5804 -0.1917 0.8317 -0.4821
## s.e. 0.0835 0.0950 0.0987 0.1685
##
## sigma^2 = 90.88: log likelihood = -559.24
## AIC=1128.48 AICc=1128.89 BIC=1143.6
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -0.02879803 9.375888 6.912951 -0.4441564 5.234712 0.7120773
## ACF1
## Training set -0.008794228Validación de residuales del modelo automatico SARIMA
Teniendo en cuenta que la validación de residuales permite verificar si el modelo ajustado cumple los supuestos necesarios para un buen desempeño en pronósticos en conjunto con el análisis gráfico de, se encuentran los siguientes resultados:
##
## Ljung-Box test
##
## data: Residuals from ARIMA(0,1,2)(1,0,1)[12]
## Q* = 27.79, df = 20, p-value = 0.1145
##
## Model df: 4. Total lags used: 24Grafica 18_Elaboracion propia- Residuales Sarima Variable 1.
Comportamiento de los residuales en el tiempo Los residuales oscilan alrededor de cero, sin mostrar patrones sistemáticos ni tendencias persistentes. El único punto atípico relevante ocurre hacia 2021, coincidiendo con el impacto económico del paro nacional, lo cual es un comportamiento esperado y no atribuible al modelo, lo cual indica que el modelo captura adecuadamente la estructura temporal de la serie.
Autocorrelación de los residuales (ACF) La mayoría de los rezagos se encuentran dentro de las bandas de confianza, no aparecen picos significativos en los rezagos estacionales (lag 12, 24, 36), lo cual confirma que el componente estacional fue bien modelado. Los residuales no presentan autocorrelación, no queda estructura temporal sin capturar, por lo que la selección del modelo SARIMA es adecuada y consistente.
Distribución de los residuales No se observan colas extremadamente pesadas ni asimetrías pronunciadas, los residuos se distribuyen aproximadamente de forma simétrica alrededor de cero, La distribución de los residuales respalda que los errores del modelo son aleatorios lo que favorece un correcto pronóstico.
La validación de residuales confirma que el modelo SARIMA(0,1,2)(1,0,1)[12] es adecuado. Sus errores son aleatorios, no presentan autocorrelación y siguen una distribución aceptable para fines de pronóstico. Esto indica que el modelo captura correctamente tanto la tendencia como la estacionalidad anual del índice de producción de corrugados en el Valle.
Pronóstico con el modelo SARIMA dentro del set de prueba-Gráfico líneas
Grafica 19_Elaboracion propia- Pronostico vs observado Sarima Variable 1
Se observa que la línea observada muestra una caída marcada entre noviembre y diciembre de 2024. La línea pronosticada disminuye también, pero de manera más suave y menos abrupta. El modelo predice correctamente la dirección del movimiento (tendencia bajista), pero subestima la magnitud de la caída real en diciembre hasta 121.3, 2. Esa caída supera lo esperado por el patrón estacional.El quiebre indica que hubo un evento real en la economía del Valle que no está capturado solo por el historial de la serie.
En cuanto a la tendencia pronosticada, el modelo propone una ligera estabilidad en octubre y noviembre y un descenso controlado en diciembre,Esto coincide con el patrón estacional del sector de empaques, que suele bajar al cierre del año por ajustes operativos y estacionalidad productiva.
Pronóstico del modelo automático SARIMA en el set de prueba-Tabla
## Tiempo Observado Pronosticado
## 1 2024.750 146.2 136.7295
## 2 2024.833 141.8 137.4347
## 3 2024.917 121.3 125.4247El modelo SARIMA presenta un mejor desempeño que el ARIMA en la predicción del conjunto de prueba. En los dos primeros periodos subestima ligeramente los valores reales, pero lo hace con errores menores que el ARIMA. En el tercer periodo, que coincide con el punto de quiebre de diciembre de 2024, el SARIMA logra identificar la caída, aunque la estima ligeramente por encima del valor observado. En conjunto, el modelo captura mejor la dinámica y el cambio estructural del índice, mostrando que incorpora efectivamente la estacionalidad y los patrones temporales relevantes.
Pronóstico del modelo automático SARIMA fuera de muestra, es decir, en enero 2025
# Cargar librerías necesarias
library(forecast)
# Hacer un pronóstico para el siguiente mes (1 período adicional)
next_forecast <- forecast(auto_arima_model, h = length(test_ts) + 1)
# Extraer el pronóstico del próximo mes
next_month_forecast <- data.frame(
Tiempo = time(next_forecast$mean), # Extraer la fecha del pronóstico
Pronostico = as.numeric(next_forecast$mean) # Valor pronosticado
)
# Mostrar el pronóstico completo
print(next_month_forecast)## Tiempo Pronostico
## 1 2024.750 136.7295
## 2 2024.833 137.4347
## 3 2024.917 125.4247
## 4 2025.000 130.9372# Extraer solo el valor del trimestre adicional (último de la tabla)
next_month <- tail(next_month_forecast, 1)
print(paste("Pronóstico para enero 2025:", next_month$Tiempo, "=", next_month$Pronostico))## [1] "Pronóstico para enero 2025: 2025 = 130.937234177771"Conclusión:
Después de analizar ambos modelos, SARIMA resulta ser la opción más adecuada porque logra capturar de manera más completa la dinámica real del Índice de Producción de Cartones del Valle del Cauca. Aunque el ARIMA explica bien la tendencia general, sus predicciones tienden a mantenerse demasiado estables y no alcanzan a reflejar los cambios abruptos que sí ocurrieron en el periodo de prueba. Esto se evidenció especialmente en diciembre de 2024, donde el ARIMA mantuvo una proyección plana mientras la serie real presentó una caída pronunciada.
El modelo SARIMA, en cambio, incorpora explícitamente la estacionalidad, lo que le permite adaptarse mejor a los ciclos anuales característicos de actividades industriales como la producción de cartón. Su comportamiento en el conjunto de prueba muestra errores más pequeños, una aproximación más precisa al punto de quiebre y residuales más limpios y cercanos al ruido blanco. Además, su distribución de errores es más regular y su ACF residual no presenta picos sistemáticos, lo que confirma un mejor ajuste estructural.
En conjunto, SARIMA no solo predice con mayor exactitud, sino que comprende mejor los patrones verdaderos de la serie, lo que lo convierte en el modelo más confiable para realizar pronósticos fuera de muestra, particularmente para ALIVAL, que necesita anticipar variaciones estacionales y cambios súbitos en la industria regional de empaques.
Tasa de crecimiento
Las cifras presentadas corresponden a las tasas de crecimiento anual y
mensual del índice, las cuales permiten evaluar la dinámica reciente de
la serie y la forma en que cada modelo —ARIMA y SARIMA— interpreta y
proyecta estos cambios. Estas variaciones sirven como un punto de
referencia fundamental para analizar si los modelos logran capturar
adecuadamente las tendencias observadas, los cambios en la trayectoria
del indicador y, especialmente, la caída registrada al cierre de 2024.
Al comparar cómo cada modelo reproduce estas variaciones y cómo las
incorpora en su proyección hacia enero de 2025, es posible determinar
cuál ofrece un pronóstico más coherente con el comportamiento real de la
serie y, en consecuencia, cuál resulta más apropiado para apoyar la toma
de decisiones estratégicas de ALIVAL.
El análisis de las tasas de crecimiento anual y mensual evidencia diferencias relevantes entre el comportamiento observado del índice y la forma en que cada modelo interpreta dichas variaciones. Mientras ARIMA tiende a suavizar los cambios recientes y proyecta un rebote más elevado hacia enero de 2025, SARIMA incorpora de manera más efectiva la caída registrada al cierre de 2024, ajustando su pronóstico a un nivel más coherente con la dinámica descendente de los últimos meses.
En conjunto, las variaciones anuales y mensuales muestran que SARIMA es más sensible a los movimientos reales de la serie y refleja mejor los ciclos y patrones estacionales propios de la actividad industrial analizada. Por este motivo, el pronóstico generado por SARIMA resulta más realista y adecuado para apoyar la planificación operativa y estratégica de ALIVAL, especialmente en un contexto donde la demanda de empaques puede variar según el comportamiento mensual del sector productivo.
Aunque ambos modelos permiten proyectar el índice hacia enero de 2025, el modelo SARIMA resulta más adecuado. Su variación anual y mensual estimada es más coherente con la tendencia descendente observada al cierre de 2024, mostrando una recuperación parcial y no un rebote exagerado. Esto refleja una mayor sensibilidad a la estructura real de la serie, por lo que SARIMA ofrece un pronóstico más realista y confiable para toma de decisiones en la empresa ALIVAL.
Impacto en el sector
La proyección SARIMA indica que, tras una caída significativa en diciembre de 2024 (121), el sector experimentaría en enero de 2025 un repunte moderado del 7.4%. Indica que el sector empieza a recuperarse de la contracción registrada al final de 2024, pero que aún no retorna a los niveles altos de producción observados en 2023–2024. Se puede inferir que la demanda se estabiliza, pero todavía existe cautela en los pedidos y en la producción.
Mejora gradual en la demanda de empaques, el cartón corrugado es un indicador anticipado del comportamiento de la industria alimentaria sector al que hace parte ALIVAL, este resultado refleja mayor movimiento comercial.SARIMA proyecta un rebote más realista y menos volátil que ARIMA.Esto es importante porque evita sobreinterpretar un crecimiento desmedido. Implica que el sector no estaría entrando en un ciclo expansivo fuerte, señala una recuperación prudente, consistente con la desaceleración económica nacional.El modelo SARIMA proyecta que el índice de producción de cartón del Valle del Cauca en enero de 2025 estaría aproximadamente 10.34% por debajo de enero de 2024, indica que se produciendo mucho menos que el año anterior, que no ha recuperado los niveles de actividad de inicios de 2024.
Recomendaciones estrategicas
A partir de la proyección SARIMA,en el índice de producción de cartón para enero de 2025, se recomienda a la gerencia de ALIVAL adoptar una estrategia enfocada en la estabilidad operativa y la optimización de costos. La menor actividad del sector de empaques implica una mayor disponibilidad de insumos y un entorno favorable para negociar precios más competitivos con proveedores, lo cual puede generar eficiencias en los costos de producción. Asimismo, se sugiere fortalecer la planificación de inventarios y compras, aprovechando la mayor capacidad instalada ociosa del sector para asegurar tiempos de entrega confiables sin necesidad de sobrestock. Finalmente, dado que la desaceleración sectorial refleja un contexto económico más débil, es prudente que ALIVAL mantenga un monitoreo continuo de la demanda y preserve flexibilidad en su programación productiva, garantizando una respuesta oportuna ante posibles cambios en el ritmo de consumo o en la dinámica del mercado regional.
Decisiones internas como:
Ajuste estrategico en cuanto a turnos de produccion de acuerdo con la demanda real, evitar sobreproducción para no inmovilizar capital en inventarios, priorizar productos con mayor rotación o rentabilidad.
Optimización de inventarios de empaques y materias primas, mediante la implementacion de compras escalonadas según demanda mensual, evitando acumulación excesiva de cartón corrugado, implementar el uso de un análisis semanal de consumo para ajustar decisiones de compra.
Austeridad interna, con control de gastos operativos como reduciendo gastos administrativos no esenciales, minimizar horas extra y garantizar uso eficiente de maquinaria, evaluar líneas inactivas y optimizar consumos energéticos, reforzar mantenimientos preventivos para evitar costos de fallas.
Gestión prudente del talento humano, congelar contrataciones no críticas, reasignar funciones para evitar ampliación de nómina.
Fortalecimiento del monitoreo y análisis de datos con una implementacion de seguimiento quincenal de ventas, inventarios y abastecimiento. Se propone tambien ajustar pedidos y carga de producción.que permitan reaccionar rápido a picos o caídas.
Decisiones externas como:
Negociación estratégica con proveedores de empaques buscando precios más bajos, solicitar mejoras en plazos de pago y condiciones logísticas, establecer contratos trimestrales con tarifas preferenciales, reducir costos mediante negociación intensiva, como medida de austeridad.
Diversificación y aseguramiento de proveedores en caso de picos de demanda sosteniendo relaciones activas con múltiples proveedores confiables evitando dependencia de un solo proveedor para reducir riesgos.
Alianzas Estratégicas en un entorno de menor demanda con la propuesta de empaques personalizados con tarifas reducidas, acordando entregas más eficientes sin costos adicionales.
Priorización de proyectos de inversión externa postergando adquisiciones no esenciales mediante una evaluacion de contratos a largo plazo antes de comprometer recursos. Optar por proveedores que ofrezcan garantías de precio estable. Tener en cuenta que segun el pronostico, no es el momento para comprometer dinero en proyectos grandes, nuevos o de alto riesgo, es mejor priorizar inversiones que realmente generen valor o ahorros.