#install.packages("readxl")
library(readxl)
#install.packages("forecast")
library(forecast)
hershey <- read_excel(file.choose())
serie_de_tiempo <- ts(data = hershey, start = c(2017,1), frequency = 12)
serie_de_tiempo
##           Jan      Feb      Mar      Apr      May      Jun      Jul      Aug
## 2017 25520.51 23740.11 26253.58 25868.43 27072.87 27150.50 27067.10 28145.25
## 2018 28463.69 26996.11 29768.20 29292.51 29950.68 30099.17 30851.26 32271.76
## 2019 32496.44 31287.28 33376.02 32949.77 34004.11 33757.89 32927.30 34324.12
##           Sep      Oct      Nov      Dec
## 2017 27546.29 28400.37 27441.98 27852.47
## 2018 31940.74 32995.93 32197.12 31984.82
## 2019 35151.28 36133.07 34799.91 34846.17
modelo <- auto.arima(serie_de_tiempo)
modelo
## Series: serie_de_tiempo 
## ARIMA(1,0,0)(1,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     sar1     drift
##       0.6383  -0.5517  288.8979
## s.e.  0.1551   0.2047   14.5026
## 
## sigma^2 = 202701:  log likelihood = -181.5
## AIC=371   AICc=373.11   BIC=375.72
summary(modelo)
## Series: serie_de_tiempo 
## ARIMA(1,0,0)(1,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     sar1     drift
##       0.6383  -0.5517  288.8979
## s.e.  0.1551   0.2047   14.5026
## 
## sigma^2 = 202701:  log likelihood = -181.5
## AIC=371   AICc=373.11   BIC=375.72
## 
## Training set error measures:
##                    ME    RMSE    MAE        MPE      MAPE       MASE      ACF1
## Training set 25.22158 343.864 227.17 0.08059932 0.7069542 0.06491044 0.2081026
pronostico <- forecast(modelo, level = c(95), h = 12)
pronostico
##          Point Forecast    Lo 95    Hi 95
## Jan 2020       35498.90 34616.48 36381.32
## Feb 2020       34202.17 33155.28 35249.05
## Mar 2020       36703.01 35596.10 37809.92
## Apr 2020       36271.90 35141.44 37402.36
## May 2020       37121.98 35982.07 38261.90
## Jun 2020       37102.65 35958.90 38246.40
## Jul 2020       37151.04 36005.73 38296.34
## Aug 2020       38564.64 37418.70 39710.58
## Sep 2020       38755.22 37609.03 39901.42
## Oct 2020       39779.02 38632.72 40925.32
## Nov 2020       38741.63 37595.28 39887.97
## Dec 2020       38645.86 37499.50 39792.22
plot(pronostico)

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

a.- El modelo que mejor se adapta a la serie es un ARIMA(1,0,0)(1,1,0)[12] con drift. Este modelo captura correctamente la tendencia creciente y la estacionalidad anual presente en las ventas mensuales

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

a.- El modelo seleccionado ofrece una exactitud predictiva muy alta, reflejada en un MAPE cercano al 1%.

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

a.- Hershey está proyectado a vender (en su mejor mes) 397 mil (en octubre), pero acabaría el año con 386 mil de ventas mensuales.

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

a.- De los tres escenarios futuros, escenario A: Acabar el año con 386 mil en ventas mensuales. Escenario B: Acabar el año con 375 mil en ventas mensuales. Escenario C: Acabar el año con 400 mil en ventas mensuales. Prácticamente, una diferencia de 150 mil entre los escenarios pesimista, esperado y optimista.

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

a.- Se recomienda planear producción e inventarios según el patrón mensual observado. La estabilidad de la serie permite tomar decisiones financieras con menor riesgo y apoyar un crecimiento controlado