Análisis Estratégico: Sector Cafetero de Colombia (2012-2024)
Analista Senior de Datos
2026-03-05
1. Introducción y Contexto
En este informe asumimos el rol de la Gerencia de Estrategia de Café de Colombia Export S.A.S., una empresa dedicada a la exportación de café verde y procesado hacia mercados internacionales. El sector cafetero colombiano es uno de los pilares históricos de la economía del país y un importante generador de divisas, empleo y desarrollo regional. Sin embargo, su desempeño está fuertemente influenciado por factores como la volatilidad de los precios internacionales, las variaciones del tipo de cambio y las fluctuaciones en la producción agrícola. En este contexto, el análisis de datos y el estudio de series de tiempo se convierten en herramientas clave para comprender la dinámica del mercado y anticipar cambios en el comportamiento del sector.
Con el objetivo de apoyar la toma de decisiones estratégicas, este estudio analiza cinco variables relevantes del sector cafetero colombiano: exportaciones de café (XCAF), precio del café (PECAFE), producción nacional de café (PNCAFE), tasa representativa del mercado (TRM) e índice de seguimiento a la economía (ISE). El análisis conjunto de estas variables permite identificar relaciones, tendencias y posibles patrones que influyen en el desempeño del sector, proporcionando insumos para proyectar escenarios futuros y formular recomendaciones que contribuyan a optimizar las estrategias comerciales y financieras de Café de Colombia Export S.A.S.
Justificación de las variables
XCAF (Exportaciones de café): indicador directo del desempeño del comercio exterior cafetero y de los ingresos potenciales para la empresa exportadora.
PECAFE (Precio del café): refleja las condiciones del mercado internacional del café y determina la rentabilidad de las exportaciones.
PNCAFE (Producción nacional de café): mide la disponibilidad de oferta exportable y permite analizar posibles impactos de factores climáticos o productivos.
TRM (Tasa Representativa del Mercado): variable clave para el sector exportador, ya que el tipo de cambio influye directamente en los ingresos en moneda local.
ISE (Índice de Seguimiento a la Economía): indicador del comportamiento general de la economía colombiana que puede estar relacionado con la dinámica productiva del sector cafetero.
2. Metodología
2.1 Descomposición STL
Con el fin de comprender la dinámica subyacente de las variables analizadas del sector cafetero colombiano, se aplicó la técnica de descomposición STL (Seasonal and Trend decomposition using Loess) a cada una de las series de tiempo consideradas: exportaciones de café (XCAF), producción nacional (PNCAFE), precio externo del café (PECAFE), tasa representativa del mercado (TRM) e índice de seguimiento a la economía (ISE).
La descomposición STL permite separar una serie temporal en tres componentes fundamentales:
Tendencia (Trend): representa el comportamiento de largo plazo de la variable, mostrando si existe crecimiento, estabilidad o contracción estructural en el tiempo.
Estacionalidad (Seasonal): captura los patrones que se repiten periódicamente dentro de cada año, como los ciclos de cosecha característicos del sector cafetero.
Residuo o componente irregular (Remainder): corresponde a las fluctuaciones no explicadas por la tendencia ni la estacionalidad, es decir, choques externos o ruido estadístico.
3.Resultados
3.1 Carga y Preparación de Datos
3.1.1 Carga de librerías
Cargamos las librerías necesarias para el análisis de series de tiempo y visualización interactiva.
library(readxl)
library(tidyverse)
library(lubridate)
library(tseries)
library(forecast)
library(ggplot2)
library(plotly)
library(kableExtra)3.1.2 Importación del Dataset
Leemos la base de datos maestra Base Caso2.xlsx.
# Cargar datos
data_raw <- read_excel("Base Caso2.xlsx")
# Selección de nuestras 5 variables de interés + Fecha
df_cafe <- data_raw %>%
select(FECHA, XCAF, PNCAFE, PECAFE, TRM, ISE) %>%
mutate(FECHA = as.Date(FECHA)) # Asegurar formato fechaEstado de los KPIs al cierre de Diciembre 2024
| Indicador | Valor.Actual | Var..Anual…. |
|---|---|---|
| Exportaciones (XCAF) | 462,940.1 | 50.97 |
| Producción (PNCAFE) | 1,798.231 | 47.40 |
| Tasa de Cambio (TRM) | 4,386.39 | 11.10 |
| Precio Externo (PECAFE) | 340.5167 | 64.56 |
Nota Estratégica: Los colores en la columna de variación anual indican la dirección del crecimiento. Para una exportadora, un aumento en la TRM es positivo (verde), mientras que una caída en la producción es una señal de alerta (rojo).
3.2 Conversión a Series de Tiempo (ts)
Transformamos cada variable en un objeto de serie de tiempo mensual (frecuencia = 12), iniciando en Enero de 2012.
# Definir inicio y frecuencia
start_date <- c(2012, 1)
freq <- 12
# Crear objetos ts
ts_xcaf <- ts(df_cafe$XCAF, start = start_date, frequency = freq)
ts_pncafe <- ts(df_cafe$PNCAFE, start = start_date, frequency = freq)
ts_pecafe <- ts(df_cafe$PECAFE, start = start_date, frequency = freq)
ts_trm <- ts(df_cafe$TRM, start = start_date, frequency = freq)
ts_ise <- ts(df_cafe$ISE, start = start_date, frequency = freq)
# Verificar estructura de una serie (ej. Exportaciones)
print(ts_xcaf)## Jan Feb Mar Apr May Jun Jul Aug
## 2012 197295.8 186693.3 203636.0 121442.5 167643.9 162433.1 151832.1 180244.0
## 2013 177150.5 171569.2 127181.2 152040.1 168982.2 138026.6 159759.0 169039.9
## 2014 142633.8 202636.1 153516.9 224406.6 213123.9 161247.5 229475.0 218584.5
## 2015 288671.5 251209.4 211129.0 182545.4 194717.5 160584.9 239676.4 218630.5
## 2016 163588.4 184225.8 179113.8 281209.6 152586.3 176288.8 128997.8 169424.1
## 2017 232188.4 214883.5 295930.9 217795.8 196637.3 137977.0 230431.8 211174.9
## 2018 255058.1 187220.6 201578.7 205465.6 190580.9 147559.5 166218.3 213792.4
## 2019 260699.1 221412.3 193807.5 186052.9 143552.4 147796.7 205010.7 218999.2
## 2020 249836.3 215605.6 170321.5 157384.0 141864.0 194805.8 270277.4 201786.8
## 2021 255455.2 267999.8 278224.9 243363.4 124318.7 115655.4 309123.1 322175.0
## 2022 332201.4 383477.5 412235.8 327940.2 275625.7 369007.8 394622.5 323525.4
## 2023 250131.8 261153.3 292938.5 212748.0 251607.5 225461.4 227622.0 226253.7
## 2024 231800.6 258106.5 238506.5 261112.5 268005.6 285915.9 291114.4 318115.4
## Sep Oct Nov Dec
## 2012 123549.6 159793.2 144269.2 166159.5
## 2013 152688.2 152603.0 173174.7 191779.4
## 2014 216896.0 252496.3 267402.2 244052.0
## 2015 250151.3 179340.6 191276.3 217993.9
## 2016 196074.9 193648.9 219217.4 429058.8
## 2017 240608.9 215414.3 198250.7 203778.0
## 2018 179237.1 194640.1 191052.0 216342.7
## 2019 167456.2 195326.7 193952.8 242374.7
## 2020 217897.4 173371.9 227635.8 316675.7
## 2021 268316.6 327953.2 316349.7 376919.2
## 2022 339103.7 323641.1 293141.5 348771.0
## 2023 234930.5 188621.9 251091.2 306637.2
## 2024 284093.6 338376.9 325234.9 462940.13.3 Dinámica de Exportaciones (XCAF) vs Producción
(PNCAFE)
Se identifican los choques externos históricos que han distorsionado la serie: el inicio de la Pandemia (Marzo 2020) y el Paro Nacional (Abril-Mayo 2021), este último con un impacto logístico severo en la salida de café por el Puerto de Buenaventura.
# Gráfico interactivo con Shocks Históricos
p1 <- df_cafe %>%
ggplot(aes(x = FECHA)) +
geom_line(aes(y = XCAF, color = "Exportaciones (USD)"), size = 0.8) +
geom_line(aes(y = PNCAFE * 10, color = "Producción (Sacos x10)"), size = 0.8, linetype = "dashed") +
# Anotaciones de Shocks
geom_vline(xintercept = as.numeric(as.Date("2020-03-01")), linetype="dotted", color="#e74c3c", size=1) +
annotate("text", x=as.Date("2020-03-01"), y=1500000, label="Pandemia", angle=90, vjust=-0.5, color="#c0392b") +
geom_vline(xintercept = as.numeric(as.Date("2021-05-01")), linetype="dotted", color="#e74c3c", size=1) +
annotate("text", x=as.Date("2021-05-01"), y=1500000, label="Paro Nacional", angle=90, vjust=-0.5, color="#c0392b") +
scale_y_continuous(sec.axis = sec_axis(~./10, name = "Producción (Miles de Sacos)")) +
labs(title = "XCAF vs PNCAFE: Evolución Histórica con Shocks",
y = "Exportaciones (Miles USD)", x = "Tiempo", color = "Variable") +
theme_minimal() +
scale_color_manual(values = c("Exportaciones (USD)" = "#2c3e50", "Producción (Sacos x10)" = "#e67e22"))
ggplotly(p1)Interpretación Preliminar: Observamos una clara estacionalidad en la producción (línea naranja discontinua), con picos y valles marcados cada año, lo cual es típico de los ciclos de cosecha cafetera. Las exportaciones (línea azul) parecen seguir una tendencia relacionada, pero con variaciones de amplitud diferentes, probablemente influenciadas por el precio internacional y la TRM.
3.4 Extracción de Señales (Descomposición STL)
Para una empresa exportadora, es vital separar el “ruido” de corto plazo y los ciclos estacionales de la verdadera tendencia de mercado. Utilizaremos la técnica STL (Seasonal and Trend decomposition using Loess).
3.4.1 Descomposición de las Variables Clave
Aplicamos STL a nuestras 5 series temporales para extraer la Tendencia (Trend), la Estacionalidad (Seasonal) y los Residuos (Remainder).
# Función para realizar STL y graficar interactivamente
analizar_stl <- function(ts_data, titulo, color_pal) {
decomp <- stl(ts_data, s.window = "periodic")
df_stl <- data.frame(
Time = rep(time(ts_data), 4),
Value = c(decomp$time.series[, "seasonal"],
decomp$time.series[, "trend"],
decomp$time.series[, "remainder"],
ts_data),
Componente = rep(c("Estacionalidad", "Tendencia", "Residuo", "Serie Original"), each = length(ts_data))
)
p <- ggplot(df_stl, aes(x = Time, y = Value, color = Componente)) +
geom_line() +
facet_wrap(~Componente, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = paste("Descomposición STL:", titulo), x = "Tiempo", y = "Valor") +
scale_color_manual(values = color_pal)
return(list(plot = ggplotly(p), decomp = decomp))
}
# Definir paleta de colores profesional
paleta <- c("Estacionalidad" = "#16a085", "Tendencia" = "#2980b9", "Residuo" = "#7f8c8d", "Serie Original" = "#2c3e50")
# Ejecutar para variables críticas
res_xcaf <- analizar_stl(ts_xcaf, "Exportaciones de Café (USD)", paleta)
res_pncafe <- analizar_stl(ts_pncafe, "Producción de Café (Sacos)", paleta)
res_pecafe <- analizar_stl(ts_pecafe, "Precio Externo del Café (USD)", paleta)
res_trm <- analizar_stl(ts_trm, "Tasa de Cambio (TRM)", paleta)
res_ise <- analizar_stl(ts_ise, "Índice Seguimiento Economía (ISE)", paleta)Visualización STL: Exportaciones (XCAF)
res_xcaf$plotVisualización STL: Precio Externo (PECAFE)
res_pecafe$plotVisualización STL: Producción de Café (PNCAFE)
res_pncafe$plotVisualización STL: Tasa de Cambio (TRM)
res_trm$plotVisualización STL: Índice Seguimiento Economía
(ISE)
res_ise$plot3.4.2 Ajuste Estacional y Tendencia
Para nuestra exportadora, la Serie Ajustada por Estacionalidad (SA) es la señal más importante, ya que permite ver si estamos creciendo “realmente” independientemente de la época del año.
# Función general para graficar Original vs Ajustada vs Tendencia
graficar_sa_trend <- function(ts_orig, res_obj, titulo, unidades, fechas) {
# Calcular Serie Ajustada (Original - Estacionalidad)
sa <- ts_orig - res_obj$decomp$time.series[, "seasonal"]
df_comp <- data.frame(
Fecha = fechas,
Original = as.numeric(ts_orig),
Ajustada = as.numeric(sa),
Tendencia = as.numeric(res_obj$decomp$time.series[, "trend"])
)
p <- df_comp %>%
ggplot(aes(x = Fecha)) +
geom_line(aes(y = Original, color = "Original"), alpha = 0.4) +
geom_line(aes(y = Ajustada, color = "Ajustada por Estacionalidad"), size = 0.8) +
geom_line(aes(y = Tendencia, color = "Tendencia de Largo Plazo"), size = 1, linetype = "dashed") +
labs(title = paste(titulo, ": Señal 'Limpia'"),
y = unidades, color = "Señal") +
theme_minimal() +
scale_color_manual(values = c("Original" = "grey",
"Ajustada por Estacionalidad" = "#27ae60",
"Tendencia de Largo Plazo" = "#c0392b"))
return(ggplotly(p))
}
# 1. Extraer Series Ajustadas (SA) para uso posterior si es necesario
xcaf_sa <- ts_xcaf - res_xcaf$decomp$time.series[, "seasonal"]
pncafe_sa <- ts_pncafe - res_pncafe$decomp$time.series[, "seasonal"]
pecafe_sa <- ts_pecafe - res_pecafe$decomp$time.series[, "seasonal"]
trm_sa <- ts_trm - res_trm$decomp$time.series[, "seasonal"]
ise_sa <- ts_ise - res_ise$decomp$time.series[, "seasonal"]
# 2. Generar Gráficos para las 5 variables
graficar_sa_trend(ts_xcaf, res_xcaf, "XCAF (Exportaciones)", "Miles USD", df_cafe$FECHA)graficar_sa_trend(ts_pncafe, res_pncafe, "PNCAFE (Producción)", "Sacos", df_cafe$FECHA)graficar_sa_trend(ts_pecafe, res_pecafe, "PECAFE (Precio)", "USD", df_cafe$FECHA)graficar_sa_trend(ts_trm, res_trm, "TRM (Tasa Cambio)", "COP/USD", df_cafe$FECHA)graficar_sa_trend(ts_ise, res_ise, "ISE (Economía)", "Índice", df_cafe$FECHA)Al eliminar la estacionalidad mediante la descomposición STL, se observa que las exportaciones de café (XCAF) presentan fluctuaciones importantes alrededor de una tendencia creciente. La tendencia de largo plazo muestra un aumento gradual desde 2012 hasta aproximadamente 2020, seguido de una expansión más marcada en los años posteriores, alcanzando niveles elevados hacia el final del periodo. Esto sugiere un fortalecimiento reciente del sector exportador.
En cuanto a la producción de café (PNCAFE), la serie muestra una mayor volatilidad estructural. La tendencia evidencia un crecimiento inicial entre 2012 y 2016, seguido de un periodo relativamente estable hasta 2019. Posteriormente se observa una fase de contracción o estancamiento entre 2020 y 2022, con una recuperación significativa en los últimos años, lo que indica una posible reactivación del ciclo productivo.
Por su parte, el precio internacional del café (PECAFE) presenta una tendencia descendente hasta aproximadamente 2019, reflejando un periodo prolongado de precios relativamente bajos. Sin embargo, a partir de 2020 se observa un fuerte repunte que alcanza máximos hacia 2022, seguido de una corrección moderada y un nuevo incremento hacia el final del periodo, evidenciando la alta sensibilidad del mercado a cambios en la oferta y la demanda global.
En el contexto macroeconómico, la tasa de cambio (TRM) muestra una tendencia general de depreciación del peso colombiano a lo largo del periodo analizado, pasando de niveles cercanos a 1800 COP/USD a valores superiores a 4000 COP/USD. Después de alcanzar un máximo alrededor de 2022, se observa una ligera corrección y posterior estabilización en niveles relativamente altos.
Finalmente, el índice de actividad económica (ISE) evidencia una tendencia de crecimiento sostenido desde 2012 hasta 2019, seguida de una caída abrupta alrededor de 2020 asociada a un choque macroeconómico significativo. Posteriormente, el indicador muestra una recuperación rápida y retoma su senda de crecimiento, alcanzando niveles superiores a los observados antes del choque. En conjunto, estas dinámicas sugieren que el desempeño reciente del sector cafetero ha estado influenciado tanto por factores propios del mercado internacional del café como por condiciones macroeconómicas favorables, como la depreciación del tipo de cambio y la recuperación de la actividad económica.
3.4.3 Análisis de Tasas de Crecimiento Anual de la Tendencia (%)
Para una visión estratégica de largo plazo, calculamos la tasa de crecimiento anual de la Tendencia (Ciclo-Tendencia) de todas nuestras variables. Esto nos permite ver si el crecimiento es estructural o simplemente un rebote estacional.
# Función para calcular tasa de crecimiento anual (t / t-12 - 1) * 100
calcular_tasa_anual <- function(ts_data) {
tasa <- (ts_data[13:length(ts_data)] / ts_data[1:(length(ts_data) - 12)] - 1) * 100
return(tasa)
}
# Calcular tasas para todas las variables
df_tasas_all <- data.frame(
Fecha = df_cafe$FECHA[13:nrow(df_cafe)],
XCAF = calcular_tasa_anual(res_xcaf$decomp$time.series[, "trend"]),
PNCAFE = calcular_tasa_anual(res_pncafe$decomp$time.series[, "trend"]),
PECAFE = calcular_tasa_anual(res_pecafe$decomp$time.series[, "trend"]),
TRM = calcular_tasa_anual(res_trm$decomp$time.series[, "trend"]),
ISE = calcular_tasa_anual(res_ise$decomp$time.series[, "trend"])
) %>%
pivot_longer(-Fecha, names_to = "Variable", values_to = "Tasa")
# Gráfico comparativo de Tasas de Crecimiento
p_tasas_comp <- df_tasas_all %>%
ggplot(aes(x = Fecha, y = Tasa, color = Variable)) +
geom_line(size = 0.8) +
geom_hline(yintercept = 0, linetype = "dashed", color = "red", alpha = 0.5) +
facet_wrap(~Variable, scales = "free_y") +
labs(title = "Crecimiento Anual de la Tendencia por Variable (%)",
subtitle = "Señales estructurales libres de estacionalidad y ruido",
y = "% Variación Anual", x = "Año") +
theme_minimal() +
theme(legend.position = "none")
ggplotly(p_tasas_comp)La tasa de crecimiento de la tendencia ha fluctuado significativamente. Los periodos por debajo de la línea roja (crecimiento negativo) indican momentos de contracción estructural del mercado, vitales para que la gerencia de Café de Colombia Export S.A.S. tome medidas de austeridad o diversificación.
3.5 Interacción entre Variables (Análisis de Relaciones)
En esta sección, evaluamos cómo las variables externas y de oferta impactan nuestras exportaciones. Como “Café de Colombia Export S.A.S.”, necesitamos saber si nuestros ingresos dependen más del Precio Internacional (PECAFE) o de la Tasa de Cambio (TRM).
3.5.1 Matriz de Correlación (Series Ajustadas por Estacionalidad)
Para identificar los verdaderos impulsores del negocio, analizamos la correlación entre las Series Ajustadas (SA). Al eliminar la estacionalidad, evitamos “correlaciones espurias” (falsos positivos causados porque ambas variables suben en la misma época del año, como en la cosecha).
library(ggcorrplot)
# Crear dataframe con las series ajustadas (Seasonally Adjusted)
df_sa <- data.frame(
XCAF = as.numeric(xcaf_sa),
PNCAFE = as.numeric(pncafe_sa),
PECAFE = as.numeric(pecafe_sa),
TRM = as.numeric(trm_sa),
ISE = as.numeric(ise_sa)
)
# Calcular matriz de correlación de Pearson sobre señales limpias
cor_matrix_sa <- cor(df_sa, use = "complete.obs")
# Graficar Heatmap
ggcorrplot(cor_matrix_sa,
hc.order = TRUE,
type = "lower",
lab = TRUE,
colors = c("#e74c3c", "white", "#27ae60"),
title = "Matriz de Correlación: Señales Limpias (SA)")
Observamos una correlación positiva moderada/fuerte. Esto sugiere que un dólar más caro incentiva mayores niveles de exportación o aumenta el valor exportado en términos nominales. - PNCAFE vs XCAF: La producción tiene una relación directa con las exportaciones, lo cual es lógico: mayor oferta disponible permite mayores volúmenes de venta al exterior. - ISE vs Otros: La correlación con el indicador de la economía general nos muestra qué tanto el sector cafetero se mueve al ritmo del país.
3.5.2 Análisis de Dispersión (Señales Limpias)
Analizamos la relación entre el Precio Externo (PECAFE) y las Exportaciones (XCAF) utilizando las series ajustadas por estacionalidad. Esto nos permite ver la sensibilidad “pura” de nuestros ingresos ante cambios en el precio internacional, eliminando el efecto de los picos de cosecha.
# Gráfico de dispersión interactivo con datos ajustados
p_scatter <- df_sa %>%
ggplot(aes(x = PECAFE, y = XCAF)) +
geom_point(aes(color = TRM), alpha = 0.6) +
geom_smooth(method = "lm", color = "#c0392b", fill = "#e74c3c") +
scale_color_gradient(low = "#3498db", high = "#e67e22") +
labs(title = "Relación Estructural: Precio Externo vs Exportaciones (SA)",
subtitle = "Datos ajustados por estacionalidad - Color por TRM",
x = "Precio Externo Ajustado (USD)",
y = "Exportaciones Ajustadas (Miles USD)") +
theme_minimal()
ggplotly(p_scatter)Insight de Estrategia: La pendiente positiva confirma que mayores precios internacionales atraen mayores divisas. Sin embargo, los puntos más altos (mayores exportaciones) tienden a ocurrir cuando la TRM (color naranja) también es elevada. Nuestra “Tormenta Perfecta” de rentabilidad ocurre cuando el Precio Externo > 200 y la TRM > 4000.
3.5.3 Correlación Cruzada (CCF) y Rezagos (Lags)
¿Un aumento en el precio hoy se refleja hoy mismo en las exportaciones o hay un retraso? Analizamos la Correlación Cruzada (CCF) entre el Precio Externo y las Exportaciones.
# Análisis de correlación cruzada (Serie de exportaciones vs Rezagos de precio externo)
# Usamos las series ajustadas por estacionalidad para evitar correlaciones espurias
ccf_res <- ccf(as.numeric(pecafe_sa), as.numeric(xcaf_sa), lag.max = 12, plot = FALSE)
# Convertir a dataframe para graficar
df_ccf <- data.frame(Lag = ccf_res$lag, ACF = ccf_res$acf)
p_ccf <- df_ccf %>%
ggplot(aes(x = Lag, y = ACF)) +
geom_bar(stat = "identity", fill = "#34495e", width = 0.5) +
geom_hline(yintercept = c(-1.96/sqrt(length(xcaf_sa)), 1.96/sqrt(length(xcaf_sa))),
color = "red", linetype = "dashed") +
labs(title = "Correlación Cruzada: PECAFE vs XCAF (Lags)",
subtitle = "Lags negativos indican que el Precio precede a las Exportaciones",
x = "Rezago (Meses)", y = "Correlación") +
theme_minimal()
ggplotly(p_ccf)Si observamos una barra significativa en un lag negativo (ej. Lag -1 o -2), significa que el Precio de hoy impacta las Exportaciones de dentro de 1 o 2 meses. Esto es fundamental para la planeación logística y de inventarios de nuestra empresa.
3.5.4 Análisis de Volatilidad: Original vs Ajustada
Para la gestión de riesgos de “Café de Colombia Export S.A.S.”, es crucial entender cuánta de la variabilidad de nuestras métricas es predecible (estacional) y cuánta es riesgo puro (incertidumbre).
# Función para calcular coeficiente de variación (Desviación / Media)
# El CV permite comparar volatilidad entre variables con diferentes unidades
cv <- function(x) (sd(x, na.rm=T) / mean(x, na.rm=T)) * 100
volatilidad <- data.frame(
Variable = c("XCAF", "PNCAFE", "PECAFE", "TRM", "ISE"),
Vol_Original = c(cv(ts_xcaf), cv(ts_pncafe), cv(ts_pecafe), cv(ts_trm), cv(ts_ise)),
Vol_Ajustada = c(cv(xcaf_sa), cv(pncafe_sa), cv(pecafe_sa), cv(trm_sa), cv(ise_sa))
) %>%
mutate(Reduccion_Ruido = Vol_Original - Vol_Ajustada)
volatilidad %>%
kbl(caption = "Comparativa de Volatilidad (Coeficiente de Variación %)") %>%
kable_styling(bootstrap_options = c("striped", "hover"))| Variable | Vol_Original | Vol_Ajustada | Reduccion_Ruido |
|---|---|---|---|
| XCAF | 29.72552 | 27.835021 | 1.8905011 |
| PNCAFE | 23.60270 | 19.043308 | 4.5593963 |
| PECAFE | 27.04873 | 27.041533 | 0.0071975 |
| TRM | 27.58491 | 27.515505 | 0.0694063 |
| ISE | 11.22141 | 9.952956 | 1.2684556 |
Insight de Gestión de Riesgos: - PNCAFE (Producción): Es la variable donde el ajuste estacional reduce más la volatilidad. Esto confirma que la oferta de café es altamente predecible según el calendario de cosechas. - PECAFE y TRM: La reducción de volatilidad es mínima, lo que indica que estos son riesgos de mercado puros que no dependen de la época del año. Aquí es donde la empresa debe enfocar sus instrumentos de cobertura (Derivados/Forward).
3.5.5 Dinámica de Causalidad: ¿Producción limita Exportación?
Teóricamente, las exportaciones de nuestra empresa están “topadas” por la disponibilidad de inventario nacional.
Análisis Estratégico: Al observar la correlación positiva entre PNCAF y XCAF, confirmamos que en periodos de baja producción estructural (como los años de exceso de lluvia por fenómeno de La Niña), nuestra capacidad de cumplir contratos internacionales se ve comprometida, independientemente de si el precio externo es favorable. Esto resalta la importancia de la diversificación de orígenes o la gestión de inventarios de seguridad.
3.6 Pruebas de Estacionariedad y Robustez (ADF Test)
Como paso previo al modelado predictivo, es indispensable determinar si nuestras series son estacionarias. Un modelo de pronóstico confiable requiere que la media y la varianza de los datos sean constantes en el tiempo.
3.6.1 Transformación Logarítmica
Para variables con alta volatilidad como la TRM y las Exportaciones, aplicamos una transformación logarítmica para estabilizar la varianza (heterocedasticidad).
# Aplicar logaritmo
log_xcaf <- log(ts_xcaf)
log_trm <- log(ts_trm)
# Comparativa visual
par(mfrow = c(1, 2))
plot(ts_xcaf, main = "Original XCAF", col = "#2980b9")
plot(log_xcaf, main = "Log(XCAF)", col = "#c0392b")
3.6.2 Test de Dickey-Fuller Aumentado (ADF)
El test ADF nos dirá científicamente cuántas diferenciaciones necesita la serie antes de entrar al modelo ARIMA.
- H0: La serie no es estacionaria (tiene raíz unitaria).
- H1: La serie es estacionaria.
- Regla: Si p-value < 0.05, aceptamos H1.
library(tseries)
# Realizar test ADF en niveles
adf_xcaf_original <- adf.test(ts_xcaf)
adf_xcaf_log <- adf.test(log_xcaf)
# Mostrar resultados en una tabla elegante
adf_results <- data.frame(
Variable = c("XCAF (Original)", "XCAF (Log)"),
`P-Value` = c(adf_xcaf_original$p.value, adf_xcaf_log$p.value),
`¿Es Estacionaria?` = c(ifelse(adf_xcaf_original$p.value < 0.05, "SI", "NO"),
ifelse(adf_xcaf_log$p.value < 0.05, "SI", "NO"))
)
adf_results %>%
kbl() %>%
kable_styling(full_width = F)| Variable | P.Value | X.Es.Estacionaria. |
|---|---|---|
| XCAF (Original) | 0.1499997 | NO |
| XCAF (Log) | 0.0560125 | NO |
Interpretación Técnica: Si el p-value es mayor a 0.05 (NO), la serie necesita una primera diferencia ( d = 1 ). Esto es clave para configurar nuestro modelo ARIMA en la siguiente etapa. La transformación logarítmica ha ayudado a que la serie sea más tratable estadísticamente.
4. Recomendaciones
A partir de las tendencias identificadas en las series y las relaciones entre variables, se pueden plantear algunas recomendaciones estratégicas para empresas exportadoras del sector cafetero. En primer lugar, dado que las exportaciones de café (XCAF) muestran una tendencia creciente desde 2020 y una recuperación reciente desde 2023, la empresa debería fortalecer su capacidad de exportación y consolidar contratos de largo plazo en mercados internacionales, aprovechando los periodos en los que el precio internacional del café (PECAFE) presenta tendencias alcistas, como las observadas después de 2020 y nuevamente desde 2023. Esto permitiría capturar mayores ingresos durante ciclos favorables de precios.
En segundo lugar, considerando que la tasa de cambio (TRM) mantiene una tendencia estructural de depreciación del peso colombiano, las empresas exportadoras pueden beneficiarse de mayores ingresos en moneda local. Por ello, se recomienda implementar estrategias de cobertura cambiaria y planificación financiera, aprovechando periodos de TRM alta para cerrar contratos de exportación o asegurar ingresos futuros. Además, dado que la producción nacional (PNCAFE) ha mostrado volatilidad con caídas entre 2020 y 2022 y una recuperación fuerte en 2023, es recomendable aumentar la producción e invertir en tecnologías agrícolas, renovación de cafetales y gestión climática, con el fin de reducir la vulnerabilidad productiva ante fenómenos climáticos como El Niño o La Niña.
Finalmente, la relación entre el Índice de Seguimiento a la Economía (ISE) y el desempeño del sector cafetero sugiere que el crecimiento económico influye en la dinámica de exportaciones y demanda. Por esta razón, las empresas deberían monitorear los ciclos económicos y diversificar sus mercados y productos, por ejemplo hacia cafés especiales o productos con mayor valor agregado. Estas decisiones también tienen impacto en otros sectores como logística, comercio exterior y servicios financieros, que se benefician del aumento en las exportaciones y del uso de instrumentos de cobertura y financiamiento asociados al comercio internacional.