1. INTRODUCCIÓN

El presente informe tiene como objetivo analizar el comportamiento de variables macroeconómicas relevantes mediante técnicas de series de tiempo, específicamente a través de modelos ARIMA y SARIMA, con el fin de identificar patrones, tendencias y dinámicas que permitan generar pronósticos útiles para la toma de decisiones empresariales.

En este contexto, la extracción de señales como (tendencia, estacionalidad y componentes residuales) adquiere un papel clave, al permitir descomponer las series y comprender los factores estructurales y coyunturales que explican su comportamiento. A partir de este entendimiento, es posible no solo proyectar valores futuros, sino también interpretar los riesgos y oportunidades asociados a cada variable analizada para benificio de la empresa.

Para aterrizar este análisis en un entorno real, se toma como referencia a Grupo Nutresa, uno de los principales conglomerados de alimentos procesados en Colombia, con operaciones en múltiples países de América Latina (ver Imagen 1. Ubicación y participación de productos de Grupo Nutresa). Su modelo de negocio, basado en la producción, distribución y comercialización de alimentos, lo ubica en la intersección entre la actividad manufacturera, el consumo de los hogares y el comercio exterior.

En consecuencia, el desempeño de la compañía se encuentra directamente influenciado por la evolución de la actividad económica, tanto desde el lado de la producción como de la demanda, así como por las condiciones del entorno internacional. Bajo este enfoque, el análisis desarrollado en este informe busca responder a preguntas clave como: ¿qué está ocurriendo en el entorno económico?, ¿qué tendencias se pueden anticipar?, y ¿qué implicaciones tienen estos resultados para la toma de decisiones estratégicas en Grupo Nutresa?

                  Imagen 1: Ubicación y participación de productos de Grupo Nutresa:

Fuente: Presentación de Inversionistas 2025 - Grupo Nutresa

2. SELECCIÓN DE VARIABLES

Para el análisis del sector, se seleccionaron las siguientes tres variables clave, tomando una como variable principal a diagnosticar:

IPIR (Producción industrial): Se selecciona como variable principal porque refleja el nivel de actividad del sector industrial/manufacturero en el cual opera directamente Grupo Nutresa. Este indicador permite capturar la dinámica productiva del país y su evolución en el tiempo, siendo altamente relevante para el análisis del desempeño industrial operativo del grupo (Un IPIR al alza suele indicar una mayor dinámica productiva que puede preceder a buenos reportes de ingresos),.

El IPIR tiene una correlación directa con el sector manufacturero: Nutresa opera a través de ocho unidades de negocio (Cárnicos, Galletas, Chocolates, Cafés, etc.) que dependen totalmente de la capacidad productiva industrial.

MIN (Ventas minoristas): Representa el comportamiento del consumo de los hogares. Dado que los productos de Nutresa están orientados al consumo masivo, esta variable permite analizar la demanda interna y su impacto sobre la comercialización de producto; si el comercio minorista cae, sus ventas se verán afectadas sin importar qué tan eficiente sea su producción.

X (Exportaciones totales): Permite incorporar el componente externo del análisis. Grupo Nutresa tiene presencia internacional, por lo que el comportamiento de las exportaciones refleja la demanda externa y la integración del sector en mercados internacionales.

Con estas variables se busca responder: ¿Qué está pasando en el sector?, ¿Qué tendencias vienen?, ¿Cómo debería reaccionar la empresa ante dichos excenarios?

Extracción de señales

La extracción de señales en series de tiempo consiste en descomponer una variable en sus principales componentes (tendencia, estacionalidad y componente irregular). Este proceso permite entender cómo ha evolucionado el comportamiento de la variable en el tiempo, identificando patrones estructurales y variaciones recurrentes que no son evidentes en la serie original.

Su importancia radica en que facilita una lectura más profunda de los datos, permitiendo distinguir entre cambios permanentes, fluctuaciones periódicas y movimientos aleatorios. Esto es fundamental para el análisis económico, ya que ayuda a interpretar correctamente la dinámica del sector y a evitar conclusiones basadas en variaciones temporales o ruido.

A manera de contexto, en el siguiente gráfico se muestra el comportamiento original de la Producción industrial en colombia durante los últimos 13 años:

La producción industrial presenta una tendencia creciente en el largo plazo, interrumpida por un choque significativo en 2020 asociado a la pandemia, pasando de un promedio de 101,5% en 2019 y llegando a bajar a los 61,9% en abril de 2020; igualmente, se observa una caída puntual en el nivel de producción industrial alrededor de mayo de 2021 pasando de 101,6% en abril a 82,8% en mayo de este mismo año, esta última caida esta asociada al Paro Nacional en Colombia el cual afecto fuertemente al valle del cauca. Posteriormente se evidencia en el gráfico una recuperación relativamente sostenida en el tiempo, lo que sugiere resiliencia del sector manufacturero.

Acontinuación se realiza la extracción de variables para analisar el comportamiento sin ruido que pueda afectar la toma de decisiones:

Extracción señales variable 1

En la descomposición del IPIR se observa que la serie original influenciada por una tendencia creciente en el largo plazo, con una caída significativa en 2020 y posterior recuperación. La linea del componente estacional muestra patrones recurrentes relativamente estables a lo largo del tiempo. Por su parte, el componente residual recoge choques puntuales, destacándose variaciones abruptas asociadas a eventos extraordinarios como la pandemia en 2020 y el paro nacional en 2021, evidenciando que parte de la variabilidad no es explicada por la tendencia ni la estacionalidad.

Extracción señales variable 2

En el caso de las ventas minoristas, la serie original presenta una tendencia claramente creciente con una leve caida en el año 2020, reflejando la expansión del consumo en el tiempo. La estacionalidad es más marcada que en el IPIR, con picos recurrentes que evidencian patrones de consumo asociados a periodos específicos del año. La tendencia confirma un crecimiento sostenido, mientras que el componente residual muestra variaciones puntuales, especialmente durante periodos de choque como el año 2020 y con menor caida en el año 2021, indicando que, aunque el consumo sigue una dinámica estructurada, también es sensible a cambios coyunturales.

Extracción señales variable 3

Para las exportaciones totales, la serie original muestra un comportamiento más volátil en comparación con las otras variables. La tendencia no es tan claramente definida y presenta fases de caída (año 2016 a 2020) y recuperación (2021 a 2022) y estabilización en 2023 a 2025. La estacionalidad está presente, pero no presenta un patrón constante en el tiempo, ya que la magnitud y forma de los ciclos varía entre periodos, mientras que el componente residual muestra fluctuaciones más amplias, lo que evidencia que una parte importante del comportamiento de las exportaciones responde a choques externos y dinámicas del mercado internacional.

Después de la descomposición temporal de cada variable, se extrae la variable ajustada por estacionalidad para graficarla junto con la serie original y ampliar el análisis:

Gráfico serie original VS ajustada Variable 1

En este gráfico se observa que la serie ajustada por estacionalidad sigue muy de cerca la serie original, lo que indica que en el IPIR el componente estacional existe, pero no altera de manera drástica la trayectoria general de la variable. Las mayores diferencias entre ambas series se presentan en momentos puntuales, mientras que la tendencia de fondo se mantiene bastante similar.

Para Grupo Nutresa, esto implica que la evolución del entorno manufacturero a nivel general depende más del ciclo económico y de eventos coyunturales que de patrones estacionales marcados, por lo que sus decisiones de producción deben enfocarse en la tendencia general del sector y en la capacidad de respuesta ante choques externos.

Gráfico serie original VS ajustada Variable 2

En las ventas minoristas se aprecia una diferencia más visible entre la serie original y la serie ajustada por estacionalidad, especialmente en los picos recurrentes que aparecen a lo largo del tiempo. Esto confirma que el consumo presenta un componente estacional importante, asociado a periodos específicos del año en los que la demanda aumenta por factores comerciales y de comportamiento de los hogares, como lo podemos ver en diciembre de cada año y cae un poco en enero de cada año.

Al eliminar este efecto, la serie ajustada permite observar con mayor claridad la tendencia real de crecimiento del consumo interno. Para Grupo Nutresa, este resultado es especialmente relevante, ya que indica que parte importante de sus ventas responde a ciclos estacionales previsibles (como en diciembre de cada año), lo cual puede ser aprovechado para planear inventarios, campañas comerciales, distribución y abastecimiento de productos en los periodos de mayor demanda.

Gráfico serie original VS ajustada Variable 3

En el caso de las exportaciones totales, la serie ajustada por estacionalidad también sigue de cerca la serie original, aunque se observan diferencias algo más notorias en ciertos periodos de mayor volatilidad. Esto indica que existe un componente estacional, pero que el comportamiento de la variable está influido en mayor medida por factores externos y choques del entorno internacional.

Para Grupo Nutresa, esto significa que su componente internacional está menos determinado por ciclos repetitivos y más expuesto a riesgos externos, por lo que la planeación de su estrategia exportadora debe considerar escenarios de incertidumbre y diversificación de mercados.

Serie original vs tendencia

Ahora vamos a analizar los siguientes pares:

Tendencia Variable 1

En este gráfico se observa que la tendencia del IPIR presenta un crecimiento sostenido en el largo plazo, con una caída pronunciada alrededor de 2020 como ya lo hemos dicho anteriormente, y una posterior recuperación gradual. La serie original oscila alrededor de esta tendencia, evidenciando fluctuaciones de corto plazo que no alteran la trayectoria general del sector a excepcion del año mencionado.Esto indica que la producción industrial mantiene una dinámica estructural positiva, aunque sujeta a choques temporales.

Para Grupo Nutresa, este comportamiento sugiere que el entorno productivo es favorable en el largo plazo, pero requiere capacidad de adaptación ante eventos coyunturales que pueden afectar temporalmente la operación.

Tendencia Variable 2

La tendencia de las ventas minoristas muestra un crecimiento claro y sostenido a lo largo del periodo analizado (2012 - 2025), lo que refleja la expansión del consumo interno en Colombia. A pesar de la caída puntual en 2020 por pandemia, la tendencia retoma su trayectoria creciente rapidamente, indicando resiliencia del gasto de los hogares. La serie original presenta variaciones alrededor de esta tendencia, asociadas principalmente a factores estacionales y coyunturales.

Para Grupo Nutresa, este resultado es altamente positivo, ya que confirma que el consumo, principal motor de su negocio, mantiene una dinámica favorable que puede traducirse en oportunidades de crecimiento sostenido en ventas.

Tendencia Variable 3

En las exportaciones totales, la tendencia evidencia un comportamiento menos estable, con fases claras de caída y recuperación a lo largo del tiempo. A diferencia de las otras variables, la trayectoria no muestra un crecimiento sostenido, sino cambios más marcados en su dirección (recesión 2012 a 2015; una corta depresión con punto de quiebre a inicios de 2016; recuperación y nueva caida en 2016 a 2020; expasión en 2021 a 2022; finalmente estabilización en auge hasta 2025). La serie original presenta fluctuaciones amplias alrededor de la tendencia, lo que refleja alta volatilidad en el sector externo.

Para Grupo Nutresa, esto implica que su componente internacional está expuesto a mayores niveles de incertidumbre, por lo que el crecimiento en mercados externos puede ser menos predecible y requiere estrategias de diversificación y gestión de riesgo.

Tasa de crecimiento de la serie original vs tendencia para cada variable

Gráfico tasa de crecimiento anual Producción industrial (IPIR)

La tasa de crecimiento del IPIR muestra un comportamiento constante y estable de 2013 a 2019; una recuperación extraordinaria en 2021 y parte de 2022 luego de los efectos catastróficos de la pandamia, explicada en buena medida por el efecto base frente a los meses de mayor contracción de 2020 y por la reapertura de la economía colombiana. No obstante, esta recuperación convivió con choques transitorios como el paro nacional de 2021, que afectó producción, abastecimiento y logística (routers, 2021).

Para Grupo Nutresa, esta dinámica fue consistente con un entorno de recuperación operativa y comercial, que se reflejó en el crecimiento de sus ventas en 2021, tanto en Colombia como en mercados internacionales según su informe integrado 2021.

Gráfico tasa de crecimiento anual Ventas Minoristas (MIN)

Las ventas minoristas presentan picos muy similares a los del IPIR porque ambas variables recogen el choque de 2020 y la fuerte normalización de la demanda en 2021. Esto sugiere que el consumo interno fue un motor clave de la recuperación económica. En el caso de Grupo Nutresa, esta señal es particularmente relevante, dado que su portafolio está orientado al consumo masivo; de hecho, los reportes públicos de la compañía muestran crecimiento sostenido de ingresos durante la recuperación, lo que sugiere una relación positiva con la mejora del consumo interno.

Gráfico tasa de crecimiento anual Exportaciones totales (x)

La tasa de crecimiento de las exportaciones es la señal más volátil del análisis, lo que refleja la sensibilidad del frente externo a la demanda global, la composición exportadora del país y los precios internacionales. En 2023 se observa una normalización tras la alta base de comparación de 2022 y un entorno internacional menos favorable.

Para Grupo Nutresa, esto implica que el componente internacional aporta oportunidades de crecimiento, pero también mayor incertidumbre; sin embargo, la empresa muestra resiliencia gracias a la diversificación de geografías y categorías, más que por depender de un solo mercado externo puesto que opera en más 15 paises con redes de distribución y plantas de producción. (informe nutresa)

Con base en el contexto anterior, procedemos a aplicar el modelo de predicción para el diagnóstico, para lo cual aplicaremos los siguienres pasos:

  1. División en conjunto de entrenamiento y prueba para la variable a diagnosticar
  2. Identificación automática del modelo ARIMA
  3. Estimación del modelo identificado validación de Significancia
  4. Validación de residuales o errores del modelo
  5. Pronóstico modelo ARIMA automático
  6. Pronóstivo modelo SARIMA (SI APLICA)

4. MODELO ARIMA (AutoRegressive Integrated Moving Average)

División en conjunto de entrenamiento y prueba para la variable 1. Índice de Producción Industrial Regional (IPIR)

Para efectos del pronóstico, el conjunto de datos cuenta con 168 observaciones, con datos desde enero de 2012 hasta diciembre de 2025 y se deividen de la siguiente manera:

*Conjunto de prueba (test): Datos desde octubre de 2024 hasta diciembre de 2025.

Esto se hace para evaluar el desempeño de modelos de predicción en datos no vistos.

Tabla 1. Distribución de los datos (98% entrenamiento / 2% prueba)
Concepto Cantidad
Conjunto de entrenamiento 164
Conjunto de prueba 4
Total observaciones 168

Identificación automática del modelo ARIMA

Tabla 2. Resumen general del modelo ARIMA ajustado
Serie Modelo Log.likelihood AIC BIC Sigma2
train_ts ARIMA(1,1,1) -524.96 1055.91 1065.19 37.04
Tabla 3. Coeficientes estimados del modelo ARIMA
Parámetro Coeficiente Error.estándar
ar1 0.5400 0.1015
ma1 -0.8851 0.0579
Tabla 4. Medidas de error del conjunto de entrenamiento
ME RMSE MAE MPE MAPE MASE ACF1
0.6504 6.0305 4.4785 0.2961 4.5737 0.8216 -0.0438

En la Tabla 2 podemos observar el modelo ARIMA donde:

p = 1 (usa 1 rezago de la variable) d = 1 (se diferenció una vez (para volverla estacionaria)) q = 1 (usa 1 rezago del error)

Para los demás datos de la tabla dado a que solo tenemos un modelo no son necesarios.

En la Tabla 3 podemos ver un ar1 positivo lo cual indica que el valor actual depende del pasado y si la serie sube, tiende a seguir subiendo (pero moderadamente) y, un ma1 negativo indicando que los errores pasados se compensan fuerte y rapidamente.

Por ultimo en la tabla 4 podemos ver que un Me bajo (Poco sesgo), RMSE moderado indicando el error promedio en unidades, el MAE y el MAPE bajo mostrando el error absoluto y porcentual promedio,

En conclusión, e modelo ARIMA(1,1,1) presenta un buen desempeño en términos de ajuste, evidenciado por un bajo error porcentual (MAPE = 4.57%) y un valor de MASE inferior a 1, lo que indica que el modelo supera a un pronóstico ingenuo. Asimismo, el bajo valor de ACF1 sugiere que los residuos no presentan autocorrelación significativa, cumpliendo con el supuesto de ruido blanco.

En cuanto a los coeficientes, el componente autorregresivo positivo evidencia persistencia en la serie, mientras que el componente de media móvil negativo refleja una rápida corrección de los errores.

No obstante, al tratarse de un modelo sin componente estacional, su capacidad para capturar patrones periódicos es limitada, lo que puede afectar la precisión del pronóstico en series con comportamientos estacionales o altamente volátiles, lo cual comprobaremos más adelante.

Estimación del modelo identificado y validación de Significancia de coeficientes

Tabla 5. Prueba de significancia de los coeficientes del modelo ARIMA
Parámetro Coeficiente Error estándar z value p-value Significancia
ar1 0.5400 0.1015 5.3177 < 0.0001 ***
ma1 -0.8851 0.0579 -15.2798 < 0.0001 ***

El la tabla anterior podemos observar que los coeficientes estimados del modelo ARIMA(1,1,1) resultan estadísticamente significativos, evidenciado por valores p inferiores a 0.001 y altos valores absolutos del estadístico z. Esto indica que tanto el componente autorregresivo (ar1) como el componente de media móvil (ma1) aportan de manera significativa a la explicación de la dinámica de la serie. En particular, la significancia de estos parámetros confirma que el comportamiento de la variable depende tanto de sus valores pasados como de los errores previos, validando la estructura del modelo estimado.

Validación de residuales o errores del modelo

Gráfico 14, 15 y 16 

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(1,1,1)
## Q* = 78.99, df = 22, p-value = 2.373e-08
## 
## Model df: 2.   Total lags used: 24

El análisis de los residuos del modelo ARIMA(1,1,1) muestra que estos se comportan de manera mayoritariamente aleatoria, oscilando alrededor de cero y sin presentar patrones sistemáticos evidentes en el tiempo, lo que indica que el modelo captura adecuadamente la estructura principal de la serie. El gráfico ACF igualmente muestra la mayoría de las barras están dentro de las bandas (líneas azules), pero hay algunos rezagos que sí superan los límites. Asimismo, el histograma evidencia una distribución aproximadamente normal de los errores con una ligera asimetría o colas más largas.

No obstante, se identifican algunos valores atípicos, particularmente en periodos de alta volatilidad, así como leves autocorrelaciones en ciertos rezagos, lo que sugiere que el modelo no logra capturar completamente todos los patrones presentes en la serie, especialmente aquellos asociados a choques externos.

Pronóstico modelo ARIMA automático dentro de muestra o en el set de prueba

Fuente: Elaboración propia con base en datos de prueba

Como vemos en el gráfico 17 el pronóstico generado por el modelo ARIMA(0,1,4) evidencia limitaciones importantes en su capacidad predictiva, al no lograr capturar adecuadamente la dinámica observada en los datos reales. En particular, el modelo presenta un comportamiento excesivamente suavizado, sin reflejar los cambios abruptos ni los puntos de inflexión presentes en la serie, como el incremento inicial seguido de una caída pronunciada.

Esta discrepancia indica que, aunque el modelo puede ajustarse razonablemente bien a los datos históricos, su desempeño en datos no observados es limitado, especialmente en contextos de alta volatilidad, lo que reduce su utilidad para la toma de decisiones.

Pronóstico automático dentro del set de prueba como tabla

Tabla 6:

##     Tiempo Observado Pronosticado
## 1 2025.667  117.6000     114.6479
## 2 2025.750  120.4760     114.1107
## 3 2025.833  115.4923     113.8206
## 4 2025.917  113.6208     113.6640

Pronosticamos con el modelo automatico fuera del periodo de análisis

Una vez validado el desempeño del modelo sobre el conjunto de prueba, se amplió el horizonte de pronóstico en un período adicional con el fin de estimar el valor de la serie para enero de 2026. Este resultado permite trasladar el análisis desde la evaluación histórica hacia una proyección de corto plazo útil para la toma de decisiones:

Tabla 7:

##     Tiempo Pronostico
## 1 2025.667   114.6479
## 2 2025.750   114.1107
## 3 2025.833   113.8206
## 4 2025.917   113.6640
## 5 2026.000   113.5794
## [1] "Pronóstico para enero 2026 = 113.579422292953"

El modelo ARIMA proyecta para enero de 2026 un valor aproximado de 113.58 para la variable analizada. No obstante, este resultado debe interpretarse con cautela, dado que el modelo en el gráfico mostró limitaciones para capturar cambios bruscos en la dinámica reciente de la serie.

Por consiguiente se procede a aplicar el modelo SARIMA:

5. MODELO SARIMA automático

Este modelo podria ser una solución o mejora al modelo arima aplicado anteriormente ya que recoge el efecto estacional de las variables:

Identificación dautomática del modelo SARIMA

Tabla 8. Resumen del modelo SARIMA identificado automáticamente
Serie Modelo Log.likelihood AIC BIC Sigma2
train_ts ARIMA(0,1,1)(1,0,0)[12] -510.08 1026.15 1035.43 30.33
Tabla 9. Coeficientes estimados del modelo SARIMA
Parámetro Coeficiente Error.estándar
ma1 -0.4891 0.0801
sar1 0.4805 0.0693

El modelo SARIMA identificado automáticamente corresponde a un ARIMA(0,1,1)(1,0,0)[12], lo que indica la presencia de un componente estacional significativo con periodicidad anual. En particular, el parámetro estacional (sar1) evidencia que el comportamiento de la serie depende del mismo período del año anterior, confirmando la existencia de patrones recurrentes en el tiempo.

En comparación con el modelo ARIMA no estacional, este modelo presenta mejores indicadores de ajuste, reflejados en un menor valor de AIC y una reducción en la varianza de los errores (sigma2 30.3), lo que sugiere una mejor capacidad para capturar la dinámica de la serie.

En conjunto, estos resultados indican que la incorporación del componente estacional mejora significativamente la representación del comportamiento de la variable, haciéndolo más adecuado para fines de pronóstico.

Validación de residuales del modelo automatico SARIMA

Gráfico 18, 19 y 20:

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,1,1)(1,0,0)[12]
## Q* = 31.518, df = 22, p-value = 0.08598
## 
## Model df: 2.   Total lags used: 24

La validación de residuos del modelo SARIMA evidencia una mejora frente al modelo ARIMA, particularmente en la reducción de la autocorrelación residual. La prueba de Ljung-Box (p-value = 0.08598) indica que no se rechaza la hipótesis de independencia de los residuos, lo que sugiere que estos se comportan de manera cercana a ruido blanco.

Asimismo, el análisis gráfico muestra residuos centrados en cero, sin patrones sistemáticos evidentes y con una distribución aproximadamente normal. No obstante, se mantienen algunos valores atípicos asociados a choques externos, lo que indica que, si bien el modelo captura mejor la dinámica de la serie incluyendo su componente estacional, aún existen limitaciones frente a eventos extremos.

Pronóstico con el modelo SARIMA dentro del set de prueba

Fuente: Elaboración propia con base en datos de prueba

El gráfico de pronóstico vs observado evidencia que el modelo logra capturar la tendencia general de la serie, mostrando coherencia en la dirección de los movimientos. Sin embargo, presenta limitaciones importantes al momento de replicar cambios abruptos, subestimando los picos y suavizando las caídas observadas. Esto indica que, si bien el modelo es útil para proyecciones de comportamiento estructural, su capacidad predictiva frente a choques económicos o variaciones bruscas es limitada, lo cual es consistente con la naturaleza de los modelos ARIMA/SARIMA.

Pronóstico del modelo automático SARIMA en el set de prueba-Tabla

Tabla 10:

##     Tiempo Observado Pronosticado
## 1 2025.667  117.6000     115.2487
## 2 2025.750  120.4760     118.4109
## 3 2025.833  115.4923     116.6686
## 4 2025.917  113.6208     116.4734

La tabla de pronóstico del modelo SARIMA evidencia que las estimaciones siguen la tendencia general de la serie, mostrando coherencia en la dirección de los movimientos. Sin embargo, se observa una tendencia del modelo a subestimar los picos y sobreestimar las caídas, lo cual indica una limitación en la captura de la volatilidad de corto plazo.

Pronóstico del modelo automático SARIMA fuera de muestra

Es decir, le sumamos al periodo de prueba una observación más

Tabla 11:

##     Tiempo Pronostico
## 1 2025.667   115.2487
## 2 2025.750   118.4109
## 3 2025.833   116.6686
## 4 2025.917   116.4734
## 5 2026.000   112.5065
## [1] "Pronóstico para enero 2026 = 112.506463663407"
Tabla 12. Tasa de variación diagnóstica
Concepto Valor
Valor enero 2026 (pronosticado) 112.51
Valor diciembre 2025 (observado) 113.62
Valor enero 2025 (observado) 106.07
Variación mensual (%) -0.98
Variación anual (%) 6.07

La variación mensual de enero de 2026 se calculó comparando el valor pronosticado para dicho mes frente al valor observado de diciembre de 2025. A su vez, la variación anual se estimó comparando el pronóstico de enero de 2026 con el valor observado de enero de 2025, tal como se observa en la tabla anterior.

6. CONCLUSIÓN

Los resultados del modelo evidencian que, aunque el sector manufacturero mantiene una tendencia de crecimiento anual del 6.07%, se observa una leve contracción en el corto plazo del -0.98%, lo que puede indicar una desaceleración temporal en la dinámica económica, lo cual es coherente con el resultado para el mes de diciembre de 2025 en el gráfico 11 donde la tendencia mostraba una leve curva a la baja pero el largo plazo venia con sostenimiento; al igual que con las graficas de consumo donde mostraban en la estacionalidad decrecimientos para los meses de enero.

El análisis conjunto de las variables permite complementar el pronóstico del modelo, evidenciando que el crecimiento proyectado de la producción industrial (IPIR) se encuentra respaldado principalmente por la dinámica positiva del consumo interno (MIN), mientras que el comportamiento de las exportaciones (X) introduce un componente de volatilidad asociado a factores externos. En este sentido, el sector manufacturero presenta una base de crecimiento relativamente estable, aunque con riesgos derivados del entorno internacional.

¿Qué decisiones debería tomar la empresa?

Para Grupo Nutresa, esto implica que su desempeño futuro dependerá en mayor medida de la solidez del mercado interno, recomendando priorizar estrategias enfocadas en consumo masivo, eficiencia operativa y una gestión prudente de su exposición a mercados externoslos cuales representan aproximadamente el 43% de sus ventas según el último informe de gestion 2025, una cifra muy importante. por tanto debería:

Ajustar la estrategia al nuevo ritmo del mercado ya que el crecimiento sigue, pero más moderado, lo que lo puede llevar a pasar de una lógica de expansión agresiva a una de optimización y eficiencia.

Fortalecer el mercado interno puesto que los resultados muestran que que el crecimiento puede estar sostenido por ventas minoristas (MIN).

Gestión prudente de la expansión internacional, teniendo en cuenta que las exportaciones (X) muestran alta volatilidad, para lo cual deberian diversificar mercados externos evitando dependencia de un solo pais o región.

¿Qué riesgos y oportunidades se identifican?

Riesgos:

Desaceleración moderada del consumo

Alta volatilidad externa

Alta sensibilidad a choques económicos

Oportunidades:

Consumo resiliente de los hogares

Crecimiento estructural del sector, recuperación rapida a choques externos

Posicionamiento regional (alta participación de ventas en colombia más del 50%)

Finalmente hay que resaltar la importancia de complementar los modelos de pronóstico con análisis de variables externas, dado que los modelos ARIMA/SARIMA presentan limitaciones para capturar cambios abruptos del entorno.

INFORME MAYRA ARAQUE