Análisis de señales y pronóstico con ARIMA para Biovalle S.A.S
Camilo Sánchez
Abril de 2026
Introducción
Biovallé S.A.S. es una empresa farmacéutica colombiana constituida en Cali en 2009, ubicada en la zona industrial del norte de la ciudad. Su modelo de negocio combina la producción de medicamentos genéricos de alta rotación con el aprovechamiento de la biodiversidad del Valle del Cauca para el desarrollo de fitoterapéuticos, un diferencial competitivo en el mercado regional.
El presente análisis tiene como objetivo comprender el comportamiento de las exportaciones de productos farmacéuticos durante los últimos trece años, con el propósito de proyectar sus valores futuros. Asimismo, este estudio se complementa con variables clave, tales como el Índice de Producción Industrial Regional de productos farmacéuticos, la tasa de cambio (pesos por dolar), las exportaciones totales del país y el Índice de Seguimiento a la Economía Nacional.
Extracción de señales
Gráfico inicial de Exportaciones de productos farmacéuticos en niveles -Original
Gráfico inicial del Índice de Producción Industrial Regional (productos farmaceuticos) en niveles -Original
Gráfico inicial de la TRM en niveles -Original
Gráfico inicial de Indice de Seguimiento a la Economía Nacional en niveles -Original
Gráfico inicial de las Exportaciones en niveles -Original
Al graficar el comportamiento de la variable Principal y las complementarias, se pueden observar comportamientos correlacionados entre sí, los cuales se abordaran para dar explicación del pronóstico.
Extracción señales Exportaciones de productos farmacéuticos
Podemos observar un componente de estacionalidad regular y muy marcado en el periodo de anáilis. El principal hallazgo está en un crecimineto regular hasta el mes de diciembre, seguido de una caída subita en el mes de enero. Esto se explica gracias a que gran parte de las exportaciones farmacéuticas colombianas van a entidades gubernamentales de salud de países vecinos. Esos contratos suelen tener vigencia anual y los despachos finales se concentran en diciembre para cumplir los compromisos contractuales. En enero, simplemente no hay contratos nuevos firmados todavía — los procesos licitatorios del nuevo año apenas están iniciando.
En lo que respecta al contenido irregular, no se observan picos muy marcados a excepcion de 2. Un pico positivo en el año 2017 explicado por una mayor demanda externa (especialmente regional), varios países de América Latina como Venezuela, Ecuador y algunos mercados de Centroamérica incrementaron su demanda de medicamentos importados. En particular, la crisis del sistema productivo en Venezuela generó una fuerte dependencia de productos farmacéuticos colombianos. Por otro lado se observa el pico negativo en el año 2021 producto de la pandemia, la cual afecto negativamente a la mayoria de sectores productivos.
Extracción señales del Indice de Producción Industrial Regional (productos farmaceuticos)
El componente estacional del Índice de Producción Industrial Regional (productos farmaceuticos) es congurnete con el de la variable principal. Podemos observar un pico de producción en el tercer cuatrimestre del año. Seguido de una caída en losulitmos 3 meses del año, debido a que la demana de los productos farmaceuticos cae subitamente en el mes de enero, todo el inventario que se creo para atender la alta demanada de nero está generado, por ende, no tiene sentido que la producción se mantenga si la demanda disminuye.
El componente irregular presenta un comportamiento regular en el periodo de estudio a excepcion de los años 2023 y 2024. La caída abrupta en 2023 se debe a una contracción general de la industria en 2023 La producción industrial cayó durante gran parte del año (hasta 11 meses consecutivos), hubo menor demanda interna, altas tasas de interés y un entorno de incertidumbre económica. Así mismo, hubo problemas financieros estructurales en el sistema de salud, con grandes deudas de las EPS hacia proveedores y laboratorios. En el Valle del Cauca, se reportaron deudas millonarias con la red de salud, lo que afecta pagos a la industria farmacéutica. Por otro lado, en el año 2024 se presentó un efecto “rebote”, puesto que la economía se estabilizó.
Extracción señales TRM
Si bien puede ser complejo atribuir un compinente estacional a las divisas, en este caso se observa un patrón regular. Se identifica un pico de depreciación en enero–febrero. Es el efecto combinado del pago de dividendos de empresas extranjeras instaladas en Colombia que repatrian utilidades en dólares al cierre del año fiscal, la demanda corporativa de divisas para pagar deuda externa denominada en dólares, y la caída estacional de remesas del exterior en el mes inmediatamente posterior a diciembre. Se observan 2 picos de pareciación. El primer valle ocurre en marzo–abril, cuando ingresan divisas por exportaciones agrícolas (café, flores para San Valentín y día de la madre), turismo de semana santa, y el inicio del ciclo de inversión extranjera directa del primer semestre. El segundo valle, más pronunciado, aparece en octubre–noviembre, impulsado por el ingreso masivo de divisas de exportaciones petroleras del tercer trimestre, remesas de colombianos en el exterior que aumentan hacia fin de año para apoyar a sus familias, y compras de dólares de importadores que ya cubrieron sus posiciones cambiarias para las importaciones navideñas.
En lo que resoecta al componente irregular. Se observva regual hasta el año 2014, entre el 2014–2016 se presentó colapso del precio del petróleo. El Brent cayó de 110 USD/barril a menos de 30 USD entre mediados de 2014 y principios de 2016. Colombia, con Ecopetrol como principal fuente de divisas del país, sufrió un choque externo brutal y no anticipado. El residuo se dispara porque ni la tendencia ni la estacionalidad podían capturar la magnitud ni el timing de esos shocks. En 2020 el peso se depreció abruptamente superando los 4.000 COP/USD por primera vez en la historia, generando ese residuo positivo extremo, esto debido a la pandemia. Luego la recuperación parcial genera el valle negativo simétrico. Un evento puntual, masivo y no anticipable por ningún modelo estacional.Desde el 2022 en adelante se presenta bastante volatilidad, esto refleja un cambio de régimen permanente en la percepción de riesgo del peso colombiano: incertidumbre política post-2022, presión sobre Ecopetrol por la política de transición energética del gobierno, y mayor correlación del peso con el índice DXY global (dólar fuerte mundial). El mercado ya no “confía” en rangos estables, y eso se ve en el residuo.
Extracción señales Indice de Seguimiento a la Economía Nacional
Para entender la estacionalidad de esta indice lo debemos asimilar al comportamiento del PIB. El pico más alto y consistente ocurre en diciembre, impulsado por el consumo navideño, el pago de primas de servicios del segundo semestre y las ventas del comercio minorista. Es el mes donde más sectores simultáneamente operan por encima de su nivel promedio. Hay un segundo pico menor pero visible en junio–julio, asociado al pago de la prima del primer semestre, las vacaciones de mitad de año que activan turismo interno, transporte y comercio, y el cierre del primer semestre presupuestal en el sector público. El pico negativo más pronunciado es enero, y su explicación es directa: cierre de plantas industriales en vacaciones colectivas, paralización parcial del sector público en los primeros días del año, caída del consumo post-navideño, y menor actividad en construcción por lluvias en varias regiones. Es el mes de menor actividad económica del año de forma casi universal en Colombia.
Durante casi todo el periodo de tiempo, el residuo del ISE es prácticamente plano. Esto es inusual para un indicador macroeconómico de alta frecuencia. Significa que la economía colombiana en ese período era altamente predecible una vez descontada la tendencia y la estacionalidad: los shocks inesperados eran pequeños, absorbidos rápidamente, y no alteraban el patrón estructural. Esto refleja la solidez macroeconómica del período. No obstante, hay un pico negativo seguido de una recuperación en el alo 2020 casuado por la pandemia.
Extracción señales Exportaciones
El factor estacional de esta variable posee un patrón de picos múltiples dentro del año refleja la superposición de calendarios exportadores de productos distintos, cada uno con su propia estacionalidad. Por otro lado, Los picos negativos más profundos ocurren en enero (donde historicamente se consume menos), agosto (menor demanda energética global), y noviembre (período entre cosechas del café y antes del cierre contractual de carbón). La amplitud asimétrica, con valles más profundos que los picos, sugiere que las interrupciones logísticas y climáticas tienen mayor impacto que los impulsos de demanda.
Gráfico serie original VS ajustada Exportaciones de productos farmacéuticos
Gráfico serie original VS ajustada Índice de Producción Industrial Regional (productos farmaceuticos)
Gráfico serie original VS ajustada TRM
Gráfico serie original VS ajustada Indice de Seguimiento a la Economía Nacional
Gráfico serie original VS ajustada Exportaciones
Tendencia Exportaciones de productos farmacéuticos
Tendencia Índice de Producción Industrial Regional (productos farmaceuticos)
Tendencia Variable TRM
Tendencia Indice de Seguimiento a la Economía Nacional
Tendencia Variable Exportaciones
Ahora calculamos la tasa de crecimiento de la serie original vs tendencia:
Tasa de crecimiento de la serie de tendencia y original para Exportaciones de productos farmacéuticos
## [1] 156## [1] 156## [1] 156Gráfico variable original y tendencia Exportaciones de productos farmacéuticos: tasa de crecimiento anual
## [1] 156## [1] 156## [1] 156Gráfico variable original y tendencia Índice de Producción Industrial Regional (productos farmaceuticos): tasa de crecimiento anual
## [1] 156## [1] 156## [1] 156Gráfico variable original y tendencia TRM: tasa de crecimiento anual
## [1] 156## [1] 156## [1] 156Gráfico variable original y tendencia Indice de Seguimiento a la Economía Nacional: tasa de crecimiento anual
## [1] 156## [1] 156## [1] 156Gráfico variable original y tendencia Exportaciones: tasa de crecimiento anual
En primer lugar, se debe resaltar que la serie ajustada por estacionalidad se asemeja mucho a la serie original de las diferentes variables, por ende, la tendencia no va encotravia de dicha serie original, sino que se asemeja a ella. Ahora, centrando el análisis a las exportaciones de prodcutos farmaceuticos, se puede decir que las variables que acompañan el analisis no actuan de forma independiente sino como un sistema de transmisión encadenado. Por un lado, lasexportaciones totales son el detonador macroeconómico: sus shocks generan cambios en la TRM y en el ISE simultáneamente. Es la variable exógena más importante del sistema porque responde a precios internacionales que Colombia no controla.La (TRM) es el mecanismo de transmisión precio: convierte los shocks de exportaciones totales en señales de competitividad o de costo para el sector farmacéutico. El ISE es el modulador de demanda doméstica: determina cuánta de la capacidad productiva farmacéutica se orienta al mercado interno versus el externo. Por ende, las exporrtaciones de productos farmaceuticos son la resultante de ese sistema, y su alta volatilidad es precisamente la consecuencia de recibir simultáneamente señales contradictorias de las otras cuatro variables. En sistesis, se puede afirmar que con una economía estable como la de hoy en día, una TRM con volaitildad controlada y un secotr porductivo fuerte, estras exportaciones seguiran una racha alzista, pero de manera modera. Esto sin tener hechos externos muy extremos de por medio.
Modelo ARIMA
División en conjunto de entrenamiento y prueba para la variable 1 que es la elegida para pronosticar
Apartados a tener en cuenta:
Conjunto de entrenamiento (train): Datos desde enero de 2012 hasta diciembre de 2024. Conjunto de prueba (test): Datos desde enero de 2025 hasta diciembre de 2025.
Modelo ARIMA automático normal (sin tener en cuenta el factor estacional)
Identificación automática del modelo ARIMA
## Series: train_ts
## ARIMA(0,1,1)
##
## Coefficients:
## ma1
## -0.7688
## s.e. 0.0606
##
## sigma^2 = 30399221: log likelihood = -1555.2
## AIC=3114.4 AICc=3114.48 BIC=3120.49
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 76.12941 5478.092 4264.441 -1.944422 12.56178 0.77247 0.06242645Estimación del modelo identificado automatico y validación de Significancia de coeficientes
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ma1 -0.768842 0.060582 -12.691 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## Series: train_ts
## ARIMA(2,1,2)
##
## Coefficients:
## ar1 ar2 ma1 ma2
## -0.7324 0.0097 0.0430 -0.6693
## s.e. 0.1465 0.1100 0.1229 0.1097
##
## sigma^2 = 30362811: log likelihood = -1553.62
## AIC=3117.23 AICc=3117.64 BIC=3132.45
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 67.38802 5421.222 4211.229 -1.95785 12.48386 0.7628312
## ACF1
## Training set -0.001694003Validación de residuales o errores del modelo
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,1,2)
## Q* = 22.635, df = 20, p-value = 0.3071
##
## Model df: 4. Total lags used: 24Pronóstico modelo ARIMA automático dentro de muestra o en el set de prueba
Pronóstico automático dentro del set de prueba como tabla
## Tiempo Observado Pronosticado
## 1 2025.000 21067.48 35154.3
## 2 2025.083 33055.57 35154.3
## 3 2025.167 36584.56 35154.3
## 4 2025.250 31873.27 35154.3
## 5 2025.333 39447.96 35154.3
## 6 2025.417 37338.88 35154.3
## 7 2025.500 41861.51 35154.3
## 8 2025.583 36657.46 35154.3
## 9 2025.667 44281.90 35154.3
## 10 2025.750 36821.22 35154.3
## 11 2025.833 41283.71 35154.3
## 12 2025.917 45294.88 35154.3Ahora pronosticamos con el modelo automatico fuera del periodo de análisis, es decir enero 2026
Es decir, le sumamos al periodo de prueb auna observación más. Es decir, se estan pronosticando 4 observaciones o trimestres.
## Tiempo Pronostico
## 1 2025.000 35154.3
## 2 2025.083 35154.3
## 3 2025.167 35154.3
## 4 2025.250 35154.3
## 5 2025.333 35154.3
## 6 2025.417 35154.3
## 7 2025.500 35154.3
## 8 2025.583 35154.3
## 9 2025.667 35154.3
## 10 2025.750 35154.3
## 11 2025.833 35154.3
## 12 2025.917 35154.3
## 13 2026.000 35154.3## [1] "Pronóstico para enero 2026: 2026 = 35154.3036197882"Aqui se puede observar que, el Modelo Arima no fue suficiente para pronósticar las exportaciones de los productos farmaceticos. Desde que observamos la grafica se denota un pronóstico casi que lineal, lo cual no es coherente con la estacionalidad ni el compinente irregular que se describió anteriormente. Si bien se explicó que las exportaciones de este sector disminuyen subitamente en enero, el resultado de los datos no es confiable.
Modelo SARIMA automático
Este modelo podria ser una solución o mejora al modelo arima tradicional ya que recoge el efecto estacional de las variables, es recomendable por tanto para datos que si tienen un componente estacional fuerte.
El modelo ajustado en este ejemplo es un SARIMA(0,1,1)(1,0,0)[12], lo que significa:
(0,1,1): Parte ARIMA no estacional: 0 términos autorregresivos (AR). 1 diferenciación (d), lo que indica que la serie fue diferenciada una vez para hacerla estacionaria. 1 término de media móvil (MA).
(1,0,0)[12]: Parte estacional con periodicidad 12 (mensual si los datos son mensuales): 1 término autorregresivo estacional (SAR). 0 diferenciaciones estacionales. 0 términos de media móvil estacionales (SMA).
## Series: train_ts
## ARIMA(1,1,2)(2,0,0)[12]
##
## Coefficients:
## ar1 ma1 ma2 sar1 sar2
## 0.5845 -1.3415 0.4222 0.2000 0.0987
## s.e. 0.6748 0.6912 0.5548 0.0825 0.0887
##
## sigma^2 = 29270489: log likelihood = -1550.66
## AIC=3113.33 AICc=3113.89 BIC=3131.59A continuación, se crea el objeto darima para luegO poder graficar los valores reales y observados:
## Series: train_ts
## ARIMA(4,1,3)(1,0,0)[12]
##
## Coefficients:
## ar1 ar2 ar3 ar4 ma1 ma2 ma3 sar1
## -0.8580 -0.6411 0.0972 -0.0789 0.1093 -0.0155 -0.6102 0.2559
## s.e. 0.1874 0.2684 0.1795 0.1126 0.1701 0.2394 0.1872 0.0858
##
## sigma^2 = 28971677: log likelihood = -1548.34
## AIC=3114.69 AICc=3115.93 BIC=3142.08
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 43.45775 5224.963 4121.261 -1.82166 12.15706 0.7465341 0.005920308
##
## Ljung-Box test
##
## data: Residuals from ARIMA(4,1,3)(1,0,0)[12]
## Q* = 13.995, df = 16, p-value = 0.5991
##
## Model df: 8. Total lags used: 24Pronóstico con el modelo SARIMA dentro del set de prueba-Gráfico líneas
Pronóstico del modelo automático SARIMA en el set de prueba-Tabla
## Tiempo Observado Pronosticado
## 1 2025.000 21067.48 32179.61
## 2 2025.083 33055.57 34076.19
## 3 2025.167 36584.56 33835.17
## 4 2025.250 31873.27 32438.49
## 5 2025.333 39447.96 34191.97
## 6 2025.417 37338.88 33277.64
## 7 2025.500 41861.51 34212.57
## 8 2025.583 36657.46 34154.65
## 9 2025.667 44281.90 34270.24
## 10 2025.750 36821.22 33404.06
## 11 2025.833 41283.71 34088.22
## 12 2025.917 45294.88 35796.90Pronóstico del modelo automático SARIMA fuera de muestra, es decir, en enero 2026
Es decir, le sumamos al periodo de prueba una observación más. Es decir, se estan pronosticando 4 observaciones o meses.
## Tiempo Pronostico
## 1 2025.000 32179.61
## 2 2025.083 34076.19
## 3 2025.167 33835.17
## 4 2025.250 32438.49
## 5 2025.333 34191.97
## 6 2025.417 33277.64
## 7 2025.500 34212.57
## 8 2025.583 34154.65
## 9 2025.667 34270.24
## 10 2025.750 33404.06
## 11 2025.833 34088.22
## 12 2025.917 35796.90
## 13 2026.000 33526.98## [1] "Pronóstico para enero 2025: 2026 = 33526.983148621"Conclusión:
El modelo SARIMA(4,1,3) tiene un mejor rendimiento respecto al ARIMA. Se puede evidenciar que captura de manera adecuada la estacionalidad y el componente irregular de manera limitada. De ogual forma captura en una proporcion aceptable los puntos de quiebre, lo que no pasó con el ARIMA, lo que genera mayor confiabilidad.
En lo que respecta al pronóstico del mes de enero de 2026, se ajusta a la realidad estacional de la exportación de esta industria. Cómo se reiteró, el mes de enero de 2026 tiene una caida considerable, por lo cual el modelo pronostica una variación del -25,98% en en sus exportaciones. Inicialmente suena algo muy drásctico, pero si validamos las variaciones mensuales entre los meses de diciembre y enero de los diferentes años obtenemos lo siguiente: Variación mensual diciembre2024-enero2025: -49.96%, diciembre2023-enero2024: -34.15, diciembre2022-enero2023: -37.21 y diciembre2021-enero2022: -44.76. Lo anterior recoge de manera muy acertada la estacionalidad en el periodo a pronoscitar, esto sumado al componente irregular y todas las razones explicadas para las diferentes variables que acompañan el caso y su incidencia como sistema dentro de la variable principal, me permite afirmar que el pronostico para el mes de enero de 2026 ubicado en 33.536,98 mil dolares es de cierta manera acertado.
Por lo cual, mi recomencación para la empresa se centra en tener una producción moderada, puesto que la recuperación de la demanda tarda aproximadamente de 4 a 5 meses. No continuar acciones expansivas ni contratación de personal, tampoco incurrir en inversiones importantes. Si bien se presenta un factor favorable en el segundo semestre del año, algunos factores irregulares externos podrían afectar esa normalidad antes vista.
Esto no quiere decir que el futuro de la industria sea preocupante, todo lo conttraio. Se tiene indicios de un crecimiento de las exportaciones, pero no es una linea exponencial, por lo cual se puede continuar con una operatividad normal con miras a expasiones a largo plazo.