MAC POLLO - SELECCIÓN Y JUSTIFICACIÓN

Selección de mercado y empresa

Para el desarrollo del presente análisis se selecciona el sector agroindustrial colombiano, específicamente el segmento de proteína avícola y alimentos de consumo masivo. Dentro de este sector se elige la empresa Mac Pollo, una organización reconocida en la producción, procesamiento y comercialización de carne de pollo y productos derivados en Colombia.

La elección de este sector responde a su alta relevancia económica y social, dado que está directamente vinculado al consumo básico de los hogares, lo que lo convierte en un sector relativamente resiliente frente a ciclos económicos. Por su parte, Mac Pollo representa un caso altamente pertinente de estudio debido a su participación directa en la cadena de valor avícola, lo que la hace especialmente sensible a las dinámicas de consumo de proteína, a los costos de producción agropecuaria y a las condiciones macroeconómicas que afectan tanto la oferta como la demanda.

A diferencia de otros actores de la industria alimentaria, Mac Pollo se encuentra directamente expuesta al comportamiento del mercado de pollo, lo que permite un análisis más preciso y alineado entre las variables seleccionadas y la actividad principal de la empresa.

Gráfica 1. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Selección de variables y justificación

• Producción de pollo

• Producción de huevo

• Índice de Precios al Consumidor (IPC)

Las toneladas producidas de pollo constituyen la variable más relevante para el análisis, dado que representan el núcleo del negocio de Mac Pollo. Su comportamiento permite evaluar directamente el desempeño del sector avícola, identificar cambios en la demanda y analizar la evolución del consumo de proteína animal en los hogares colombianos.

Por su parte, la produción de huevo funciona como una variable complementaria dentro del análisis del sector, ya que el huevo es un sustituto cercano del pollo en términos de consumo de proteína. Su inclusión permite identificar posibles efectos de sustitución entre productos, así como cambios en las preferencias del consumidor ante variaciones de precios o condiciones económicas.

Finalmente, el Índice de Precios al Consumidor (IPC) es una variable macroeconómica fundamental que refleja el nivel general de precios en la economía. Su importancia radica en que afecta tanto el poder adquisitivo de los consumidores como los costos de producción de la empresa, incluyendo insumos clave como alimentos balanceados, transporte, energía y mano de obra. En este sentido, el IPC actúa como un factor explicativo transversal que condiciona el comportamiento de las variables de demanda.

En conjunto, estas tres variables permiten construir una visión integral del sector, combinando dinámica directa del negocio (pollo), relaciones de sustitución en el consumo (huevo) y condiciones macroeconómicas (IPC), lo que resulta altamente pertinente para el análisis estratégico de Mac Pollo.

ANÁLISIS DE DATOS

Al llevar a cabo un análisis más profundo del sector avícola, con el fin de comprender las tendencias e identificar los factores que generan ruido en los datos estadísticos, se determinó que el año 2020 estuvo marcado por el impacto de la pandemia, mientras que el año 2021 reflejó los efectos derivados del estallido social. La tendencia al alza en fabricación proyectada a partir de 2025 se asocia con las estrategias implementadas para impulsar la exportación de huevo parar quebrar, apuntando a competir en mercados como el de Estados Unidos lo que indica mayor encasetamiento de aves de producción.

Extracción de señales

Se realizará la extracción de señales ya que es una herramienta clave para descomponer la información en componentes interpretables, permitiendo distinguir entre componenetes estructurales, estacionales y residuales.

Gráfica 2. Fuente: Elaboración propia con datos de Fenavi (2018–2025)

El encasetamiento en Colombia presenta un comportamiento claramente estacional con fluctuaciones recurrentes a lo largo del año, donde se observan caídas típicas en los primeros meses (especialmente febrero) y picos hacia el segundo semestre, con máximos frecuentes entre octubre y diciembre. Estas variaciones reflejan ajustes productivos del sector frente a ciclos de demanda y condiciones operativas. Adicionalmente, se evidencia un crecimiento sostenido en el nivel base del encasetamiento entre 2018 y 2025, aunque con disrupciones puntuales como en 2020, donde se registraron caídas significativas asociadas a choques externos.

Extracción señales producción de pollo

Gráfica 3. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Extracción señales producción de huevo

Gráfica 4. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Extracción señales IPC

Gráfica 5. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Comparación de series originales con ajustadas

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

Gráfico producción pollo: serie original VS ajustada

Gráfica 6. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Gráfico producción de huevo: serie original VS ajustada

Gráfica 7. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Gráfico IPC: serie original VS ajustada

Gráfica 8. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Análisis: al realizar el análisis de las 3 gráficas comparando las series originales vs las ajustadas encontramos que al retirar los componentes estacionales y de ruido la única variable que muestra una variación significativa es la producción de pollo

Comparación de series originales con líneas de tendencia

Es importante graficar la serie original vs la tendencia porque permite identificar si el comportamiento de los datos está creciendo, disminuyendo o es estable en el tiempo, eliminando variables estacionarias y ruidos. Esto facilita entender la dirección real del mercado y tomar decisiones más informadas.

Tendencia Producción de pollo

Gráfica 9. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Tendencia Producción huevo

Gráfica 10. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Tendencia IPC

Gráfica 11. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Análisis: Al verificar las gráficas de tendencia sobre las líneas de datos originales podemos confirmar lo visto en las gráficas ajustadas vs las originales, solo se evidencia una diferencia visible en los datos de produccion del pollo, es importante tambien notar que las líneas de tendencia muestran un comportamiento de crecimiento sostenido,lo cual sugiere una dinámica positiva del sector. No obstante, este comportamiento debe ser evaluado con mayor rigurosidad mediante el análisis de las tasas de crecimiento, con el fin de cuantificar su magnitud y estabilidad para cada una de las variables.

Análisis de crecimiento

Ahora procederemos a realizar el calculo de la tasa de crecimiento de la serie original vs la tendencia porque permite cuantificar qué tan rápido está creciendo o disminuyendo el mercado, diferenciando entre cambios reales de largo plazo y variaciones temporales. Esto ayuda a evaluar el desempeño del sector y proyectar escenarios futuros

Gráfico producción de pollo: tasa de crecimiento anual variable original vs tendencia

Gráfica 12. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Análisis: La grafica representa el crecimiento anual en la producción de pollo, en general muestra un comportamiento positivo hasta el año 2020 donde evidenciamos una desaceleración inicialmente por el efecto de la pandemia, sin embargo, se prolongo hasta el año 2021 con el estallido social llevando la producción a niveles negativos.

La serie original presenta una alta variabilidad, con picos positivos y negativos importantes. Esto indica que, aunque el sector crece en el largo plazo, está expuesto a choques de corto plazo en consecuencia del bajas y altas en el encasetamiento por componentes del mercado. En general el sector muestra un crecimiento sostenido en el largo plazo, con episodios de alta volatilidad en el corto plazo.

La recuperación posterior al año 2021 confirma que se trata de un mercado robusto y dinámico, lo cual es altamente favorable para compañía, siempre que cuenten con capacidad de adaptación ante eventos no esperados.

Gráfico producción de huevo: tasa de crecimiento anual variable original vs tendencia

Gráfica 13. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

Análisis: La tasa de crecimiento para la de producción de huevo muestra un comportamiento con baja fluctuación en el corto plazo, pero con comportamientos cíclicos y fluctuantes en largo, en general es un producto que presenta crecimiento, sin embargo en 2019 se observa una fuerte desaceleración que termina en una contracción que puede estar marcada por una sobreoferta de años anteriores, para 2020 durante pandemia se evidencia un fuerte repunte en la producción, situación contraria al comportamiento de producción de pollo, esto ratifica que son productos que pueden ser sustitutos en la canasta familiar.

Gráfico IPC: tasa de crecimiento anual variable original vs tendencia

Gráfica 14. Fuente: Elaboración propia con datos de Fenavi (2012–2025)

El IPC evidencia que el sector avícola ha operado recientemente en un entorno de alta presión inflacionaria, lo que impacta simultáneamente la demanda y los costos. La actual desaceleración inflacionaria representa una oportunidad para la estabilización del mercado, aunque mantiene el desafío de operar en un contexto de precios aún elevados.

PREDICCIÓN MEDIANTE SEÑALES

Selección de señal

Se selecciona la variable de producción del pollo debido a que representa es el corazón del sector avícola, adicionalmente es la actividad principal de la empresa analizada (Mac Pollo). Esta variable permite capturar de manera precisa la dinámica real del mercado, ya que refleja tanto el comportamiento de la oferta como la respuesta de la demanda de una de las principales fuentes de proteína en la canasta básica colombiana.

Uso del modelo ARIMA automático

Utilizaremos el modelo ARIMA para analizar y predecir series de tiempo, identificando patrones como tendencia y dependencia temporal en los datos. Donde seran combinados los tres componentes: uno autorregresivo (AR) que usa valores pasados de la serie, uno de integración (I) que elimina la tendencia para hacer la serie estacionaria, y uno de media móvil (MA) que corrige errores pasados. En conjunto, ARIMA nos permite generar pronósticos confiables basados en el comportamiento histórico.

Resumen del modelo ARIMA automatico sin estacionalidad
Modelo AIC BIC LogLik Sigma2
ARIMA(2,1,2) 3301.28 3319.87 -1644.64 30769146
Prueba z de los coeficientes del modelo ARIMA (sin estacionalidad)
Coeficiente Estimate Std. Error z value Pr Significancia
ar1 ar1 -0.030328 0.120474 -0.252 0.8012439
ar2 ar2 0.369630 0.111535 3.314 0.0009196 ***
ma1 ma1 -0.152661 0.085513 -1.785 0.0742219 .
ma2 ma2 -0.763937 0.083261 -9.175 0.0000000 ***
drift drift 417.130849 65.582742 6.360 0.0000000 ***

Ahora se realizará el ajuste del modelo ARIMA(2,1,2) automático sin parte estacional y crearlo como variable darima_auto para luego poder graficarlo y crear la tabla

Resumen del modelo ARIMA(2,1,2)
Modelo AIC BIC LogLik Sigma2
ARIMA(2,1,2) 3311.14 3326.64 -1650.57 33035368
Coeficientes del modelo ARIMA(2,1,2)
Coeficiente Estimate Std. Error z value Pr Significancia
ar1 ar1 -0.067657 0.128599 -0.526 0.5988106
ar2 ar2 0.340867 0.116837 2.917 0.0035290 **
ma1 ma1 -0.038446 0.093926 -0.409 0.6822996
ma2 ma2 -0.670833 0.083006 -8.082 0.0000000 ***

Antes de proceder a graficar se realiza el análisis de residuos 

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,1,2)
## Q* = 76.273, df = 20, p-value = 1.669e-08
## 
## Model df: 4.   Total lags used: 24

Gráfica 15. Fuente: Elaboración propia con librería de R Studios

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

Gráfica 16. Fuente: Elaboración propia con librería de R Studios

Interpretación modelo automático (2,1,2):El modelo automático (2,1,2) parece pronosticar la variable con un margen inferior al 10% por dato, se capturan los puntos de quiebre. Es un modelo tentativo adecuado para pronóstico fuera de muestra o a futuro.

##     Tiempo Pronostico
## 1 2025.750   164934.7
## 2 2025.833   165360.9
## 3 2025.917   164142.7
## 4 2026.000   164370.4
## [1] "Pronostico auto para enero 2026: 164370.391544128"

Uso del modelo ARIMA manual

Ahora realizaremos un ajuste con una combinación de Arima encontrada de forma manual con la siguiente forma (2,2,6)

Resumen del modelo ARIMA(2,2,6)
Modelo AIC BIC LogLik Sigma2
ARIMA(2,2,6) 3290.62 3318.46 -1636.31 29694062
Coeficientes del modelo ARIMA(2,2,6)
Coeficiente Estimate Std. Error z value Pr Significancia
ar1 ar1 -0.271349 0.090023 -3.014 0.0025765 **
ar2 ar2 -0.724556 0.069995 -10.351 0.0000000 ***
ma1 ma1 -0.878349 0.162513 -5.405 0.0000001 ***
ma2 ma2 0.220569 0.216134 1.021 0.3074804
ma3 ma3 -0.721531 0.271354 -2.659 0.0078373 **
ma4 ma4 -0.222240 0.143841 -1.545 0.1223378
ma5 ma5 0.592767 0.172145 3.443 0.0005744 ***
ma6 ma6 0.009423 0.088936 0.106 0.9156216 

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,2,6)
## Q* = 76.075, df = 16, p-value = 8.414e-10
## 
## Model df: 8.   Total lags used: 24

Gráfica 17. Fuente: Elaboración propia con librería de R Studios

Gráfica 18. Fuente: Elaboración propia con librería de R Studios

Interpretación modelo manual (2,2,6):El modelo manual (2,2,6) parece pronosticar la variable con un margen inferior al 8% por dato, de igual forma se capturan los puntos de quiebre. Es un modelo tentativo mejorado de cara al pronóstico fuera de muestra o a futuro.

##     Tiempo Pronostico
## 1 2025.750   168419.3
## 2 2025.833   170764.8
## 3 2025.917   164535.5
## 4 2026.000   164101.6
## [1] "Pronostico manual para enero 2026: 164101.579172536"

Se anexa imagen comparativa de porcentajes por dato pronosticado y la gráfica extendiéndola hasta febrero 2026

Uso del modelo SARIMA automático

El uso del modelo SARIMA automático permite identificar de manera eficiente la mejor combinación de parámetros que capturan tanto la dinámica no estacional como los patrones estacionales de la serie. Mediante la optimización de criterios de información como el AIC, este enfoque facilita la selección de un modelo adecuado sin necesidad de un proceso manual exhaustivo, mejorando la precisión de los pronósticos y la robustez del análisis.
Resumen del modelo SARIMA(2,1,2)(0,0,1)[12]
Modelo AIC BIC LogLik Sigma2
SARIMA(2,1,2)(0,0,1)[12] 3282.68 3301.28 -1635.34 27111313
Coeficientes del modelo SARIMA(2,1,2)(0,0,1)[12]
Coeficiente Estimate Std. Error z value Pr Significancia
ar1 ar1 0.037758 0.149086 0.253 0.8000652
ar2 ar2 0.254853 0.138092 1.846 0.0649610 .
ma1 ma1 -0.087525 0.115834 -0.756 0.4498868
ma2 ma2 -0.659264 0.108017 -6.103 0.0000000 ***
sma1 sma1 0.470551 0.079148 5.945 0.0000000 *** 

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,1,2)(0,0,1)[12]
## Q* = 38.316, df = 19, p-value = 0.005409
## 
## Model df: 5.   Total lags used: 24

Gráfica 19. Fuente: Elaboración propia con librería de R Studios

Pronóstico con el modelo SARIMA dentro del set de prueba-Gráfico líneas

Gráfica 20. Fuente: Elaboración propia con librería de R Studios

##     Tiempo Pronostico
## 1 2025.750   163820.6
## 2 2025.833   165654.9
## 3 2025.917   164178.5
## 4 2026.000   167291.4
## [1] "Pronostico para enero 2026: 167291.422243944"

Uso del modelo SARIMA manual

Ahora se realizará el ajuste para hacer la comparación de acuerdo con lo hallazgos encontrados en ARIMA (2,2,6)(2.1.1)

Resumen del modelo SARIMA(2,2,6)(2,1,1)[12]
Modelo AIC BIC LogLik Sigma2
SARIMA(2,2,6)(2,1,1)[12] 3017.88 3054.08 -1496.94 19003399
Coeficientes del modelo SARIMA(2,2,6)(2,1,1)[12]
Coeficiente Estimate Std. Error z value Pr Significancia
ar1 ar1 -0.259801 0.087112 -2.982 0.0028602 **
ar2 ar2 -0.829652 0.052435 -15.823 0.0000000 ***
ma1 ma1 -0.704853 0.126994 -5.550 0.0000000 ***
ma2 ma2 0.099588 0.132397 0.752 0.4519373
ma3 ma3 -0.660932 0.100856 -6.553 0.0000000 ***
ma4 ma4 -0.361015 0.097222 -3.713 0.0002046 ***
ma5 ma5 0.537728 0.108157 4.972 0.0000007 ***
ma6 ma6 0.109891 0.118478 0.928 0.3536519
sar1 sar1 0.132692 0.098506 1.347 0.1779656
sar2 sar2 -0.211449 0.090865 -2.327 0.0199615
sma1 sma1 -0.973473 0.216026 -4.506 0.0000066 ***

Pronóstico con el modelo SARIMA dentro del set de prueba-Gráfico líneas

Gráfica 21. Fuente: Elaboración propia con librería de R Studios

##     Tiempo Pronostico
## 1 2025.750   165645.6
## 2 2025.833   172686.6
## 3 2025.917   168594.2
## 4 2026.000   166198.4
## [1] "Pronostico para enero 2026: 166198.375192553"

Predicción del modelo para enero 2026

De esta forma es posible observar que el mejor modelo para realizar la predicción de Enero de 2026 es el modelo ARIMA MANUAL, debido a que al observar los datos calculados y teniendo en cuenta que tenemos el resultado de enero podemos ver un menor porcentaje de error para este mes con una desviación de 0,6%

Análisis del modelo

A partir del análisis comparativo entre los diferentes modelos evaluados, se evidencia que el SARIMA manual (2,2,6)(2,1,1) presenta el mejor desempeño en términos de precisión total con una desviación para 5 datos pronosticados de 18.8% de error absoluto, superando tanto al SARIMA automático como a los modelos ARIMA, en sus versiones manual y automática. Este resultado sugiere que la especificación manual del modelo permitió capturar de manera más adecuada la dinámica temporal de la serie, sin embargo, se debe decir que el dato buscado fue enero y que el modelo ARIMA (2,2,6) capturó mejor el dato buscado.

Finalmente, el modelo ARIMA (2,2,6) alcanzó una precisión del 0,6% en la predicción del dato correspondiente a enero de 2026, lo cual representa un nivel de error muy bajo y, por tanto, una alta capacidad predictiva. Este grado de exactitud valida la idoneidad del modelo seleccionado y confirma su utilidad como herramienta para la toma de decisiones en el contexto analizado. En consecuencia, se concluye que el ARIMA manual no solo ofrece un mejor ajuste a los datos históricos, sino también una mayor confiabilidad en la generación de pronósticos futuros.

Implicaciones del pronóstico para la empresa

Los datos obtenidos con el modelo ARIMA (2,2,6), implican que la empresa cuenta con una herramienta altamente confiable para anticipar la demanda futura, lo cual tiene impactos directos en varias áreas estratégicas, esto permitirá una mejor planificación de la producción, reduciendo riesgos de sobreproducción o desabastecimiento. Dado que el pollo es un producto perecedero, una estimación precisa ayuda a optimizar inventarios y minimizar pérdidas.

CONCLUSIONES ESTRATEGICAS

Decisiones estratégicas tomar

A partir de los resultados obtenidos y la alta precisión del modelo ARIMA (2,2,6), la empresa puede implementar un conjunto de decisiones orientadas a mejorar su eficiencia operativa y competitividad en el mercado.

En primer lugar, se recomienda ajustar la planeación de la producción con base en el pronóstico generado, alineando los niveles de producción con la demanda esperada. Esto permitirá reducir pérdidas asociadas a sobreproducción y evitar posibles desabastecimientos, optimizando así la gestión de inventarios.

En segundo lugar, la empresa debe fortalecer la planificación de compras e insumos, anticipando con mayor precisión las necesidades de materias primas como alimento balanceado, insumos logísticos y recursos operativos. Esta decisión contribuye a una mejor negociación con proveedores y a la reducción de costos.

En el ámbito comercial, se sugiere implementar estrategias de gestión de precios y promociones, utilizando el pronóstico para anticipar periodos de mayor o menor demanda. Esto permitirá maximizar ingresos y mejorar la rotación del producto en el mercado.

Asimismo, se recomienda incorporar el modelo dentro del proceso de toma de decisiones gerenciales, utilizándolo como herramienta de apoyo para la planificación financiera y operativa. Esto implica integrar el pronóstico en presupuestos, proyecciones de ingresos y planes de expansión.

Finalmente, la empresa debería establecer un esquema de monitoreo continuo del modelo, actualizándolo periódicamente con nueva información para mantener su precisión y adaptabilidad frente a cambios del entorno.

Riesgos u oportunidades

A pesar de la alta precisión del modelo ARIMA (2,2,6), existen riesgos que la empresa debe considerar en su implementación. En primer lugar, el modelo se basa en información histórica, por lo que puede verse afectado por choques externos no previstos, como cambios en precios de insumos, crisis sanitarias, variaciones regulatorias o eventos macroeconómicos. Esto implica que, aunque el pronóstico es confiable en condiciones normales, su capacidad predictiva puede reducirse en escenarios atípicos.

Adicionalmente, existe el riesgo de una dependencia excesiva del modelo, lo cual podría llevar a decisiones poco flexibles si no se complementa con análisis cualitativo y monitoreo del entorno. También se debe considerar la volatilidad del mercado, especialmente por la presencia de productos sustitutos como el huevo, que pueden alterar la demanda de manera inesperada.

Por otro lado, el uso del modelo representa importantes oportunidades para la empresa. La principal es la posibilidad de desarrollar una gestión basada en datos, que permita anticipar la demanda con alta precisión y tomar decisiones más informadas. Esto se traduce en una optimización de recursos, reducción de costos y mejora en la eficiencia operativa.

Asimismo, la empresa puede aprovechar el modelo para fortalecer su planeación estratégica, identificando tendencias de crecimiento y ajustando su capacidad productiva de manera proactiva. Esto le otorga una ventaja competitiva frente a empresas que operan con menor nivel de análisis.

Otra oportunidad clave es mejorar la estrategia comercial, adaptando precios, promociones y distribución en función de la demanda esperada. Esto permite maximizar ingresos y mejorar la posición en el mercado.

Preparación para el futuro cercano

El modelo ARIMA (2,2,6) representa una herramienta de alto valor para la empresa, pero su mayor impacto se logra cuando se utiliza como complemento de una gestión integral que combine datos, análisis del entorno y toma de decisiones estratégicas. De igual forma no se debe dejar de lado el modelo SARIMA (2,2,6)(2,1,1) ya que muestra mayor precisión al comprar la sumatoria de todos los errores absolutos e inflexiones.