Objetivos

Hoy en día vivimos en un mundo ultra competitivo en el sentido económico, en donde saber las variables que afectan tus resultados se ha vuelto algo vital para la supervivencia en el mercado. Es por esta razón, que al tener una base de datos por país de una empresa multinacional, resulta de extremo interés conocer las variables que de verdad afectan a tus resultados para poder mejorar la participación de mercado en dicho país. Con esto en mente, se tiene el propósito de analizar los resultados de ventas de cada país en los que FemCare participa para poder brindarles la información óptima para el mejoramiento de su negocio por país.

Análisis Exploratorio por País y Metodología Utilizada

Con base en los anterior, el trabajo analizado se basó en generar el modelo ajustado más adecuado que nos ayude a predecir la participación de mercado del fabricante A en un total de seis países en América: Costa Rica, El Salvador, Guatemala, Honduras, Nicaragua y Panamá. Asimismo, también se consideró necesario ajustar un modelo para el total de Centroamérica dado a que los datos nos proporcionaban esta región como una adicional. Con esto en mente, de las 13 variables independientes proporcionadas en la base de datos, por fines de hacer nuestros modelos sugeridos más sencillos y respetar el principio de parsimonia, se escogieron 7 variables independientes a modelar, de los cuales todos consideraban solamente la información respectiva al fabricante A. Estas 7 variables independientes que se escogieron fueron: distribución, agotamiento, ventas, precio de venta, inventarios, promociones y promociones de TV. A partir de estas variables, se realizó el análisis exploratorio en R para ver la naturaleza de los datos por país y así poder saber qué variables sugerían que iban a tener problemas de correlación y así poder darnos una idea del modelo ajustado final.

Total Centroamérica

Empezando a analizar los datos de la región de Centroamérica (CAM), nos dimos cuenta a partir de un correlograma que se muestra a continuación, que las correlaciones más altas dentro de esta región son: ventas e inventarios con 0.6, precio e inventarios con 0.53, e inventarios y share con -0.46. Sin embargo, al ser números menores al 0.9, se puede concluir sin más análisis que estos datos no tienen problemas de correlación claros. Asimismo, el análisis exploratorio nos arrojó un determinante igual a 0.2139, lo cual indica que la matriz es invertible para nuestro modelo completo.

Dados estos resultados, se procedió a ajustar el modelo completo con el objetivo de ver qué variables iban a tener mayor significancia para mi modelo y cuáles iban a empeorar mi variación y por lo tanto, mi modelo como tal. Tras realizar un resumen de los datos con el modelo completo se pudo observar que los únicos regresores que parecían significativos iban a ser el precio y las ventas. También se observó que el estadístico F no era significativo, por lo que nuestro modelo completo sugería requerir claros problemas para ajustar bien a las observaciones.

Por esta razón, se utilizó el criterio de información de Akaike (AIC) que nos proporcionara un medio para la selección del modelo que mejor ajustaba la respuesta. Dadas las respuestas que arrojaba este criterio, así como nuestras observaciones realizadas en el correlograma del principio, se llegó a la conclusión de que el mejor modelo para CAM era el planteado en la tabla comparativa que se mostrará en un sección más adelante.

Tras la selección de este modelo, se procedió al estudio de datos atípicos e influyentes en nuestra base de datos. Para esto, se realizó una gráfica para la identificación de estos datos, la cual nos arrojó como datos de influencia a las observaciones: 7, 22, 24, y 25. Sin embargo, tras quitar estas observaciones de nuestra muestra, se observó que los resultados de nuestro modelo no cambiaban de manera significativa, por lo que se decidió no quitarlos y dejar a nuestro modelo con la muestra completa.

Seguidamente, se probó el desempeño del modelo, así como su bondad de ajuste con la base de prueba. Los resultados de esta prueba se pueden observar en la siguiente gráfica:

Costa Rica

En segundo lugar, se analizaron los datos de la región de Costa Rica (CR) y nos dimos cuenta a partir de un correlograma que se muestra a continuación, que las correlaciones más altas dentro de esta región son: precio y share con -0.87, precio y promosTV con 0.79, y ventas e inventarios con 0.82. Sin embargo, al ser números menores al 0.9, se puede concluir sin más análisis que estos datos no tienen problemas de correlación claros. Asimismo, el análisis exploratorio nos arrojó un determinante igual a 0.005977, lo cual indica que la matriz es invertible para nuestro modelo completo.

Con base en lo anterior, se procedió a ajustar el modelo completo con el objetivo de ver qué variables iban a tener mayor significancia para mi modelo y cuáles iban a empeorar mi variación y por lo tanto, mi modelo como tal. Tras realizar un resumen de los datos con el modelo completo se pudo observar que ninguno de los regresores eran significativos. También se observó que el estadístico F no era significativo, por lo que nuestro modelo completo sugería requerir claros problemas para ajustar bien a las observaciones.

Por esta razón, se utilizó el criterio de información de Akaike (AIC) que nos proporcionara un medio para la selección del modelo que mejor ajustaba la respuesta. Dadas las respuestas que arrojaba este criterio, así como nuestras observaciones realizadas en el correlograma del principio, se llegó a la conclusión de que el mejor modelo para CR era el planteado en la tabla comparativa que se mostrará en un sección más adelante.

Tras la selección de este modelo, se procedió al estudio de datos atípicos e influyentes en nuestra base de datos. Para esto, se realizó una gráfica para la identificación de estos datos, la cual nos arrojó como datos de influencia a las observaciones: 11, 17, 23, 30, y 31. Sin embargo, tras quitar estas observaciones de nuestra muestra, se observó que los resultados de nuestro modelo no cambiaban de manera significativa, por lo que se decidió no quitarlos y dejar a nuestro modelo con la muestra completa.

Seguidamente, se probó el desempeño del modelo, así como su bondad de ajuste con la base de prueba. Los resultados de esta prueba se pueden observar en la siguiente gráfica:

El Salvador

En tercer lugar, se analizaron los datos de la región del Salvador (EL) y nos dimos cuenta a partir de un correlograma que se muestra a continuación, que las correlaciones más altas dentro de esta región son: precio y promosTV con 1, precio y share con -0.72, y ventas e inventarios con 0.55. Sumado a estos resultados que nos marcan claramente que existe un problema de correlación en el modelo completo, el determinante nos dio igual a cero, por lo que es claro que nuestro modelo completo necesita ser modificado.

Con base en lo anterior, se procedió a ajustar el modelo completo con el objetivo de ver qué variables iban a tener mayor significancia para mi modelo y cuáles iban a empeorar mi variación y por lo tanto, mi modelo como tal. Tras realizar un resumen de los datos con el modelo completo se pudo observar que ninguno de los regresores eran significativos. También se observó que el estadístico F no era significativo, por lo que nuestro modelo completo sugería requerir claros problemas para ajustar bien a las observaciones.

Por esta razón, se utilizó el criterio de información de Akaike (AIC) que nos proporcionara un medio para la selección del modelo que mejor ajustaba la respuesta. Dadas las respuestas que arrojaba este criterio, así como nuestras observaciones realizadas en el correlograma del principio, se llegó a la conclusión de que el mejor modelo para EL era el planteado en la tabla comparativa que se mostrará en un sección más adelante.

Tras la selección de este modelo, se procedió al estudio de datos atípicos e influyentes en nuestra base de datos. Para esto, se realizó una gráfica para la identificación de estos datos, la cual nos arrojó como datos de influencia a las observaciones: 23 y 25. Sin embargo, se observó que la observación 23 es la que más afecta a nuestro modelo por tener una distancia de Cook mayor a 1 (dato influyente). Con esto anterior se hizo un análisis más profundo a la observación 23 para poder ver si era posible quitarla de la muestra. Tras este estudio de la observación, se concluyó que no era conveniente quitar de nuestro análisis a la observación 23 dado a que se quitaría a la observación que presenta mayor venta para este país, por lo que si bien nuestro modelo tendría mayor precisión, no se estaría trabajando con un valor de suma importancia para la empresa, por lo que se decidió no quitar ninguna observación y dejar a nuestro modelo con la muestra completa.

Seguidamente, se probó el desempeño del modelo, así como su bondad de ajuste con la base de prueba. Los resultados de esta prueba se pueden observar en la siguiente gráfica:

Guatemala

En cuarto lugar, se analizaron los datos de la región de Guatemala (GT) y nos dimos cuenta a partir de un correlograma que se muestra a continuación, que las correlaciones son en su mayoría positivas y relativamente altas, con la más alta siendo la correlación entre precio e inventarios con 0.82. Sin embargo, al ser números menores al 0.9, se puede concluir sin más análisis que estos datos no tienen problemas de correlación claros. Asimismo, el análisis exploratorio nos arrojó un determinante igual a 0.00109, lo cual indica que la matriz es invertible para nuestro modelo completo.

Con base en lo anterior, se procedió a ajustar el modelo completo con el objetivo de ver qué variables iban a tener mayor significancia para mi modelo y cuáles iban a empeorar mi variación y por lo tanto, mi modelo como tal. Tras realizar un resumen de los datos con el modelo completo se pudo observar que solamente la variable de ventas tenía significancia en el modelo. También se observó que el estadístico F no era significativo, por lo que nuestro modelo completo sugería requerir claros problemas para ajustar bien a las observaciones.

Por esta razón, se utilizó el criterio de información de Akaike (AIC) que nos proporcionara un medio para la selección del modelo que mejor ajustaba la respuesta. Dadas las respuestas que arrojaba este criterio, así como nuestras observaciones realizadas en el correlograma del principio, se llegó a la conclusión de que el mejor modelo para GT era el planteado en la tabla comparativa que se mostrará en un sección más adelante.

Tras la selección de este modelo, se procedió al estudio de datos atípicos e influyentes en nuestra base de datos. Para esto, se realizó una gráfica para la identificación de estos datos, la cual nos arrojó como datos de influencia a las observaciones: 1, 2, 3, 24, y 25. Una vez quitadas estas observaciones de nuestra muestra, se observó que los resultados de nuestro modelo no cambiaban de manera significativa, por lo que se decidió no quitarlos y dejar a nuestro modelo con la muestra completa. Sin embargo, es importante mencionar que la observación 3 reflejaba tener un COVRATIO > 1 (empeora la precisión de la estimación de mi modelo).

Seguidamente, se probó el desempeño del modelo, así como su bondad de ajuste con la base de prueba. Los resultados de esta prueba se pueden observar en la siguiente gráfica:

Honduras

En quinto lugar, se analizaron los datos de la región de Honduras (HD) y nos dimos cuenta a partir de un correlograma que se muestra a continuación, que las correlaciones son en su mayoría positivas y relativamente altas, con la más alta siendo la correlación entre promos y promosTV con 1. Sumado a estos resultados que nos marcan claramente que existe un problema de correlación en el modelo completo, el determinante nos dio igual a cero, por lo que es claro que nuestro modelo completo necesita ser modificado, como fue el caso al analizar al Salvador (EL).

Con base en lo anterior, se procedió a ajustar el modelo completo con el objetivo de ver qué variables iban a tener mayor significancia para mi modelo y cuáles iban a empeorar mi variación y por lo tanto, mi modelo como tal. Tras realizar un resumen de los datos con el modelo completo se pudo observar que solamente la variable de precio tenía significancia en el modelo. También se observó que el estadístico F no era significativo, por lo que nuestro modelo completo sugería requerir claros problemas para ajustar bien a las observaciones.

Por esta razón, se utilizó el criterio de información de Akaike (AIC) que nos proporcionara un medio para la selección del modelo que mejor ajustaba la respuesta. Dadas las respuestas que arrojaba este criterio, así como nuestras observaciones realizadas en el correlograma del principio, se llegó a la conclusión de que el mejor modelo para HD era el planteado en la tabla comparativa que se mostrará en un sección más adelante.

Tras la selección de este modelo, se procedió al estudio de datos atípicos e influyentes en nuestra base de datos. Para esto, se realizó una gráfica para la identificación de estos datos, la cual nos arrojó como datos de influencia a las observaciones: 1, 19, 21, y 30. Una vez quitadas estas observaciones de nuestra muestra, se observó que los resultados de nuestro modelo no cambiaban de manera significativa, por lo que se decidió no quitarlos y dejar a nuestro modelo con la muestra completa. Sin embargo, es importante mencionar que la observación 30 reflejaba tener un COVRATIO > 1 (empeora la precisión de la estimación de mi modelo).

Seguidamente, se probó el desempeño del modelo, así como su bondad de ajuste con la base de prueba. Los resultados de esta prueba se pueden observar en la siguiente gráfica:

Nicaragua

En quinto lugar, se analizaron los datos de la región de Nicaragua (NIC) y nos dimos cuenta a partir de un correlograma que se muestra a continuación, que las correlaciones no muestran un comportamiento fijo, a excepción de la entre promos y promosTV con 1. Sumado a este resultado que nos marcan claramente que existe un problema de correlación en el modelo completo, el determinante nos dio igual a cero, por lo que es claro que nuestro modelo completo necesita ser modificado, como fue el caso al analizar al Salvador (EL) y de Honduras (HD).

Con base en lo anterior, se procedió a ajustar el modelo completo con el objetivo de ver qué variables iban a tener mayor significancia para mi modelo y cuáles iban a empeorar mi variación y por lo tanto, mi modelo como tal. Tras realizar un resumen de los datos con el modelo completo se pudo observar que solamente la variable de ventas tenía significancia en el modelo. También se observó que el estadístico F no era significativo, por lo que nuestro modelo completo sugería requerir claros problemas para ajustar bien a las observaciones.

Por esta razón, se utilizó el criterio de información de Akaike (AIC) que nos proporcionara un medio para la selección del modelo que mejor ajustaba la respuesta. Dadas las respuestas que arrojaba este criterio, así como nuestras observaciones realizadas en el correlograma del principio, se llegó a la conclusión de que el mejor modelo para NIC era el planteado en la tabla comparativa que se mostrará en un sección más adelante.

Tras la selección de este modelo, se procedió al estudio de datos atípicos e influyentes en nuestra base de datos. Para esto, se realizó una gráfica para la identificación de estos datos, la cual nos arrojó como datos de influencia a las observaciones: 1, 9, 22, 23, y 25. Una vez quitadas estas observaciones de nuestra muestra, se observó que los resultados de nuestro modelo no cambiaban de manera significativa, por lo que se decidió no quitarlos y dejar a nuestro modelo con la muestra completa. Sin embargo, es importante mencionar que las observaciones 1 y 22 reflejaban tener un COVRATIO > 1 (empeora la precisión de la estimación de mi modelo). Seguidamente, se probó el desempeño del modelo, así como su bondad de ajuste con la base de prueba. Los resultados de esta prueba se pueden observar en la siguiente gráfica:

Panamá

Por último, se analizaron los datos de la región de Panamá (PYT) y nos dimos cuenta a partir de un correlograma que se muestra a continuación, que las correlaciones no muestran un comportamiento fijo, ni tienen una correlación mayor a 0.9, por lo que es posible asumir que no se tienen problemas de correlación claros. Asimismo, al calcular el determinante del modelo completo, nos dio igual a 0.08327, lo cual nos indica que nuestro modelo y su matriz es invertible.

Con base en lo anterior, se procedió a ajustar el modelo completo con el objetivo de ver qué variables iban a tener mayor significancia para mi modelo y cuáles iban a empeorar mi variación y por lo tanto, mi modelo como tal. Tras realizar un resumen de los datos con el modelo completo se pudo observar que las variables de distribuciones y ventas tenían significancia en el modelo. También se observó que el estadístico F no era significativo, por lo que nuestro modelo completo sugería requerir claros problemas para ajustar bien a las observaciones.

Por esta razón, se utilizó el criterio de información de Akaike (AIC) que nos proporcionara un medio para la selección del modelo que mejor ajustaba la respuesta. Dadas las respuestas que arrojaba este criterio, así como nuestras observaciones realizadas en el correlograma del principio, se llegó a la conclusión de que el mejor modelo para PYT era el planteado en la tabla comparativa que se mostrará en un sección más adelante.

Tras la selección de este modelo, se procedió al estudio de datos atípicos e influyentes en nuestra base de datos. Para esto, se realizó una gráfica para la identificación de estos datos, la cual nos arrojó como datos de influencia a las observaciones: 5, 7, 26, y 31. Una vez quitadas estas observaciones de nuestra muestra, se observó que los resultados de nuestro modelo no cambiaban de manera significativa, por lo que se decidió no quitarlos y dejar a nuestro modelo con la muestra completa. Sin embargo, es importante mencionar que la observación 5 refleja tener un COVRATIO > 1 (empeora la precisión de la estimación de mi modelo).

Seguidamente, se probó el desempeño del modelo, así como su bondad de ajuste con la base de prueba. Los resultados de esta prueba se pueden observar en la siguiente gráfica:

Tabla Comparativa de Modelos por País

Ahora que ya se realizó un análisis exhaustivo de cada país y se pudo obtener el mejor modelo ajustado considerado, se va a proceder a la interpretación en modo de elasticidades de estos modelos para poder tener una idea más sólida de nuestro negocio y posteriormente plantear una serie de recomendaciones por región y tener un plan de negocios justificado. Para esto, a continuación se presenta una tabla en la que se expresa el modelo ajustado final por país y sus respectivas elasticidades por regresor utilizado en el modelo:

Para Centroamérica, se puede observar que el regresor que afecta de manera más grande en términos absolutos al share of market es el precio. Asimismo podemos ver que las ventas impactan positivamente a la respuesta, al igual que el agotamiento. Sin embargo, el impacto de este último es considerablemente menor.

Para Costa Rica, se puede observar que al igual que en Centroamérica, el precio es el regresor que afecta más al share of market. Por otro lado, tanto las ventas como mis promociones por televisión tienen un impacto favorable para mi variable respuesta.

Para El Salvador, al igual que en Centroamérica y Costa Rica, el precio es la variable que afecta más al share of market. Sin embargo, a diferencia de los demás modelos, El Salvador se ve afectado tanto por sus ventas como por su canal de distribución de sus productos. Hay que señalar que el agotamiento de los productos en El Salvador también afecta a la respuesta, pero no tanto como las otras dos variables (distribución y ventas).

Para Guatemala, es interesante observar que parece ser que la variable de ventas es la única que hay que tomar en consideración, sin embargo, al observar su coeficiente de determinación, al ser tan bajo, es lógico pensar que existen otros comportamientos fuera del modelo que pueden llegar a afectar mi share además de las ventas.

Para Honduras, se observa un comportamiento bastante raro en el mercado. Se observa que el precio afecta de manera positiva a nuestro share of market, al igual que la distribución. Mientras que los inventarios afectan de manera negativa a la respuesta. Estos comportamientos podrían indicar que el mercado de Honduras es diferente al de los antes mencionados, por lo que sería relevante hacer un análisis más detallado a su mercado para ver el comportamiento de sus clientes y competidores.

Para Nicaragua, al igual que Honduras, el precio afecta positivamente al share of market, sin embargo el efecto más grande de los regresores en la respuesta es el de ventas. También es importante señalar que al igual que en Guatemala, existen otros factores que están afectando a nuestro share of market más allá de las variables que se consideraron en nuestro modelo.

Para Panamá, es interesante ver el efecto negativo que tienen nuestros canales de distribución. Este comportamiento necesitaría un mayor análisis para poder descubrir el por qué nuestro negocio se ve afectado por esto. También es relevante señalar que al igual que en Nicaragua y Guatemala, nuestro coeficiente de determinación no explica la varianza completa de todos nuestros datos, por lo que efectos fuera de los considerados para este modelo también podrían afectar a nuestra respuesta.

Market Share de Stephen A. Rhodes e implicaciones

Después de comparar y contrastar los diferentes modelos planteados y descubrir las inquietudes que generan cada uno para su interpretación, es importante mencionar la importancia del artículo de Stephen A. Rhoades para esta investigación. En resumen, su artículo acerca de la participación de mercado contribuyó de manera significativa a este trabajo de tres maneras.

Primero, en su artículo se menciona que las diferencias de precios de productos a largo plazo no persistirán entre las empresas en un mercado imperfecto. Este argumento toma sentido en nuestro análisis dado que los precios en varios modelos no es considerado como la variable más importante a considerar e incluso en algunos ni siquiera es considerado.

Segundo, Rhoades menciona que el liderazgo del mercado conduce a una “diferenciación inherente del producto”. Esto genera por consiguiente la necesidad de establecer como una variable significativa a cualquier modelo de participación de mercado, la diferenciación de sus productos. Esta métrica es sumamente difícil de calcular, pero como demuestra en todo su trabajo, Rhoades establece la necesidad de tener productos diferentes a los de tus competidores de la misma industria para poder tener ventajas competitivas frente a ellos.

Por último, un punto muy importante que toca Rhoades en su artículo es la necesidad de separar del concepto poder de mercado y nivel de concentración del mercado. Estos dos conceptos frecuentemente son utilizados de manera que hacen ver a la participación de mercado dependiente al nivel de concentración del mismo. Este supuesto erróneo lo descalifica Rhoades haciendo ver que estas dos variables son independientes entre sí, concluyendo así que los beneficios de las empresas líderes no se deben a una mayor eficiencia, sino a una forma de participación de mercado.

Estos tres aspectos del artículo de Stephen A. Rhodes hicieron que se pudiera comprender de manera general la forma de interpretar nuestros datos y poder llevar a cabo una recomendación más informada para la empresa analizada.

Recomendación Final

Como parte final de nuestro análisis, se tiene el objetivo de dar una recomendación empresarial a cada país en los que opera FemCare para optimizar sus resultados e implementar una serie de estrategias que ayuden a que la empresa se posicione mejor en el mercado. Estas estrategias se plantearon a partir de conocimientos previos de análisis financiero, así como los comentarios anteriormente dichos por Stephen A. Rhoades.

En Centroamérica se tiene que tener como estrategia el disminuir el agotamiento de los productos a través de un buen manejo de proceso de distribución para garantizar ventas en temporadas de demanda alta. También se tiene que tener en cuenta que la variable que más puede llegar a afectar a la empresa es el precio, por lo que si se quiere tener mejor participación de mercado, se pueden utilizar estrategias de inventarios que hagan que el impacto en la utilidad neta sea menor y así poder bajar precios para llegar a más clientes. Este tipo de estrategia se puede lograr cambiando el sistema de valuación de inventarios a PEPS (Primeras Entradas Primeras Salidas).

En Costa Rica, se puede implementar el mismo sistema de valuación de inventarios que el modelo de Centroamérica en conjunto con un estratégico de plan de promociones en televisión para hacer que más clientes conozcan el producto. Para que esta estrategia funcione, se tiene que encontrar la forma de diferenciar el producto de los demás en el mercado y hacer que los clientes tengan una preferencia por este. Esto se puede lograr utilizando componentes biodegradables en nuestro producto de cuidado íntimo y tener un enfoque ambiental en nuestra promoción por televisión.

En El Salvador, el plan estratégico a llevar a cabo consta de un mejor manejo de procesos de distribución y de valuar de manera diferente tus inventarios para poder diferenciarte de los competidores a partir de los precios sin tener un impacto en la utilidad neta de la empresa (valuación de inventarios – PEPS). El problema de procesos de distribución se solucionaría identificando las rutas a los puntos de distribución de la marca y optimizarlos de tal manera que se disminuya el tiempo de entrega de los productos a los puntos de distribución y se cumpla con la demanda solicitada de productos.

En Guatemala el escenario a plantear es más complicado que en los otros países debido a la presencia de una sola variable a considerar: ventas. Con base en esto y retomando lo mencionado anteriormente por Stephen A. Rhoades, la diferenciación del producto en un país como Guatemala podría ser una estrategia interesante a considerar dado que al ser un mercado en desarrollo, diferenciarse de los demás a través del producto puede ser una estrategia que mejore las ventas y por consiguiente, la participación de mercado de la compañía.

En Honduras, se tiene que tener como estrategia a seguir el mantener a los precios constantes debido a que el mercado indica que los consumidores posiblemente pueden llegar a tener un favoritismo hacia la marca del producto, que al producto mismo. Por otro lado, al tener un efecto negativo por parte de los inventarios, la estrategia a manejar en este escenario es valuar a los inventarios por UEPS (Últimas Entradas Primeras Salidas) debido a que con este sistema de valuación se obtiene un margen bruto menor y por consiguiente, inventarios menos grandes.

En Nicaragua, se tiene que contemplar un escenario muy parecido al de Honduras en el que los clientes tienen preferencia sobre la marca que por el producto, por lo que se tiene que mantener precios constantes para favorecer la imagen de la marca sin disminuir nuestros resultados. Sin embargo, dado que en este país el modelo utilizado tuvo una varianza no explicada considerable, la implementación de productos biodegradables o eco friendly podrían hacer que el producto se diferencie y poder mejorar la participación de mercado de la empresa.

En Panamá, se tiene que mejorar el proceso de nuestro canal de distribución para hacer que nuestros centros de distribución no afecten nuestra participación en el mercado. De igual manera que Nicaragua y Guatemala, se pueden implementar productos biodegradables que generen un impacto favorable hacia el producto y así mejorar la participación de mercado de la empresa.