Pronóstico a corto plazo de los principales mercados del Hotel Excel

1. Resumen
2. Introducción
3. Marco Teórico Referencial
4. Análisis Estadístico, Resultados
5. Conclusiones
6. Recomendaciones
7. Bibliografía

Resumen

El presente trabajo intenta mostrar las bondades de los métodos estadísticos de pronósticos en el turismo, al constituir herramientas de gran valor en el proceso de dirección, en el cual, uno de los aspectos a tomar en cuenta es la previsión de las situaciones a las que se enfrentará la organización con el mayor nivel de certidumbre. Son técnicas de amplio uso y de probada validez en el mundo contemporáneo y en todas las ramas de la ciencia y la técnica. Hoy día es casi imposible operar una organización sin contar con pronósticos acerca del desarrollo futuro de la misma, tomando en cuenta, para ello, tanto el comportamiento del entrono en que se desarrolla la misma como sus problemas internos. Se realiza un análisis de series anuales y mensuales de los arribos de turistas a una instalación. Se emplean métodos de análisis de regresión y alisamiento exponencial y sus resultados, constituye un punto de partida para el diseño de estrategias futuras.

Introducción

Toda entidad turística debe poseer información general y particular sobre los mercados que emiten turistas hacia él y observar su comportamiento, además de conocer sobre otros que potencialmente puedan ser de su interés. Pero el hecho cierto es que debe contarse con información que sustente las decisiones que se tomen. Lo cual le facilitará entender y prever los resultados que obtendrá con cierto nivel de certidumbre.

El presente trabajo está orientado a realizar un estudio del comportamiento de los arribos de turistas a un hotel durante los últimos 8 años (2000-2007), concentrándose en los cuatro países de mayor emisión (Mercado 1, Mercado 2, Mercado 3 y Mercado 4), a partir de los cual se obtienen pronósticos de los arribos para el 2008 con el propósito de fundamentar las acciones comerciales que se deben acometer.

Para realizar este estudio se utilizaron las técnicas estadísticas de Regresión Lineal y Análisis de la Series Cronológicas de los arribos de turistas durante el período seleccionado.

Marco Teórico Referencial

Definición de Serie de Tiempo, conceptos, pasos para su análisis

Definición de Serie de Tiempo: Se llama Serie de Tiempo, Serie Cronológica, Time Series, a un conjunto de observaciones que toma una variable en diferentes momentos del tiempo.

A continuación definiremos los componentes principales que caracterizan una serie de tiempo: tendencia, estacionalidad y aleatoriedad.

Tendencia: Es la componente de largo plazo que constituye la base del crecimiento o declinación de una serie histórica. Las fuerzas básicas que producen o afectan la tendencia de una serie son: cambios en la población, inflación, cambio tecnológico e incremento en la productividad, entre otros.

Estacionalidad: Las fluctuaciones estaciónales se encuentran típicamente en los datos clasificados por trimestre mes o semana. La variación estacional se refiere a un patrón de cambio regularmente recurrente a través del tiempo. El movimiento se completa dentro de la duración de un año y se repite así mismo años tras año.

Aleatoriedad: Los movimientos irregulares (al azar) representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia, variaciones estaciónales y fluctuaciones cíclicas.

Un modelo clásico para una serie de tiempo, supone que una serie x(1), …, x(n) puede ser expresada como suma o producto de tres componentes: tendencia, estacionalidad y un término de error aleatorio. No se ha considerado el componente cíclico en este caso, dado la limitada información con que se contó y al hecho de que los pronósticos se refieren a un horizonte corto.

Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados.Estos son:

1. Aditivo: X(t) = T(t) + E(t) + A(t)

2. Multiplicativo: X(t) = T(t) · E(t) · A(t)

3. Mixto: X(t) = T(t) · E(t) + A(t)

Donde:

X(t) serie observada en instante t.

T(t) componente de tendencia.

E(t) componente estacional.

A(t) componente aleatoria (accidental).

Una suposición usual es que A(t) sea un componente aleatorio o ruido blanco con media cero y varianza constante (homocedasticidad).