Prediccin, simulacin y optimizacin, nuevas herramientas en evaluaciones de proyectos de inversin

Daniela E. Cangialosi1
(1) Facultad Regional Crdoba, Universidad Tecnolgica Nacional daniela_cangialosi@yahoo.com.ar

RESUMEN: Los sistemas informticos han avanzado a pasos acelerados armonizados con la evolucin de la tecnologa, siendo la misma y el conocimiento de su aplicacin un elemento diferenciador de los profesionales en el mercado. Dentro del mbito universitario planteado, se emplean clculos determinsticos para verificar la viabilidad de los proyectos de inversin, sesgando en gran medida la profundidad y precisin de los resultados en el anlisis de escenarios de variables mltiples. Otra realidad se presenta en los procesos empresariales de evaluaciones de proyectos, donde se recurre a herramientas con mayor potencialidad de anlisis. Esta asintona entre las dos realidades, dio origen a este trabajo, orientndose el mismo a implementar nuevas herramientas en la materia Evaluacin de Proyectos de Inversin en la carrera Ingeniera Industrial de la UTN - FRC, con el fin de acercar el mundo estudiantil a las necesidades del mercado competitivo actual. Para ello, se realiz la aplicacin de prediccin, simulacin y optimizacin, utilizando Crystal Ball, a un trabajo prctico realizado anteriormente por alumnos de la materia, siguiendo cada una de las unidades del programa, a fin de brindar un esquema claro, para facilitar la inclusin de las mismas en la currcula. En forma global, se observ, que al aplicarlas, los resultados no varan notablemente, pero si se incrementa la precisin, cantidad y calidad de la informacin, repercutiendo esto en la exactitud en la toma de decisiones. Se pudo concluir entonces, que la utilizacin de estas herramientas es un instrumento que mejora la comprensin del comportamiento del proyecto y que su inclusin dentro de la currcula resulta de aplicacin inmediata. PALABRAS CLAVES: probabilidad, informacin, precisin, decisin, inversin. 1 DEFINICIN DEL PROYECTO BAJO ESTUDIO 2.1 Demanda histrica. Se analiz la demanda histrica de gaseosas. Tal como puede observarse en la Figura 1 2.2 Demanda proyectada Se utilizar un modelo de regresin mltiple, por considerarse un mtodo adecuado para realizar este tipo de proyecciones, ya que considera a la Demanda Histrica relacionada con distintas

La ctedra Evaluacin de Proyectos de Inversin recomend el Proyecto Fbrica de Preformas de Plstico PET para Botellas de Gaseosas, realizado por los alumnos en el ao lectivo 2006, el cual trata acerca del estudio de viabilidad para instalar una Fbrica de Preformas PET para botellas de gaseosas en la provincia de Crdoba.
2 ESTUDIO DE MERCADO

variables que en mayor o menor medida afectan la evolucin de la misma

Demanda de Gaseosa Demanda de Gase osa
4.000 4.000 3.500 3.500 3.000 3.000 2.500 2.500 2.000 2.000 1.500 1.500 1.000 1.000
3 5 19 19 9 99 20 20 01 01 20 20 05 05 7 19 19 93 9 19 19 95 9 19 19 97 9 20 20 03 0 3

Luego de hacer correr al software, se obtiene la prediccin para el ao 2007 en adelante, para cada una de las variables. Figura 3.
Aos 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Coefficients for Demanda

Aos Aos

Figura 1. Demanda histrica de gaseosas. En este sentido se realiz un anlisis de correlacin entre la demanda histrica del bien respecto de indicadores macroeconmicos que sean relevantes para el proyecto, esto son el tipo de cambio, ndice de precios por mayor y por menor, producto bruto interno, balanza comercial y adicionalmente la poblacin del pas. Para cada uno se realiz un estudio de correlacin con la demanda de gaseosas. Luego del anlisis, se puede concluir que de las variables analizadas es conveniente relacionar a la demanda con el PBI, IPIM y Poblacin. Para hacer esa relacin, se utiliz el paquete agregado CB Predictor (incluido en el Crystal Ball), con el cual se proyectaron las tres variables hasta el horizonte del proyecto (10 aos) y haciendo uso de una regresin multivariable, colocando como variable dependiente a la demanda de gaseosas y como variables independientes al PBI, IPIM y Poblacin, se obtuvo la Demanda Agregada. Al ingresar los datos (demanda histrica, poblacin, PBI, IPIM) y configurar la proyeccin a 10 aos en CB Predictor, ste asocia una distribucin a los datos histricos y realiza la proyeccin segn el mtodo que menor error absoluto arroja. Tal como puede observarse en la Figura 2.

Demanda 1.754.000.000 1.854.000.001 1.955.000.000 2.055.000.000 2.155.000.001 2.256.000.000 2.429.000.000 2.410.000.000 2.530.000.000 2.550.000.000 2.660.000.000 2.990.000.000 3.250.000.000 2.930.000.000 3.266.543.880 3.397.884.562 3.529.225.245 3.660.565.927 3.791.906.609 3.923.247.292 4.054.587.974 4.185.928.656 4.317.269.339 4.448.610.021 -

PBI 236.505 250.308 243.186 256.626 277.441 288.123 278.369 276.173 263.997 235.236 256.023 279.141 304.764 330.534 354.520 378.511 402.501 426.492 450.483 474.474 498.464 522.455 546.446 570.436 1.191

IPIM 100,00 99,81 106,27 109,63 109,74 106,23 102,19 106,27 104,17 183,92 216,83 232,87 252,56 278,81 301,87 324,93 347,99 371,06 394,12 417,18 440,25 463,31 486,37 509,43 666.854

Poblacin 33.917.440 34.353.066 34.779.096 35.195.575 35.604.362 36.005.387 36.398.577 36.783.859 37.156.195 37.515.632 37.869.730 38.226.051 38.592.150 38.970.611 39.348.852 39.727.105 40.105.358 40.483.611 40.861.864 41.240.118 41.618.371 41.996.624 42.374.877 42.753.130 231

Millones de litros Millones de litros

Demanda

= -6448438045+ 1.191 x PBI+ 666.854 x IPIM + 231 x Poblacin

Figura 3. Proyecciones de la demanda Las proyecciones realizadas que se observan en verde, se debe a que los valores no son fijos, sino que se definen como supuestos, donde tienen asignada una funcin probabilstica. Tal como puede observarse en la Figura 4.

Figura 4. Distribucin para PBI ao 2007. Adicionalmente puede realizarse, debido a estas proyecciones probabilsticas, una simulacin con 1.000 iteraciones, para calcular la demanda con mayor exactitud, obteniendo una distribucin de probabilidades, segn se observa en la Figura 5. Adems, al realizar esta simulacin, se tiene la sensibilidad de la demanda de cada ao, a las variables que estn puestas en juego, como muestra la Figura 6. Dentro del segmento elegido, se encuentran que existen ms de 200 nuevas marcas de gaseosas, o clientes en el caso del producto analizado, en este sentido y luego de realizada la Planificacin Estratgica, el proyecto prev un participacin en esa porcin de la demanda agregada del 33% (3.33% de la Demanda Agregada), por medio de

Figura 2. Proyeccin para la demanda de CB Predictor.

cuatro objetivos: mix de publicidad, promociones, ingeniera de producto y desarrollos logsticos.

Figura 5. Distribucin de probabilidad de la demanda para el ao 2007.

Figura 7. Distribucin utilizada para la probabilidad de alcanzar el objetivo planteado para mix de publicidad.

Estadsticas Iteraciones Media Mediana Moda Desviacin Estndar Varianza Coeficiente de Asimetra Curtosis Coeficiente de Variacin Mnimo Mximo Ancho del rango Error Estndar de la Media

Demanda Esperada 2007 1000 20.726.243 20.757.532 --910.725

Demanda Esperada 2008 1000 51.743.041 51.821.155 --2.273.624

Demanda Esperada 2016 1000 112.905.842 113.076.291 --4.961.158

829.420.026.986 5.169.365.601.713 24.613.092.215.879 -0,1282 2,76 0,0439 17.972.855 23.189.222 5.216.366 28.800 -0,1282 2,76 0,0439 44.869.212 57.891.865 13.022.653 71.898 -0,1282 2,76 0,0439 97.906.811 126.322.875 28.416.064 156.886

Figura 6. Grafico de sensibilidad de la demanda para el ao 2007. Dentro de la planificacin estratgica resulta conveniente no asumir el logro seguro de estas premisas, sino, asignar una probabilidad de xito en cuanto al logro de los cuatro objetivos, afectando as directamente la demanda. Para ello, se realiz un modelo donde se calcul la incidencia del logro de las estrategias planteadas en la demanda esperada. Primero se afect la demanda agregada (obtenida en la proyeccin anterior) por el porcentaje de captacin de mercado planificado y la curva de crecimiento (no se puede asumir que desde el comienzo la fbrica alcanzar los objetivos planteados en la planificacin estratgica) y por ltimo se afinaron ms los datos, afectando la demanda planificada al logro de las estrategias planteadas, segn su importancia y probabilidad de ocurrencia (utilizando una distribucin triangular para representar esta incertidumbre acerca del logro de alcanzar los valores pronosticados Figura 7). Se realiz una simulacin, con 1000 iteraciones, arrojando como resultado, un informe, donde puede observarse la media para cada uno de los aos, como tambin los valores mximos, mnimos y el error estndar de la media. Figura 8

Figura 8. Informe de la simulacin de demanda. Tambin pueden extraerse grficos como una distribucin de probabilidades para la demanda de cada ao, grficos de sensibilidad y de tendencias, que ayudan a una mejor comprensin de los resultados obtenidos. Figura 9.

potenciales mercados, Santa F, San Luis y Mendoza. Dentro de las alternativas que plantearon los alumnos en su trabajo se encuentran los parques industriales de Ro Cuarto, San Francisco, Villa del Rosario y Luque Del estudio de cada uno de estos parques se observa que en lo que se refiere a las necesidades de servicios y mano de obra, todos brindan las mismas prestaciones. Por ellos se realizar la seleccin, teniendo en cuenta los costos del trasporte desde el parque hacia las zonas mercado. Se estim que las demandas se concentraran en la provincia de Crdoba y Santa F (Rosario) y en menor medida se tendra para las provincias de Mendoza y San Luis. Figura 10.
Potenciales Mercados Crdoba Rosario Mendoza San Luis Participacin en la Comercializacin entre y 45% 30% 10% 5% 50% 35% 15% 10%

Figura 10. Participacin en la comercializacin de cada mercado Siendo posible asociar a cada uno una distribucin uniforme entre los valores recientemente mencionados (Figura 11), de esta manera se mejora la precisin, dejando lugar a la estadstica y no a las subjetividades personales de quien realiza el estudio.

Figura 9. Grfico de Probabilidad, tendencia y sensibilidad para la demanda del ao 2007. 2.3 Conclusiones Luego del estudio realizado, se concluye que se arrib a resultados relevantes, obtenindose la demanda esperada para cada producto en concordancia con las proyecciones de las principales variables que la afectan, adems, se logr un alto grado de detalle de la misma. Otro aspecto es que pudo cambiarse los valores fijos, y subjetivos, que generalmente son utilizados, por funciones probabilsticas, que le otorgan un mayor acercamiento a la realidad, quitando subjetividad a las proyecciones.
3 SIMULACIN DE LOCALIZACIN

Para definir una ubicacin ptima para la planta, se realizar una simulacin de la localizacin, en este caso en particular se tendr en cuenta la cercana al mercado y los volmenes esperables de comercializar. As tambin, se analizarn los costos del transporte del producto terminado. En el trabajo realizado por los alumnos, se plante que la ubicacin sera en la provincia de Crdoba, ya que esta posee varias fbricas de gaseosa, y adems se encuentra cerca de los otros

Figura 11. Distribucin utilizada para Crdoba. Luego se estudiaron los costos de transporte y las distancias de las distintas alternativas de localizacin con los mercados propuestos. Relacionando los datos de demanda, participacin en la comercializacin de las distintas provincias y costos de transporte, se realiza el modelo, donde es posible correr una simulacin de 1000 iteracciones, variando la participacin en la comercializacin proyectada en cada provincia elegida como mercado meta, restringiendo a que la misma no supere el 100%, donde los resultados de los costos obtenidos para cada alternativa,

junto con su valor mnimo, medio y mximo se muestran en la Figura 12.

SELECCIN DE EQUIPAMIENTO

Figura 12. Resultados de los costos obtenidos para cada localizacin. Conforme puede observarse de los resultados obtenidos, para seleccionar la localizacin de la empresa, podra trabajarse con los valores obtenidos como medias, seleccionndose en principio la que presente mejores condiciones para el proyecto, sin perjuicio de esto, y como valor agregado del empleo de una simulacin con valores aleatorios, el evaluador del proyecto dispone de la informacin de los mximos y mnimos en cada caso, lo que le permite una mejor apreciacin de la situacin simulada.

Para realizar el anlisis se plantean los costos de cada una de las alternativas de maquinara y un modelo que permite calcular el costo total. En funcin del momento de adquisicin se calculan los costos operativos y las depreciaciones para el resto del ciclo de vida del proyecto, segn la desagregacin de componentes, as se obtiene adems, el valor residual de los equipos al final del proyecto, siendo este valor descontado del costo total. El objetivo del anlisis ser obtener el menor costo global (en todo el ciclo de vida del proyecto) respecto del equipamiento a seleccionar, con la restriccin que la capacidad de produccin obtenida sea igual o mayor a la necesaria para satisfacer la demanda Se cre una escala temporal, donde se indica el momento de adquisicin y la cantidad de mquinas, con estos datos, el modelo calcula la capacidad instalada y la compara con la capacidad definida como necesaria segn la demanda, obteniendo por diferencia las capacidades ociosas y las capacidades insuficientes en cada perodo. Al introducir la adquisicin de una mquina, el modelo calcula los costos de adquisicin, los operativos y el valor residual, teniendo siempre en cuenta el momento de la adquisicin. Arrojando como valor final, los costos del ciclo de vida para la alternativa que se plantee. Para obtener la combinacin que reduzca al mximo los costos, cumpliendo con que la capacidad en ningn perodo sea insuficiente, se deberan probar una cantidad numerosa de alternativas, por ello, se utilizar el optimizador OptQuest, que realizar ese mismo procedimiento pero a una velocidad considerablemente mayor que realizarlo manualmente y arrojar el mejor resultado obtenido entre las combinaciones que halla realizado, en este caso se tomar 1500 iteraciones. Se coloc como dato para el optimizador: - Las variables de decisin: adquisicin de maquinaria en la escala de tiempo. - Los requerimientos: los excedentes de capacidad en cada ao, los cuales tienen un piso de 0, es decir que nunca pueden ser negativos. - La funcin objetivo: que es el costo global, para la cual se defini que debe minimizarse. Al correr el optimizador, el mismo prueba distintas alternativas en la adquisicin de maquinaria, siempre intentando minimizar los costos. Se observan los resultados en la Figura 12. Donde se ve como al correr la cantidad de simulaciones, el resultado logrado por el

optimizar va mejorando, disminuyendo los costos, hasta encontrar el ptimo dentro de la cantidad de pruebas que se realizaron.

Figura 12. Resultados de la optimizacin en la seleccin del equipamiento. Otra ventaja respecto de realizar manualmente este anlisis es que el optimizador, adems de arrojar el mejor resultado, muestra otras alternativas, que si bien no implican el menor costo, pueden resultar viables, en caso de no poder efectivizar la mejor alternativa. Figura 13.

Figura 13. Resultado luego del proceso de optimizacin.

5 SIMULACIN DE IMPLEMENTACIN

En primera instancia, se prepar la Red PERT del proyecto, con el fin de conocer el plazo de tiempo necesario para poner el proyecto en funcionamiento, las holguras de cada una de las actividades o actividades crticas y el camino crtico del proyecto, entre otros. Puede observarse de la red, que la duracin estimada del proyecto, aplicando la tcnica de la RED PERT, es de 443 das, como tambin la ruta crtica del mismo, es decir, las tareas que no tienen holgura y que por lo tanto debe prestrsele mayor atencin. Teniendo en cuenta que los tiempos de las actividades fueron estimados, es probable que en la prctica los mismos varen respecto de los

previstos inicialmente y que por lo tanto el tiempo de duracin sea variable tambin, lo que conlleva al hecho de que de existir variaciones considerables en las actividades de la ruta crtica, la implementacin del proyecto sufrira atrasos en forma directa. An as, la influencia en el tiempo de duracin del proyecto no es solo de las actividades de la ruta crtica, sino que se pueden generar otras rutas crticas debido a la variabilidad de las actividades. Puesto que la varianza de una actividad da una medida de la variacin, producto de la incertidumbre, puede utilizarse para calcular la variacin total en el tiempo de duracin del proyecto, siendo la varianza del mismo la sumatoria de las varianzas de las tareas. De esta manera se puede encontrar la varianza del proyecto y con ella la desviacin estndar del mismo. La tcnica de Red PERT, si bien utiliza probabilidades al comienzo, para determinar el tiempo esperado para cada tarea, al momento de realizar la red, los tiempos tomados son fijos, y por lo tanto los resultados que arroja tambin. Por ello, luego de obtener la informacin requerida por el mtodo tradicional, se prepar un modelo, utilizando el software Crystal Ball, que pudiera trabajar con distribuciones en funcin de las estimaciones de tiempos optimistas, pesimistas y normales para la duracin de cada una de las tareas, y obtener de esa manera un conjunto de probabilidades para la duracin total del proyecto, pudindose adems representa grficamente los resultados y con la ventaja de poder actualizar los resultados rpidamente, adaptndolos continuamente o siempre que sea necesario en concordancia con los cambios de escenarios que puedan surgir durante el proceso de evaluacin del proyecto La distribucin elegida para las actividades es la Distribucin Beta, de manera de permitir la comparacin con la tcnica tradicional, y validar as los resultados obtenidos, no limitando esto a que se pueda utilizar cualquier distribucin, si se conoce el comportamiento de las actividades en cuanto a la duracin de las mismas al repetirse sucesivas veces. Adicionalmente se extrajo de Crystal Ball un dato al que se le llam probabilidad de ruta crtica, el mismo se calcula luego de la simulacin. Crystal Ball guarda los valores que arroja cada tarea para cada iteracin y coloca el valor medio de ese conjunto de datos, de esa manera es posible observar aquellas actividades, que si bien no se encuentran en la ruta crtica, en diversas iteraciones de la simulacin si se encontraron en la ruta crtica y que por lo tanto son de cuidado.

Esta relacin, cantidad de veces que ocurri el evento sobre la cantidad total de oportunidades de que ocurriere, representa la probabilidad de que la tarea se encuentre en la ruta crtica y de esa manera se pueden establecer las prioridades con un grado de mayor exactitud, que con solo la mera distincin entre tareas crticas y no crticas.
5.1 Conclusiones

Los resultados que se obtuvieron mediante la utilizacin de la red PERT y la simulacin son similares, cuestin importante, pero, con la simulacin utilizando Crystal Ball se encontraron ventajas sobre la tcnica tradicional, por ejemplo puede utilizarse cualquier distribucin para la duracin de las tareas y distribuciones diferentes para cada una de ellas, por lo que si se conoce el comportamiento particular de algunas o todas de ellas puede mejorarse la precisin de los resultados notablemente, con las consecuencias econmico financieras que puede representar ese mayor grado de precisin. Por otro lado brinda la probabilidad de que cada una de las tareas se encuentre en la ruta crtica, informacin de gran relevancia para asignar presupuesto, mano de obra y recursos en general a las tareas, lo que adems brinda un panorama con mayor claridad en cuanto a la finalizacin del proyecto.
6 SIMULACIN RENTABILIDAD

Figura 14. Distribucin utilizada para representar Otras inversiones.

6.3 Conclusiones

Los resultados obtenidos luego de correr 10.000 iteraciones son distribuciones, pudiendo observarse el valor de la media de cada una de los indicadores. (Figura 15).

6.1 Flujo de Fondos

Para realizar el anlisis de rentabilidad del proyecto se confeccion un flujo de fondos, basado en los datos de los estudio anteriores. El resultado del anlisis es un Valor Actual Neto de $3.675.847,08, con una Tasa Interna de Retorno del orden del 18,25% y un Perodo de Recupero del Capital de 8 aos.
6.2 Simulacin del flujo de fondos

Se prepar una simulacin del flujo de fondos, cambiando los valores fijos de las cantidades a vender, por distribuciones, y a fin de representar la incertidumbre, ajustando las inversiones, el capital de trabajo, el precio de venta de las preformas y los egresos con coeficientes representados por distribuciones triangulares. (Figura 14). Figura 15. Distribuciones de los indicadores Adicionalmente a la discrepancia que se observa entre los valores medios y los calculados en el Flujo de Fondo, consecuencia de que en la

simulacin se incorpor variables representativas de la incertidumbre, pueden realizarse una infinidad de anlisis rpidamente, calculando las probabilidades de ocurrencia (certidumbre) de que los indicadores alcancen determinados valores., tales como: - Certidumbre que el VAN sea igual o mayor a cero, ya que un VAN negativo implica que el proyecto no cumple con las expectativas del inversor y por lo tanto puede ser motivo para rechazar el proyecto. - Probabilidad de que la TIR sea igual o mayor a la Tasa de Corte (13%), es decir la tasa impuesta por el inversor como necesaria para aceptar el proyecto. - Certidumbre de que el PRC, sea dentro del perodo lmite establecido por el inversor. A modo de comparacin entre los dos mtodos analizados, es decir el flujo de fondos esttico y la simulacin del mismo, se calcul la probabilidad de ocurrencia de que los valores de los indicadores analizados sean iguales o mayores o menores, a los valores que se obtuvieron en el flujo de fondos esttico. En este anlisis se observa, que las mismas son significativas, es decir que el flujo de fondos esttico solo muestra una pequea porcin dentro de todas las soluciones posibles, lo que implica que tomar la decisin de invertir en un proyecto basndose exclusivamente en el flujo de fondos esttico conlleva adicionalmente al riesgo propio del proyecto, un riesgo producto de la falta de cuantificar los efector de la aleatoriedad de los eventos que influyen en la evaluacin econmica. Ver Figura 16.

optimizaciones en las etapas de una evaluacin de un proyecto de inversin, result en que la utilizacin de las mismas mejoran los estudios notablemente. Las conclusiones particulares ya fueron enunciadas oportunamente, sin embargo, en forma global, se observa, que si bien lo resultados en el proyecto analizado son similares a los obtenidos con las tcnicas tradicionales, es decir que a gran escala las decisiones no se veran modificadas al utilizar una u otra tcnica, se puede afirmar que al aplicar las nuevas tcnicas propuestas, en especial la prediccin y la simulacin, se incrementa notablemente la precisin, cantidad y calidad de la informacin, lo que repercute directamente en la exactitud en la toma de decisiones. El software Crystal Ball, utiliza la simulacin Montecarlo, la cual resulta adecuada para el tipo de aplicacin con que se trabajo, es por ello, que resulta adecuado indicar que los resultados alcanzados en este trabajo deben acotarse a este tipo en particular de simulacin. El modelo de ensayos estadsticos, conocido como simulacin de Montecarlo, es una tcnica de simulacin de situaciones inciertas que permite definir valores esperados para las variables no controlables, es actualmente la tcnica ms poderosa y comnmente usada para analizar problemas complejos, tanto aleatorios como determinsticos. En un proyecto de inversin, la aplicacin de la simulacin de Montecarlo brinda una informacin algo ms precisa de los riesgos que podran tener que enfrentarse cuando el proyecto est en funcionamiento.(Semmyraz, 2006) Se puede concluir entonces, que este conjunto de herramientas es un instrumento ms que est disponible para mejorar la comprensin que se tiene sobre el comportamiento que podra tener el proyecto de inversin cuando se encuentre en funcionamiento, y ayuda a tomar mejores decisiones respecto al mismo, es por ello que se considera importante que estas herramientas sean conocidas por los futuros egresados y en especial que se imparta la aplicacin directa de las mismas, que fue el objetivo con el que se realiz el presente trabajo. REFERENCIAS

Figura 16. Probabilidad que el VAN sea menor al VAN calculado con el flujo fondo esttico.
7 CONCLUSIONES GENERALES

Semyraz, Daniel, Preparacin y Evaluacin de Proyectos de Inversin, Osmar D. Buyatti, 2006

El estudio de la aplicacin de nuevas herramientas - simulaciones, predicciones y