Modelamiento prospectivo de la tendencia de adquirir casa propia o usada, aplicando series de tiempo como método de pronóstico a partir de datos suministrados por la herramienta Google Trends
PDF

Cómo citar

Vélez Sánchez, E. O., Ortiz González, T. P., Marín Betancur, A., Melo Hidalgo, Ángela M., Casas Atehortua, N. O., Giraldo Vargas, G., & Latorre Arias, N. M. (2019). Modelamiento prospectivo de la tendencia de adquirir casa propia o usada, aplicando series de tiempo como método de pronóstico a partir de datos suministrados por la herramienta Google Trends. Libros Universidad Nacional Abierta Y a Distancia, 113-126. https://doi.org/10.22490/9789586516389.05

Resumen

La tradicional frase “quien tiene la información tiene el poder”, en estos tiempos de auge de la Internet parece sufrir un cambio a “quien entiende la información tiene el poder”. Actualmente todo ser humano con acceso a la Web puede consultar, aprender y visitar en tiempo real los sitios a los cuales no ha podido ir; así, por ejemplo, a través de la herramienta libre Google Trends se puede acceder a una diversidad de variables de búsquedas que utilizamos los habitantes de la tierra, sin ser de uso exclusivo de un país, organismo, edad o estrato social. 

Al acceder a Google Trends, la herramienta genera un historial a partir de las búsquedas en la Web que realiza la población mundial o un determinado país. Esto da origen a una mega cantera de datos (Big Data), a través de la cual se pueden formular análisis en torno a aspectos como, por ejemplo, el interés de la población en momentos o temas específicos, con lo cual se pueden identificar líneas de actuación masivas. Estas últimas pueden ser puntos de partida para abordar cuestiones más profundas gracias a la correlación de variables, en especial cuando se construyen patrones específicos en un modelo planteado, como pueden ser terapias de medicina alternativa y complementaria, la tendencia de comprar carro nuevo o usado, la dispersión de una enfermedad, entre otros (Rocha y Correia, 2013).

La herramienta Google Trends se ha utilizado ampliamente en los últimos años, durante los cuales se ha demostrado su aplicación en modelos de pronóstico en diversas áreas como la medicina, propagación de enfermedades y compra de carros. No obstante, su mayor aplicación se encuentra en el marketing y la vigilancia tecnológica, donde pueden identificarse tendencias de compra y de búsqueda de tecnología o productos a nivel mundial, nacional, regional o local.

Las series de tiempo, como herramienta de pronóstico, son básicamente la sucesión de los eventos convertidos en variables, ocurridos aleatoriamente con el trascurrir del tiempo; esto da como resultado un conjunto de datos que se pueden tratar estadísticamente arrojando tendencias que se pueden modelar matemáticamente, entregando así modelos que se pueden utilizar para pronosticar los posibles valores que tomará la variable en periodos posteriores a los relacionados en los datos iniciales. 

Como caso de aplicación, se desea identificar la tendencia de compra de casa nueva o usada en el periodo 2004 a agosto de 2017 para Colombia, con el fin de analizar patrones de búsqueda y posibles modelos de pronóstico propuestos para cada conjunto de datos “casa nueva” y “casa usada”, consideradas como las frases de búsqueda del interés en la investigación, utilizando las series de tiempo como herramienta generadora de modelos de pronóstico que, pese a ser complejas, presentan la posibilidad de evaluar la pertinencia o no de su aplicación. Los cálculos se realizan en Microsoft Excel, debido a la facilidad para construir el modelo y las funcionalidades del Solver, como lo son: la posibilidad de seleccionar entre dos algoritmos de optimización (GRG con reinicios aleatorios múltiples y algoritmos evolutivos) y el manejo de restricciones (Sánchez y Martínez, 2009).

https://doi.org/10.22490/9789586516389.05
PDF

Citas

Ariza, R. (2013). Métodos utilizados para el pronóstico de demanda de energía eléctrica en sistemas de distribución. Pereira, Colombia: Universidad Tecnológica de Pereira.

Gómez, R. (2002). Aprendizaje organizativo y sistemas complejos con capacidad de adaptación. Mexico: Universitat Jaume.

Gorgas, J., Cardiel, N. y Zamorano, J. (2011). Estadística básica para estudiantes de ciencias básicas. Madrid, España: Universidad de Complutense.

Ibáñez, L. y Ponce, E. (2016). Uso de la Web e Internet como herramientas para la búsqueda de información médica científica. En Archivos en Medicina Familiar – UNAM, vol. 18, pp. 95-106.

Mejía, L. y Monsalve, D. (2013). Indicadores ISAAC: Siguiendo la actividad sectorial a partir de Google Trends. En Notas Fiscales Ministerio de Hacienda y Crédito Público, 2 - 25.

Méndez, B. (2013). Series de tiempo: una aplicación a registros hidrométricos en una cuenca del Estado de Oaxaca. Mexico: UNAM.

Patiño, L. y Silva, D. (2016). Analisis de series de tiempo. Cali, Colombia: Univalle.

Ramón, S. (2015). Correlación entre variables. Apuntes de clase del curso Seminario Investigativo VI. Medellin, Colombia: UdeA.

Rincón, L. (2012). Introduccion a los procesos estocásticos. Mexico: UNAM.

Rocha, B. y Correia, S. (2013). Google Trends como herramienta de investigación: un estudio aplicado a la Copa del Mundo Brasil 2014. Gestão estratégica da inovação, criatividade e competitividade [en línea]. Disponible en https://www. researchgate.net/profile/ari_mariano/publication/276410342_google_trends_ como_herramienta_de_investigacion_un_estudio_aplicado_a_copa_del_mundo_ brasil_2014/links/5558c1aa08ae6943a876acc8/google-trends-como-herramienta-deinvestigacion-un-estud

Rodríguez, J. (2012). Trabajo de grado para obtener el título de Profesional en Finanzas y Comercio Internacional. Bogotá: Universidad Colegio Mayor de Nuestra Señora del Rosario.

Russell, B. (2003). Conocimientos actuales sobre nutrición. Washington, D.C., EUA: Organización Panamericana de la Salud.

Sánchez, M. & Martínez, R. (2009). Aplicación del modelo de series de tiempo a la prospección del servicio de referencia en línea de la Biblioteca del IIMAS-UNAM. En Ibersid, vol. 17, pp. 1-13.

Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.

Derechos de autor 2019 Libros Universidad Nacional Abierta y a Distancia

Detalle de visitas

PDF: 66
Resumen: 117