CONTROL PRESUPUESTARIO Y PRONÓSTICO DE VENTAS: UN ENFOQUE INTEGRADO CON INTELIGENCIA ARTIFICIAL CON ÉNFASIS EN EL CONTEXTO CHILENO
DOI:
https://doi.org/10.22370/riace.2026.15.1.5837Palabras clave:
Control presupuestario, pronóstico de ventas, inteligencia artificial, análisis de variaciones, contexto chilenoResumen
El presente articulo analiza el rol del pronostico de ventas como elemento central del proceso presupuestario y su impacto en el control de gestion en entornos economicos dinamicos. Desde un enfoque teorico-aplicado, se propone un modelo conceptual que integra la formulacion de pronosticos en terminos reales, la descomposicion de variaciones y la incorporacion de herramientas de inteligencia artificial. El estudio se basa en la revision de literatura especializada en contabilidad de gestion y modelos de forecasting, utilizando el contexto chileno como referencia para su aplicacion. En este marco, se examinan las condiciones economicas que influyen en la estimacion de la demanda y se discuten las oportunidades y desafios asociados a la adopcion de inteligencia artificial en el ambito organizacional. Los resultados sugieren que la integracion de enfoques tradicionales con tecnicas de aprendizaje automatico permite mejorar la precision predictiva, fortalecer el analisis de variaciones y avanzar hacia sistemas presupuestarios mas dinamicos y adaptativos. Asimismo, se concluye que, en economias como la chilena, caracterizadas por alta volatilidad y disponibilidad de informacion, la inteligencia artificial constituye una herramienta relevante para la toma de decisiones estrategicas. Este enfoque contribuye a fortalecer la toma de decisiones en contextos organizacionales caracterizados por alta incertidumbre.
Descargas
Referencias
Banco Central de Chile. (2024). Informe de Política Monetaria (IPoM), diciembre 2024. https://www.bcentral.cl
Blocher, E. J., Stout, D. E., Juras, P. E., & Smith, S. D. (2018). Cost management: A strategic emphasis (8th ed.). McGraw-Hill.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
Choi, T. M., Wallace, S. W., & Wang, Y. (2018). Big data analytics in operations management. Production and Operations Management, 27(10), 1868–1883. https://doi.org/10.1111/poms.12838
Datar, S. M., & Rajan, M. V. (2021). Horngren’s cost accounting: A managerial emphasis (17th ed.). Pearson.
Fildes, R., Ma, S., & Kolassa, S. (2019). Retail forecasting: Research and practice. International Journal of Forecasting, 35(1), 1–15. https://doi.org/10.1016/j.ijforecast.2018.06.004
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232. https://doi.org/10.1214/aos/1013203451
Garrison, R. H., Noreen, E. W., & Brewer, P. C. (2021). Managerial accounting (17th ed.). McGraw-Hill.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. http://www.deeplearningbook.org
Hanke, J. E., & Wichern, D. W. (2010). Business forecasting (9th ed.). Pearson.
Hansen, D. R., Mowen, M. M., & Heitger, D. L. (2022). Cornerstones of cost management (4th ed.). Cengage Learning.
Hilton, R. W., & Platt, D. E. (2020). Managerial accounting: Creating value in a dynamic business environment (12th ed.). McGraw-Hill.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts. https://otexts.com/fpp2/
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y.(2017). LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, 30, 3146–3154.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLOS ONE, 13(3), e0194889. https://doi.org/10.1371/journal.pone.0194889
Merchant, K. A., & Van der Stede, W. A. (2017). Management control systems: Performance measurement, evaluation and incentives (4th ed.). Pearson.
Welsch, G. A., Hilton, R. W., & Gordon, P. N. (2005). Budgeting: Profit planning and control. Pearson.
Wilson, J. H., Keating, B., & Galt, J. (2007). Business forecasting. McGraw-Hill.
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons (CC Reconocimiento 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
