satisfacción del cliente y desempeño financiero...

Satisfacción del cliente y desempeño financiero corporativo

1

XIX CONGRESO INTERNACIONAL DE INVESTIGACIÓN EN CIENCIAS

ADMINISTRATIVAS


Capítulo 12. Mercadotecnia

Mtro. Leopoldo Riquelme Carranza

Facultad de Contaduría y Administración, UNAM

Doctorado en Ciencias de la Administración

Cel. 225 436 2311

[email protected]

Dr. Héctor Salas Harms

Facultad de Contaduría y Administración, UNAM

División de Investigación, cubículo 4

Circuito Exterior S / N; Ciudad Universitaria, 04510, D. F.

Tel. 55 5622 8465 x 104

Fax 55 5622 8463

[email protected]

Durango, Dgo., 21-24Abril 2015

mailto:[email protected]

mailto:[email protected]


2

Resumen1.- Elpropósito de este estudio es probar la significancia que ha adquirido la

satisfacción del cliente (SC) como variable explicativa de la rentabilidad operativa;

variable que se supone positivamente relacionada con este fenómeno.Primeramente, se

seleccionó,entrela investigación previa,un modelo explicativo de la rentabilidad en

función de variables micro, que explicara una porción importante de la varianza de la

rentabilidad corporativacon variables significativas, al cual se incorporó la SC.Se

obtuvieron datos financieros de Bloomberg y datos de SC reportados por el Índice

Americano de Satisfacción del Cliente, (ACSI, por sus siglas en inglés),que cuentan con

grandes muestras de datos, por largos periodos, medidos a través de metodologías

estandarizadas.Se encontró que, como señalaban distintos autores, la SC,en

modelosuni y multivariados,erasignificativa, explicando la rentabilidad corporativa;pero

su poder explicativo era prácticamente nulo; y el comportamiento del modelo básico no

era satisfactorio. Así, se planteóincorporar nuevas variables micro, e incluso macro, que

teóricamente están relacionadas con el desempeño financiero corporativo, tales como

variables económicas y el tamaño de las empresas, entre otras, planteándose incluso

desagregar los datos por sector.Pruebas con las variables económicas produjeron

resultados mixtos:la R2 aumenta a .75 y .79, incorporando o no la SC,

respectivamente;algunas variables del modelo básico muestran coeficientes

significativos; ylo mismo ocurre con las variables económicas; pero, sobre todo, la ACSI

no mantiene la significación buscada.

Palabras clave: satisfacción del cliente, desempeño financiero corporativo, análisis econométrico

1 INTRODUCCIÓN

La competencia en los diferentes mercados e industrias se hace más difícil cada día. El

desarrollo tecnológico, la globalización y las comunicaciones hacen que las diferentes

empresas perfeccionen sus productos y procesos. La diversificación en los sectores que

atienden las grandes empresas así como la apertura de los mercados internacionales,

han derivado en la homogeneización de los productos, precios y estándares de calidad.

1 Un texto con los avances preliminares de esta investigación aparece en la memoria del XVIII Congreso

Internacional en Contaduría, Administración e Informática de la FCA, UNAM, México, D. F. octubre de 2013.


3

La era de la tecnología permite a los consumidores el acceso a información de manera

instantánea. Las redes sociales nos permiten hacer consultas sobre los productos que

estamos pensando en comprar y sobre las experiencias que otros han tenido con cada

una de las opciones. De la mano de todo este movimiento, en los últimos años, los

teóricos de la mercadotecnia y la administración han resaltado la importancia de la

satisfacción del cliente (SC) para mejorar el desempeño tanto operativo como financiero

de las organizaciones. Bajo estas premisas, las empresas han buscado diferenciarse a

través del servicio para alcanzar conseguir el objetivo de tener un cliente satisfecho.

Los departamentos de mercadotecnia en numerosas empresas medianas, grandes,

trasnacionales y multinacionales han introducido métricas de SC, que son utilizadas por

los altos directivos para realizar la planeación estratégica desde los corporativos y

oficinas centrales de cada una de estas empresas con la idea de generar un cambio en

la cultura de todos los empleados, para migrar del enfoque meramente de eficiencia a

un enfoque de SC. Las medidas que emanan de la planeación estratégica corporativa

comprenden desde pequeñas acciones correctivas hasta reestructuraciones en la

filosofía de las organizaciones, que representan fuertes sumas de dinero invertido.

Sin embargo, todos estos esfuerzos que han realizado las empresas de manera aislada,

apenas están derivando en la formación de una nueva rama de la mercadotecnia, la

teoría de la satisfacción del cliente. Poco a poco han ido surgiendo mediciones de SC

realizadas por organizaciones académicas y de investigación de mercado y junto con

éstas, los teóricos de la mercadotecnia analizamos y evaluamos las metodologías más

utilizadas y el impacto financiero y operativo que puede alcanzarse al incrementar la SC.

En la práctica, las inversiones realizadas en este rubro pocas veces son evaluadas a

través del criterio de maximización económica. Diversos estudios han mostrado que

existe una correlación positiva entre el nivel de SC y los resultados financieros de la

empresa. Pero no se ha profundizado en la generación de modelos que permitan

determinar su impacto aislando otros factores de negocios y económicos. Mucho menos

puede decirse que existen estudios segmentando por tipo de negocio como para hacer

afirmaciones acerca de las implicaciones que puede tener la SC en diferentes entornos.


4

Durante la investigación se profundizó en el repaso de modelos realizados previamente

por diferentes autores. Son distintas las variables que han sido explicadas en términos

financieros por la satisfacción del cliente como los ingresos, diferentes niveles de

utilidad contable, la creación de valor para los accionistas y hasta las recomendaciones

de los analistas bursátiles.

Entre los modelos más destacados se encuentra el de Ittner y Larcker (1998) que

encuentran una relación positiva y significativa entre la Satisfacción del Cliente y la

retención, el ingreso y el cambio en el ingreso. Sin embargo, ninguno de los tres

modelos alcanza una R2 mayor a 0.05. La tabla 1 muestra los resultados de esa

publicación.

Tabla 1 Modelos Ittner y Larcker (1998)

OLS Regressions Examining the Association between 1995 Customer Satisfaction 1996 Customer Retention, Revenues, and Revenue Change for 2,491 Customers of a Telecommunications Firm

a

Retention Revenue Revenue Change

Intercept 0.482*** -535.29 -0.447***

(13.41) (-1.38) (-8.89)

CSI 0.002*** 19.464*** 0.003*** (6.16) (4.92) (5.74)

AGE 0.013*** 48.137 0.004 (3.99) (1.34) (0.90)

SIZE 0.000 0.003*** 0.000 (0.39) (9.85) (1.44)

Adjusted R2

0.021 0.049 0.013

F-Statistic

19.04*** 43.36*** 12.07***

***Statistically significant at the 1% level (two-tail)

aA customer in 1995 is defined as retained in 1996 if that customer also purchased the service in 1996. Revenue

change is defined as [(1996 revenues divided by 1995 revenues) -1]. Customers that were not retained are given a revenue change score of -1.0. 1996 revenue from customers that were not retained is set to zero. Customer satisfaction (CSI) score range from 0 (least satisfied) to 100 (most satisfied). AGE is the number of years the customer has been in business. SIZE is the customer’s total revenue.

Fuente: Ittner y Larcker (1998)


5

Ataollah, Nakha y Saravanan (2010) realizan un análisis de estadística descriptiva en el

que encuentran cierta relación positiva entre el crecimiento en ventas y la satisfacción

del cliente, sin embargo no desarrollan un modelo predictivo, por lo que ni siquiera

podemos hablar del poder explicativo del ejercicio.

Riquelme (2013) realizó un ejercicio de enfoque más financiero que de negocios en el

cual mostró que la SC forma parte del modelo predictivo de la creación de valor bursátil,

tanto para los inversionistas, usando las variables dependientes Q de Tobin y ROIC,

como para los administradores de la empresa a través de la razón EBITDA/Ventas y

ROA. A pesar de encontrar significancia en los modelos, los niveles de R2 de dichos

modelos tampoco pasaron del nivel de 0.05.

En general, los teóricos de la satisfacción del cliente han llegado a la conclusión de que

la satisfacción del cliente incide positivamente en los resultados financieros, sin

embargo no han desarrollado un modelo de fácil aplicación, utilizando variables que en

general sean reportadas por las empresas y que sean de fácil interpretación para que

puedan implementarse dichos modelos en la empresa.

Este estudio surge como una respuesta natural a la afirmación de dicha relación entre la

satisfacción del cliente y los resultados financieros. Surge como una solución para el día

a día en las organizaciones que buscan optimizar sus inversiones en estrategias de

satisfacción del cliente y que necesitan saber cuál será el beneficio de éstas.

Así, esta investigación busca hacer una aportación al conocimiento desarrollando un

modelo que establezca la relación entre desempeño financiero corporativo y la SC,

controlando las variables micro que afectan la rentabilidad, y corroborando así la

importancia de este indicador para el resultado financiero, como ha sido afirmado en la

literatura. Esta aportación tendría implicaciones relevantes tanto para el desarrollo de la

teoría de la satisfacción del cliente como para la práctica en el ámbito corporativo.

2 METODOLOGÍA

2.1 Preguntas de investigación

I. ¿Cuál es el mejor modelo básico que explique una parte importante de la varianza

de la rentabilidad corporativa con variables microeconómicas significativas?


6

II. ¿Qué bases de datos miden mejor la SCy las variables del modelo básico?

III. ¿Puede hacerse una aportación original al conocimiento, estableciendo la relación

funcional de la rentabilidadcorporativa con la SC? ¿Qué signo muestra esta relación? Y

IV. ¿Con qué confianza estadística puede afirmarse que la SC impacta positivamente

en los resultados financieros de las empresas?

A partir de los resultados iniciales, se añadió la siguiente pregunta de investigación:

V. ¿Cuál es el desempeño global del modelo de Barth, Beaver, Hand y Landsmancon

las nuevas bases de datos,y cuál es la significación de sus variables--cambios en

cuentas por cobrar, en inventarios y en cuentas por pagar, depreciación, valor en libros

y de mercado del capital, con y sin la variable que mide la SC (ACSI)?

A partir del análisis con los modelos iniciales, se añadieron las siguientes preguntas

VI. ¿Cuáles sonlas posibles causas de diferencias sistemáticas en los coeficientes?

VII. ¿Cuáles son otros determinantes micro y macroeconómicos de la rentabilidad

corporativa que pueden mejorar el desempeño y poder explicativo del modelo básico?

VIII. ¿Cómo se desempeñan las variables económicas, PIB, inflación y tasa de interés?

IX. ¿Se mostraría más claramente el impacto de la SC desagregando por sector?

2.2 Hipótesis de investigación

H1: El incremento en la calificación de la SC tendrá un impacto positivo en la

utilidad operativa, este efecto será consistente y significativo estadísticamente.

2.3 Objetivos de la investigación.

2.3.1 Objetivo General

Hacer una aportación original al conocimiento asociando significativamente la

satisfacción del cliente como variable explicativa del desempeño financiero, una vez

controlados los efectos de diversas variables que teóricamente son fundamentales para

la explicación del fenómeno del desempeño financiero.

2.3.2 Objetivos Específicos

I. Seleccionar un modelo básico a partir de la investigación previaque explique una

porción importante de lautilidad operativamediante variables micro significativas.

II. Determinar las bases de datos pertinentes sobre el modelo básico y la SC.

III. Replicar el estudio anterior sobre el modelo básico con las nuevas bases de datos.

IV. Determinar el impacto que tiene la SC en la utilidad operativa.


7

V. (segunda etapa) Correr el análisis con el modelo de Barth, et al.

VI. (tercera etapa) Correr el análisis con variables macroeconómicas y sectoriales

2.4 Tipo de investigación

Este es un estudio explicativo que busca establecer con confianza estadística un

modelo básico del desempeño financiero en función de varios de sus determinantes, al

cual se incorpore la satisfacción del cliente, como variable explicativa de tal desempeño.

3 INVESTIGACIÓN EMPÍRICA PREVIA

Desde principios de los 60’s se empezaron a dar estudios acerca del comportamiento

de la rentabilidad de las empresas y su predicción. Esta ola de investigaciones dio inicio

con los estudios de eficiencia de mercado de Little (cf. 1962) y posteriormente con Little

y Rayner (cf. 1966) en higgledypiggledygrowth, donde se comprobó que los ingresos

corporativos en el Reino Unido se distribuyen normalmente. Bajo este supuesto, Fama

(cf. 1965) se consolidó como pionero de los estudios de eficiencia de mercado y

posteriormente Fama y French (cf. 2000) presentaron estudios en los que los autores

tratan de hacer predicciones sobre la rentabilidad en empresas norteamericanas.

Existen una gran variedad de técnicas que se pueden utilizar para la predicción de la

rentabilidad de las empresas, sin embargo, destacan los modelos econométricos.

Dentro de éstos, las metodologías más usadas son las series de tiempo en modelos

predictivos de utilidades, modelos de corto horizonte, modelos basados en indicadores

macroeconómicos, modelos basados en estados de resultados, modelos de series de

tiempo, modelos sencillos con rezagos, modelos basados en procesos operativos

inherentes a cierta industria o negocio y modelos basados en estados financieros

Los modelos predictivos de las utilidades corporativasanalizados son:

Saltzman (1967) utilizó datos trimestrales de 9 años de una empresa fabricante y

comerciante de diversos modelos de una pieza utilizada en la elaboración de

productos de línea blanca como lavadoras y secadoras, esta empresa conforma un

oligopolio. El autor obtuvo como variable significativa solamente las ventas. Este

modelo, al ser una simulación del estado de resultados, obtiene niveles muy altos de

R2. Se encontró que para esta industria es muy alta la elasticidad precio.


8

Horvitz, Nesh y Stern (1992) utilizaron los datos de las utilidades de 897 empresas

públicas entre 1979-1986 para realizar cinco modelos predictores distintos. En los

cinco casos, los datos de 1969-1978 fueron utilizados para predecir el periodo de

1979-1986. Estos modelos cuentan con niveles de R2 bajos porque solamente toman

en cuenta al ingreso, la tasa de rendimiento y la evolución de estos indicadores. A

continuación se hace un resumen de cada uno de estos modelos:

o El modelo determinístico funciona bajo el supuesto de que existe una tasa de

crecimiento constante de las utilidades con cierto factor de error.La R2fue muy baja.

o El Offset modelo modelo de compensación es útil para los casos en los que existen

eventualidades que modifican drásticamente el ingreso. Es una variante del modelo

determinista y obtuvo una R2 de 0.16.

o El modelo estocástico exponencial asume que las utilidades fluctúan de manera

aleatoria alrededor de una tendencia exponencial y obtuvo una R2 de 0.28.

o El modelo del movimiento Browniano asume que las utilidades anuales crecen de

manera exponencial a una tasa constante pero son afectadas permanentemente por

choques aleatorios, siguiendo así un camino irregular. La R2fue de 0.31.

o El modelo de tiempo discreto asume que las utilidades son generadas

determínisticamente, sin embargo se mantiene una tendencia tan irregular que se

simula a la tendencia generada a través de los modelos de series de tiempo

estocásticas. Este modelo obtuvo una R2 de 0.26.

Abarbanell y Bushee (1997) utilizaron datos entre 1991 y 1992 de empresas que

cotizan en bolsa utilizando variables y razones financieras del estado de resultados y

del estado de posición financiera, obteniendo como variables significativas los

inventarios, el margen bruto, la tasa impositiva efectiva, las utilidades y la fuerza

laboral. Este modelo trata de predecir las utilidades a corto plazo, generando una

metodología útil para los analistas financieros y bursátiles a través de herramientas

comunes de análisis fundamental.

Ittner y Larcker (1998) utilizaron datos entre 1995 y 1996 de empresas grandes de

telecomunicaciones, encontrando que todas las variables que contemplaron eran

significativas, sin embargo se obtuvo una R2 muy baja porque existen muchas otras

variables importantes. En este modelo se comprueba que existe relevancia y


9

significancia de los indicadores de satisfacción del cliente en los resultados

financieros. Al igual se tiene impacto de estas métricas en los mercados financieros,

aunque no de manera muy marcada porque el modelo no es muy completo.

Fama y French (2000) utilizaron datos entre 1964 y 1996 de empresas que cotizan en

bolsa obteniendo como la totalidad de las variables utilizadas como significativas. Sin

embargo, al igual que el modelo anterior, este es un modelo muy limitado en cuanto a

poder explicativo, con una R2 de 20%.

Ribeiro de Medeiros (2005) utilizó datos anuales de estados financieros de 1991 a

2001 de una empresa petrolera monopólica brasileña obteniendo la totalidad de

variables como variables significativas. Se hace énfasis en la utilización de variables

contables, macro y microeconómicas para explicar el comportamiento de los estados

financieros. Los niveles de R2 para las ecuaciones relevantes para este análisis son

mayores a 0.71.

Barth, Beaver, Hand y Landsman (2005) utilizaron datos de 1987 al 2001 de

empresas públicas en CompuStat. Este estudio realiza una desagregación del

balance general para poder predecir el valor del capital (que puede ajustarse al valor

de las utilidades realmente realizadas si se aplica una diferencia). Este modelo obtuvo

como variables significativas ingreso neto, cambio en cuentas por cobrar, cambio en

inventarios, depreciación y valor de libros del capital, teniendo como variable

dependiente al valor de mercado del capital. Este modelo es muy significativo, con

una R2 de 0.86. Este es el modelo seleccionado como base de la investigación.

Allen (2005)utilizaron datos de 1982 a 2000 de 987 firmas que cotizan en la bolsa de

Londres, obteniendo como variable significativa el cambio en utilidades. Este modelo

tiene una R2 muy baja, de 11%.

Banker y Chen (2006) utilizaron datos anuales de 1988 a 2002 de 4334 firmas

diferentes obteniendo como variables significativas las ventas y la ROE. Este modelo

tiene una R2 de 0.36

Bathke, Allen W. et al. (2006) utilizaron datos entre 1978 y 1996 de empresas que

cotizan en bolsa, este modelo ARIMA utiliza series de tiempo univariadas, es por esta

razón que posee un poder predictivo muy bajo.


10

Cannon, Randall y Terwiesch (2008) utilizaron datos desde 1993 a 2007 de empresas

en la industria norteamericana de aerolíneas obteniendo como variables significativas

algunos indicadores operativos propios del sector. Los autores concluyen que utilizar

variables relacionadas a operaciones incrementan el poder predictivo de los modelos

basados en variables contables.

Virbukaitė (2010) utilizó datos de 2002 a 2009 con datos trimestrales de empresas

grandes lituanas de comunicaciones, manufactureras de alimentos, refrigeradores y

producción y distribución eléctrica. Este modelo obtuvo como variables significativas

al PIB, la tasa de interés, los ingresos, y una razón COGS/costos totales.

Ayrga (2012) realizó una proposición teórica de un modelo que considera las cifras del

balance general interactuando con algunas cifras de otros estados financieros.

Leppähaara (2012) utilizó datos entre 1990 y 2010 de empresas alta tecnología, este

estudio busca entender la forma en la que se pueden predecir los ingresos de las

empresas tecnológicascon datos de los estados financieros. El autor desarrolla tres

modelos, en los cuales solamente se tiene una variable significativa en el segundo

modelo, esta variable es la recomendación de los analistas.Las R2 para cada uno de

los modelos son 0.44, 0.23 y 0.18, respectivamente.

4 DESARROLLO DEL MODELO ECONOMÉTRICO

4.1 Modelo Econométrico

4.1.1 Primera aproximación

El primer paso del análisis cuantitativo consistió en correr una regresión univariada de

datos panel que explicara la utilidad operativa en función de la SC. Esos resultados

constatarían las investigaciones de distintos autores sobre de la teoría de la satisfacción

del cliente y la importancia dela SC en la explicación de los resultados financieros

4.1.2 Aportación al conocimiento teórico

Dada la pequeña proporción que intuitivamente tiene esta variable en la explicación total

del fenómeno de la rentabilidad corporativa, este estudio propone la contrastación del

resultado del modelo univariado con un modelo multivariado en interacción con

variables financieras relevantes para la explicación del desempeño financiero,


11

esperando tener un nivel explicativo alto para el tipo de estudio realizado, y que se

mantenga la significancia de la satisfacción del cliente.

4.1.3 Modelo Base

Como punto de partida para la elaboración del nuevo modelo, se revisaronlos modelos

propuestos en la investigación previa,para encontrar un modelo probado. El modelo

seleccionado fue desarrollado por Barth Beaver, Hand y Landsman (cf. 2005) en su

escrito Accruals, Accounting-BasedValuationModels, and thePrediction of

EquityValuespublicado en 2005 por el Journal of Accounting. Este modelo usa

estimaciones del valor de capitalización de las empresas para determinar la

desagregación de las utilidades, generando modelos de información lineal. Ellos

sugieren que para realizar una valuación más precisa del capital, las utilidades deben de

ser desagregadas en los grandes rubros de los estados financieros y que el

comportamiento de los factores financieros principales varía sustancialmente a través

de las industrias.

Los autores basan su modelo en distintos componentes financieros y de los estados de

posición financiera y de resultados como los ingresos anormales, y algunos indicadores

que pueden tener implicaciones diferentes en el valor de mercado del capital como los

cambios en cuentas por cobrar, en inventariosy en cuentas por pagar,la depreciación y

el valor en libros. Este modelo se seleccionó por ser sencillo, porque contiene variables

accesibles, sus coeficientes son significativos y la R2 es de 0.73. El modelo resultante

es el siguiente, al que los autores llaman modelo C.

Ecuación 1 Modelo Base Barth, Beaver, Hand y Landsman (cf. 2005:45)

Fuente: Barth, Beaver, Hand y Landsman (cf. 2005:45)

Donde:

es el valor de mercado del capital.

son las ganancias anormales, definidas como los ingresos menos el retorno. normal

sobre el valor en libros del periodo t.

es el cambio en cuentas por cobrar en el periodo t.


12

es el cambio en inventarios en el periodo t.

es el cambio en cuentas por pagar en el periodo t.

es la depreciación en el periodo t.

es el valor en libros del capital en el periodo t.

es el valor de mercado del capital en el periodo t.

es el término de error.

Los subíndices i y t significan empresa y año respectivamente.

Vt es otra información, que es definida como MVEt-1 – MVEt-1, donde MVEt-1 es el valor

ajustado de MVEt-1

4.1.4 Desarrollo del Modelo

Dado que el dato que se busca como variable dependiente son las utilidades, se

despejará el factor , de las ganancias anormales para predecir un factor de ingreso.

Ecuación 2 Modelo Modificado Fase 1

Fuente: Elaboración Propia

Para simplificar el modelo, se integrarán los factores que hacen

referencia al valor de mercado del capital, integrándolo en la variable y se

eliminarán los signos negativos, ya que al trabajar con modelos econométricos, los

signos se asignarán automáticamente durante la regresión. A continuación se presenta

el modelo modificado previo a la integración de la variable de la satisfacción del cliente.

Ecuación 3 Modelo Modificado Fase 2


Finalmente, se incorpora al modelo la variable SC (ACSI).Asimismo, el factor

significará lautilidad operativa.Se tomóeste dato para hacer análisis puramente


13

sobre la operación y el negocio de la empresa y dejar por fuera el efecto del gasto

financiero neto y del saldo impositivo neto. A continuación se presenta el modelo

definitivo.

Ecuación 4 Modelo Definitivo


Donde:

es el ingreso operativo.

es el índice de satisfacción del cliente desarrollado por el ACSI.

4.1.5 Verificación de los supuestos econométricos

Para que los estimadores de mínimos cuadrados ordinarios (MCO) sean mejores

estimadores lineales insesgados (MELI) se deben cumplir los supuestos econométricos.

4.2 Datos

Para la obtención de las cifras de los estados de resultados, estados de posición

financiera y flujos de efectivo de las empresas, así como los cálculos de capitalización y

otros indicadores operativos y de mercado se utilizó el servicio de datos del sistema

Terminal Bloomberg.Específicamente, se consultó el apartado de análisis financiero

Bloomberg(cf. 2013). La consulta se hizo por periodos anuales y se obtuvieron datos

desde 1994 hasta 2012 para todas las compañías que analiza el ACSI. Se decidió

utilizar esta base de datos porque permite hacer consultas predeterminadas para un

gran número de compañías simultáneamente, es la base de datos financiera con más

datos históricos disponibles, arroja la información en el mismo formato para todas las

empresas y cuenta con una gran cantidad de indicadores financieros disponibles.

Bloomberg es una de las plataformas más utilizadas para análisis financiero profesional.

4.2.1 Muestra

Se encontraron los tickers de Bloomberg para 257 empresas de las 339 que reportó el

ACSI en 2012, estas empresas representan a 41 industrias diferentes de un total de 43

que reportó el ACSI este año, de 10 sectores económicos. De estas 257 empresas, 236

tienen datos de ingreso operativo y satisfacción del cliente interactuando en mismos


14

periodos, lo que permite hacer cruces econométricos entre esas variables. Dado que

algunas empresas no reportan en Bloomberg algunas de las otras variables

involucradas en el modelo, cuando se hace la regresión completa, son 171 empresas

las que participan con todas las variables seleccionadas. Todas estas empresas se

encuentran entre las empresas más grandes con actividades en los Estados Unidos.

5 RESULTADOS

La base de datos se ha estructuró en el formato panel, dado que el análisis es

multidimensional, dando valor a las variables declaradas para cada empresa y para

cada año. Para el desarrollo de modelos se utilizó el programa estadístico STATA 11.

Como se mencionó, el punto de partida de este análisis cuantitativo implicó generar un

modelo econométrico univariado para entender la forma en la que se comporta la

variable de satisfacción del cliente de manera aislada explicando la rentabilidad.

Dado que se tiene una base de datos panel, se puede intuir que el modelo correcto a

estimar será un modelo panel efectos fijos o efectos aleatorios. Para discernir entre

estos dos modelos se realizará la prueba de Hausman para ver si existe una diferencia

significativa en la estructura de las variables a través de las empresas, de tal manera

que la heterogeneidad de las empresas, de manera significativa, haga distinciones

afectando a las variables del modelo.

5.1 Modelo Univariado

5.1.1 Prueba de Hausman

A continuación se presenta la prueba de Hausman, misma que plantea como hipótesis

nula que la diferencia existente en los coeficientes de las variables explicativas no

muestra un patrón de diferencias sistemático con respecto a la población muestreada.

En este caso, el P-Value, indicado por la leyenda Prob>chi2 muestra un valor de 0.0000,

lo cual indica que con un 99.99% de confiabilidad, los individuos que participan en el

estudio presentan diferencias sistemáticas, lo que no permite al análisis excluir los

factores y choques que derivan de esta heterogeneidad. Razón por la cual, se favorece

al uso de la regresión de efectos fijos,mismo que será el modelo a utilizar.

Tabla 2 Prueba de Hausman para modelo univariado


15

Prob>chi2 = 0.0000 = 17.81 chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)

Test: Ho: difference in coefficients not systematic

B = inconsistent under Ha, efficient under Ho; obtained from xtreg b = consistent under Ho and Ha; obtained from xtreg acsi 163.6076 112.346 51.26159 12.14825 FEU REU Difference S.E. (b) (B) (b-B) sqrt(diag(V_b-V_B)) Coefficients

Fuente: Elaboración propia

5.1.2 Verificación de supuestos

Para dar validez a este resultado se deberán realizar pruebas de supuestos para saber

si el modelo seleccionado cumple con lo estipulado para que en el análisis econométrico

sus estimadores sean MELI. El supuesto que con más frecuencia se viola en la

generación de modelos econométricos basados en información real, y particularmente

en los modelos financieros es el de la ausencia de autocorrelación en los datos panel.

Es por este motivo que este supuesto será el primero en ser verificado, ya que si se da

esta violación, la comprobación de los supuestos anteriores habría sido en vano.

A continuación se procederá a la verificación de la no autocorrelación a través del test

de Wooldridge que tiene la hipótesis nula de no autocorrelación en el modelo.

Ilustración 1Prueba de Wooldridge para el modelo univariado

Prob > F = 0.0000 F( 1, 208) = 56.733H0: no first-order autocorrelationWooldridge test for autocorrelation in panel data


Como se puede verificar, se rechaza la hipótesis nula, se acepta la existencia de

autocorrelación en el modelo. Por este motivo, se procederá a hacer correcciones.

5.1.3 Corrección del modelo (Regresión no paramétrica Bootstrap)

La metodología bootstrap tiene como propósito ganar información acerca de la

distribución de un estimador. Sin embargo según Alonso (cf. 2008), en regresiones no

paramétricas, la metodología bootstrap es utilizada fundamentalmente para dos tareas:

la primera es la de elegir el parámetro de suavizamiento o ancho de banda y la segunda


16

es la de construir intervalos de confianza para la curva de regresión. En este caso

particular, es posible utilizar esta metodología dado que no asume la distribución normal

sobre los errores y considera la heteroscedasticidad y autocorrelación de los datos.

Cabe señalar que si bien el número de observaciones mínimo para estimar los

parámetros es suficiente para cumplir con el factor deseable de que la regresión

mediante Bootstrap use muestras grandes, como soporte adicional a la metodología, se

cumple con la regla empírica de que la relación que guarde el número de variables

explicativas respecto al número de observaciones sea menor al 5%, requerimiento que

es ampliamente mejorado en este caso, que cuenta con miles de observaciones.

5.1.4 Modelo univariado corregido

Dicho lo anterior, se procederá a la ejecución del modelo bajo la metodología Bootstrap.

Regresión 1 Modelo univariado corregido

rho .61519448 (fraction of variance due to u_i) sigma_e 3221.2403 sigma_u 4072.9464 _cons -9694.687 6041.563 -1.60 0.109 -21535.93 2146.558 acsi 163.6076 79.89399 2.05 0.041 7.018232 320.1969 ni Coef. Std. Err. z P>|z| [95% Conf. Interval] Observed Bootstrap Normal-based (Replications based on 236 clusters in id)

corr(u_i, Xb) = -0.2444 Prob > chi2 = 0.0406 Wald chi2(1) = 4.19

overall = 0.0004 max = 19 between = 0.0038 avg = 10.3R-sq: within = 0.0205 Obs per group: min = 1

Group variable: id Number of groups = 236Fixed-effects (within) regression Number of obs = 2431

.................................................. 300

.................................................. 250

.................................................. 200

.................................................. 150

.................................................. 100

.................................................. 50 1 2 3 4 5 Bootstrap replications (300)


La regresión Bootstrap, con trescientas réplicas del modelo, suficientes para demostrar

consistencia a través de las diferentes pruebas a realizar, obtiene resultados que

favorecen a la hipótesis del estudio. Esta metodología no requiere de la verificación de

supuestos, que no son vigentes para la metodología Bootstrap, ya que esta regresión no


17

funciona bajo los principios teóricos de regresiones paramétricas. Cabe mencionar que

esta metodología sigue tomando en cuenta la característica de los efectos fijos.

Como se puede apreciar, el coeficiente de la satisfacción del cliente muestra un valor de

163.60 y una significancia de 0.041, lo cual cumple con los requerimientos normalmente

aceptados para garantizar la confiabilidad de un estudio, que en este caso quiere decir,

que con un 96% de confiabilidad la satisfacción del cliente resulta ser una variable muy

significativa para la explicación de la utilidad operativa de las empresas encuestadas.

5.2 Aportación cuantitativa a la teoría de la satisfacción del cliente

Hasta ahora se han corroborado resultados obtenidos por otros autores, pero, como se

puede apreciar en los modelos univariados, los niveles explicativos bajo cualquiera de

las metodologías son muy pobres. Este resultado es obvio, pues, a pesar de que los

teóricos de la SC argumentemos la importancia de dicha variable, su beneficio potencial

es marginal en comparación a otras variables explicativas, que como se da cuenta en el

marco teórico, son muy relevantes para el análisis de la rentabilidad corporativa.

Estainvestigación propone realizar por primera vez la corroboración de la importancia de

la variable SC, una vez controlada una buena proporción del fenómeno a través de un

modelo válido en sus supuestos teóricos, que prediga la rentabilidad corporativa a

través de distintas variables. Esto puede dar cuenta de un valor más cercano a la

realidad del coeficiente que en su momento obtenga la variable de SC.

5.3 Modelo multivariado

Se realizó el análisis cuantitativo sobre el modelo multivariado seleccionado, siguiendo

los mismos pasos del análisis econométrico del modelo univariado.

5.3.1 Resumen de modelos

La tabla 3 muestra los modelos de efectos fijos y aleatorios, así como sus

modificaciones robustas,con los coeficientes de regresión para cada uno de los modelos

probados. De estos modelos, posteriormente, con apoyo en la prueba de Hausman, se

obtendrá el modelo definitivo.No obstante, se puede tener certidumbre de que el

parámetro de la variable de SC (ACSI) tendrá un valor positivo. También puede

observarse que para las demás variables, existe congruencia en cuanto al signo a


18

través de los modelos, con valores no muy dispersos:Esto constituye un signo de

confianza y congruencia en el planteamiento del modelo.

Tabla 3 Comparación de modelos multivariados

rho 0.6738 0.6738 0.2695 0.2695 sigma_e 1.8e+03 1.8e+03 1.8e+03 1.8e+03 sigma_u 2.6e+03 2.6e+03 1.1e+03 1.1e+03 r2_w 0.6384 0.6384 0.6213 0.6213 r2_b 0.5944 0.5944 0.8074 0.8074 r2_o 0.6471 0.6471 0.7437 0.7437 r2 0.6384 0.6384 N 1604 1604 1604 1604 _cons -3.3e+03 -3.3e+03 -9.5e+02 -9.5e+02 mve 0.0283 0.0283 0.0334 0.0334 bv 0.1997 0.1997 0.1576 0.1576 dep -0.1445 -0.1445 -0.0538 -0.0538 dap 0.1050 0.1050 0.1308 0.1308 dinv 0.4805 0.4805 0.4306 0.4306 drec 0.0958 0.0958 0.0736 0.0736 acsi 55.1772 55.1772 16.8910 16.8910 Variable FE FE_rob RE RE_rob


5.3.2 Prueba de Hausman

La prueba de Hausman para determinar si como se espera, se debe de utilizar el

modelo de regresión panel de efectos fijos.

Tabla 4 Prueba de Hausman

Prob>chi2 = 0.0000 = 140.82 chi2(6) = (b-B)'[(V_b-V_B)^(-1)](b-B)

Test: Ho: difference in coefficients not systematic

B = inconsistent under Ha, efficient under Ho; obtained from xtreg b = consistent under Ho and Ha; obtained from xtreg mve .0282528 .0333531 -.0051003 .0007009 bv .199714 .1575701 .042144 .0040787 dep -.1445387 -.0538483 -.0906904 .0102319 dap .1049799 .1307639 -.025784 .0087094 dinv .48046 .4305566 .0499034 .018912 drec .095802 .0736255 .0221765 .0057251 acsi 55.17722 16.89102 38.2862 12.54443 FE RE Difference S.E. (b) (B) (b-B) sqrt(diag(V_b-V_B)) Coefficients


19


La prueba de Hausman nos indica que la hipótesis nula de que no existe diferencia

sistemática en los coeficientes de regresión como resultado de la heterogeneidad de las

empresas en la muestra se rechaza, y se selecciona el modelo de efectos fijos.

5.3.3 Modelo seleccionado

Después de haber seleccionado el modelo de efectos fijos, se tiene un resultado

tentativo, mismo que se puede apreciar en la versión robusta del modelo, donde,

después de corregir por violaciones a los supuestos, se tiene que la variable de SC no

es estadísticamente significativa;aunque, para que este resultado sea validado, tiene

que cumplir con los supuestos econométricos, que se comprobarán a continuación.

5.3.4 Verificación de supuestos

Para el modelo seleccionado, a continuación se realiza la prueba de autocorrelación, la

cual postula como hipótesis nula que no existe autocorrelación de primer orden, sin

embargo, esta hipótesis se rechaza.

Tabla 5 Prueba de autocorrelación

Prob > F = 0.0005 F( 1, 140) = 12.791H0: no first-order autocorrelationWooldridge test for autocorrelation in panel data


5.3.5 Corrección del modelo (Regresión no paramétricaBootstrap)

A continuación se presenta la regresión utilizando el método no paramétrico Bootstrap

utilizando la variable de valor de mercado en su formato de rendimientos.

Como puede observarse en la regresión posterior, con el modelo no paramétrico, la

variable SC sigue siendo significativa. Así,puede afirmarse que la variable de estudio

presenta con un 96% de confiabilidad los argumentos suficientes para ser considerada

una variable explicativa relevante en la predicción de rentabilidad corporativa.

Es importante aclarar que la finalidad de este estudio no es la generación de un modelo

predictor de utilidades, sino la validación de la significancia de la satisfacción del cliente

explicando a la utilidad operativa, a pesar de encontrarse en un modelo interactuando

con variables que la literatura ha sustentado como determinantes de la rentabilidad.


20

Asimismo, toda vez que la SC no forma parte de la operación productiva de la mayoría

de los negocios, debe mantenerse una postura realista en cuanto al rol que puede jugar

en un modelo predictivo de utilidades. Así, surge una pregunta sobre la comparación del

modelo de regresión no paramétrica con y sin la SC.

Al incluir la SC, se pierden casi 20 puntos en el poder explicativo del modelobásico (la

R2 de .66 en el modelo sin la SCbaja a .47con ella), aunquedos variables del mismo

sonsignificativas, y la variable con peor desempeño tiene un 75% de confiabilidad.Por

otra parte, al omitirla SC, los estimadores de las otras variables se desestabilizan, de

manera que sólo una variable es significativa y se observan P-values hasta de 0.97.

Este fenómeno puede estar relacionado con las argumentaciones de Ngobo, et al. (cf.

2011) y otros trabajos citados en el marco conceptual que afirman que la variable de

satisfacción del cliente, en diversos estudios, se ha identificado como una variable que,

al incrementarse, reduce la dispersión en diferentes indicadores financieros como las

ganancias, el valor de mercado del capítal o las recomendaciones de los analistas.

Regresión 2 Modelo multivariado Bootstrap

rho .75337272 (fraction of variance due to u_i) sigma_e 2003.5175 sigma_u 3501.6887 _cons -5153.384 3268.705 -1.58 0.115 -11559.93 1253.16 mveLag1 -94.15904 58.02906 -1.62 0.105 -207.8939 19.57583 bv .2622955 .0740339 3.54 0.000 .1171916 .4073994 dep -.1990896 .0867208 -2.30 0.022 -.3690591 -.02912 dap .262208 .2303184 1.14 0.255 -.1892078 .7136239 dinv .3723141 .2019264 1.84 0.065 -.0234543 .7680826 drec .1200082 .0841617 1.43 0.154 -.0449457 .284962 acsi 89.2734 43.13068 2.07 0.038 4.738819 173.808 ni Coef. Std. Err. z P>|z| [95% Conf. Interval] Observed Bootstrap Normal-based (Replications based on 169 clusters in id)

corr(u_i, Xb) = -0.1326 Prob > chi2 = 0.0000 Wald chi2(7) = 93.96

overall = 0.4690 max = 18 between = 0.2904 avg = 9.2R-sq: within = 0.5525 Obs per group: min = 1

Group variable: id Number of groups = 169Fixed-effects (within) regression Number of obs = 1562

.................................................. 500

.................................................. 450

.................................................. 400

.................................................. 350

.................................................. 300

.................................................. 250

.................................................. 200

.................................................. 150

.................................................. 100

.................................................. 50 1 2 3 4 5 Bootstrap replications (500)



21

De esta manera, puede concluirse que la SC es una variable que en los últimos años ha

empezado a tomar relevancia. Este efecto, ha tenido como consecuencia la

profundización en su estudio y el incremento en los esfuerzos de las organizaciones por

tener datos relacionados de manera más confiable y abundante.

Sin embargo, tanto las variables auxiliares como el modelo en conjunto, no alcanzaron

un desempeño adecuado, por lo que se tomó la decisión de buscar nuevas alternativas

para mejorar los resultados. A continuación se presentan los avances más recientes.

6 AVANCES DE INVESTIGACIÓN

Durante las primeras aproximaciones se obtuvieron mejores resultados utilizando

regresiones de efectos aleatorios que de efectos fijos; tanto a nivel modelo, con un

mejor nivel explicativo en su R2, así como las variables de manera individual; siempre

manteniendo niveles de significancia destacados de la variable de satisfacción del

cliente. Sin embargo, dado que la prueba de Hausman arrojó como resultado la

diferencia sistemática en los coeficientes que componen el modelo, se tomó la decisión

de correr las regresiones con efectos fijos.

Diversos cuestionamientos surgieron a raíz de este análisis; ¿es una condición

coercitiva e inherente a la diversa naturaleza de las empresas estudiadas la diferencia

sistemática en los coeficientes?, ¿existe alguna manera de controlar estas diferencias

sistemáticas?, de existir una alternativa, ¿cuáles serían los elementos que deberían de

incluirse en el análisis?, ¿cómo se modificarían los resultados de la investigación una

vez modificada la ecuación? Para responder estas preguntas se tiene que ir al origen

del motivo que genera este problema; es decir, las posibles causas de diferencias

sistemáticas.

En general, podríamos responder estas preguntas con un solo supuesto; si se logra

controlar una buena parte de los factores que generan una diferencia sistemática en los

estimadores, se afirmaría que la misma sea coercitiva e inherente a los datos

presentados, dando pie a la posibilidad de regresar a una estimación por efectos

aleatorios. Aunque no podemos determinar desde ahora cuáles serían los nuevos

resultados, se tiene evidencia de que este modelo se comporta de mejor manera con

efectos aleatorios. Por otra parte, al agregar elementos que controlen diferencias entre


22

las empresas seleccionadas, se tendría que incrementar el poder explicativo del modelo

a través de la R2. Después de esto, la pregunta que quedaría por responder sería

¿cuáles serían los elementos que deberían de incluirse en el análisis?, es por eso que

se procederá a identificar los principales factores generadores de diferencias

sistemáticas entre los estimadores del modelo y la forma en que intuitivamente se

podrían incluir en la ecuación final.

6.1 Factores diferenciadores en los coeficientes

Cuando se corren modelos comparando una cantidad importante de empresas se deben

de tomar en cuenta diversos factores que pueden originar diferenciación entre las

mismas. Primeramente, vienen a la mente los factores inherentes a la operación de las

empresas, mismos que están abarcados en el modelo presentado; en este rubro entran

las variables que responden a los conceptos contables más relevantes; valores como el

endeudamiento, las cuentas por cobrar, el manejo de los inventarios e indicadores de

inventarios.Sin embargo, para controlar las diferencias entre las condiciones de las

empresas, deberían incluirse en el análisis variables que controlen la situación

económica, los ciclos de la economía y las tendencias de tiempo, las ventas, los costos,

el tamaño de las empresas e inclusive la industria a la que pertenecen. Basado en el

razonamiento anterior se ha decidido proceder paulatinamente a ir controlando todos

estos factores. A continuación se enlistan los efectos que se supone se mitigarán al

controlar cada fuente de diferenciación.

6.1.1 Factor económico

Dado que el cúmulo de empresas incluidas en el estudio tienen actividades diversas, las

condiciones económicas pueden afectar de manera particular a cada sector o industria.

Este sin duda, es un generador de diferencia sistemática entre los coeficientes

resultantes del modelo. Las principales variables a analizar deben ser el PIB, la

inflación, la tasa de interés y el desempleo.

6.1.2 Factor sectorial

El modelo presentado concentra datos de empresas pertenecientes a cuarenta y un

industrias; después de agregar todas las variables al modelo, interactúan más de treinta

y cinco, por lo que se hace vital hacer una distinción por actividad económica. Esta

dimensión, como se menciona en la sección anterior, afecta sinérgicamente al resultado


23

en conjunto con los datos económicos, ya que estos influyen de manera muy distinta a

través de las industrias. Por ejemplo, los productores de bienes de consumo masivo no

se verán tan afectados por un aumento en la tasa de interés como lo serán los

constructores que gran parte de sus ventas las hacen a crédito. La complicación con

este punto surge porque sería muy complicado tanto desarrollar como leer un modelo

con treinta y cinco variables dicotómicas; de hecho, los softwares econométricos con

fines académicos no podrían soportar un cálculo tan complejo.

Para simplificar este cálculo, se puede hacer un planteamiento por sector industrial

agregado. Dicho lo anterior, se tiene en mente agregar a las empresas en cuatro

grandes sectores: el sector de tecnología y telecomunicaciones, el sector bancario y

financiero, el de la transformación y el sector de servicios. Para hacer distinción entre

los mismos se tendrían que agregar a la base de datos cuatro variables dicotómicas,

aunque a la ecuación del modelo se agregarían solamente tres, ya que la cuarta sería

absorbida por la constante.

6.1.3 Factor temporal

El tiempo medido en años es una variable que al ser incluida en modelos econométricos

permite controlar los ciclos económicos, las tendencias en los diferentes mercados e

industrias, es auxiliar en el control de procesos económicos progresivos como la

inflación e incluye en el modelo eventos como las crisis o las expansiones económicas.

Incluir esta variable en la ecuación se hace muy complejo porque tendría que incluirse

de igual manera el factor sectorial, a través de variables dicotómicas; teniendo en

cuenta que se tienen datos desde 1995 hasta 2012.Tendrían que incluirse en la

ecuación dieciocho coeficientes dicotómicos incluidos en la dimensión tiempo.

6.1.4 Ventas y costos

El desempeño financiero de una empresa depende en buena medida de la eficiencia

que tiene en su estado de resultados, donde las variables que mueven la aguja son las

ventas y los costos. En primera instancia, estas variables se dejaron fuera del análisis

porque se empezó trabajando bajo los supuestos que rigen a los modelos paramétricos,

los cuales, de manera lógica, descalificarían estas variables por la autocorrelación

natural que existiría con la variable dependiente. Sin embargo, dada la complejidad y el


24

volumen del estudio, se tuvo a bien usar modelos de estimación no paramétricos, por lo

tanto, se valida el uso de las ventas y costos como variables de control que aíslen

efectos diferenciadores en la base de datos.

6.1.5 El tamaño de la empresa

La diferencia en la escala en que operan todas estas empresas, en definitiva atenta

contra la posibilidad de usar estimaciones por efectos aleatorios. Es por eso que se

debe de incluir una variable relacionada que brinde información diferente a la que se

obtiene de variables ya incluidas como el valor en libros, o el valor de mercado; donde la

primera, por estrategias contables o por la naturaleza de los bienes productivos de cada

industria puede llegar a variar y la segunda, es más bien un indicador de la generación

de ganancias extraordinarias a la operación per se de la empresa. En consecuencia, se

podrían incluir variables como los activos contables.

6.2 Implementación de los nuevos factores.

A raíz de todo lo surgido como avances recientes de investigación se han empezado a

incluir los valores económicos. Los resultados se comentan a continuación.

6.2.1 Factores económicos

Las variables macroeconómicas son determinantes en el desempeño financiero de las

empresas.Se incluyeron en nuestra base de datos las variables PIB (ec_pib), Inflación

(ec_inf), tasa de interés activa (ec_int_act), desempleo (ec_desempleo).

En primera instancia, se corrió el modelo sin incluir la variable del ACSI. Como se puede

ver en la tabla 6, se encontró que las variables de inflación y desempleo son muy

significativas. Al incluir la variable de la satisfacción del cliente, la variable de inflación

se mantiene como muy significativa y la variable de desempleo se mantiene como

significativa; resulta llamativo que el PIB no resultara significativo sin embargo, no

debería descartarse de manera definitiva.

Como se puede apreciar en la tabla 7, el problema que existía con la SC, que perdía

significancia estadística al correrla con Bootstrap se mantiene desgraciadamente; y de

hecho, el valor de significancia que, dependiendo de la iteración aleatoria de Bootstrap

se encontraba entre niveles de 0.03 y 0.06, provocando inconsistencia en la validez

estadística de la variable, se ha incrementado, recorriendo la brecha de la variable


25

aniveles de significancia de entre 0.05 y 0.08, alejándola del umbral de significancia

estadística. Acá, es importante recordar que el método Bootstrap no puede cambiarse

dado que no se cumplen supuestos econométricos en la serie de datos.

Tabla 6 Comparación de modelo con variables macroeconómicas


Sin embargo, cabe recalcar que el modelo, en general recibe bien estas inclusiones y se

eleva la R2 a .78 y .73 con y sin ACSI respectivamente. Estos son los niveles más altos

de R2 que hemos logrado con estimaciones no paramétricas, lo que nos puede indicar

que vamos por buen camino.

Tabla 7 Comparación de modelo con variables macroeconómicas y ACSI


26


A continuación, en la sección de conclusiones se da cuenta de las interpretaciones

finales y de los hallazgos relevantes para la ciencia administrativa.

7 CONCLUSIONES

Esta investigación ha puesto en práctica diferentes técnicas estadísticas para mostrar la

forma en que interactúa la satisfacción del cliente con los resultados financieros.

La ACSI provee suficientes datos para la realización de estudios estadísticos, estos son

confiables y suficientes ya que se mide a una gran cantidad de empresas, tiene series

de tiempo por veinte años y una metodología constante y bien definida.

Dado que la autocorrelación es un problema frecuente en los modelos financieros, se

recurrió a métodos no paramétricos. La metodología Bootstrap ofrece la posibilidad de

correr modelos con variables que no cumplen los supuestos econométricos. Los

resultados significativos bajo esta metodología lo han sido a pesar de ser probados bajo

estimadores robustos.


27

Como resultado de los modelos probados de manera univariada se puede concluir que

la variable de la satisfacción del cliente mostró ser relevante para explicar la utilidad

operativa. Como se postuló en la hipótesis, la relación tiene signo positivo.

En el modelo multivariado, la SC, la depreciación y el valor en libros son significativos al

0.05. El cambio en inventarios tiene una significación al menos de 0.10. Finalmente, la

satisfacción del cliente forma parte del modelo predictor de utilidades operativas en un

97% de los casos. Esto confirma la hipótesis de estudio.

Dicho lo anterior, por primera vez se ha generado un modelo en el que se ratifica la alta

significancia de la variable de SC en un modelo con un poder explicativo de dos a tres

veces mayor a lo logrado por otros modelos predictores de utilidad que incluían la SC.

Los resultados obtenidos, a pesar de ser buenos presentan ciertas incongruencias a

través de la interpretación de las variables auxiliares; el modelo en general, presenta

grandes oportunidades de mejorar si se logran disminuir las fuentes de diferencia

sistemática, permitiendo así la estimación por efectos aleatorios.

Se han identificado fuentes diferenciadoras de los coeficientes a incluir como variables

de control, estas variables se dividen en cinco dimensiones, la dimensión económica, la

de actividad o sectorial, la dimensión temporal, la dimensión de resultados a través de

ventas y costos y el tamaño de la empresa.

Las primeras pruebas con las variables económicas produjeron buenos resultados, en el

sentido de que ahora casi todas las variables financieras del modelo básico muestran

coeficientes significativos o altamente significativos, tanto en los modelos que

incorporan a la ACSI como en los que no la contienen en análisis paramétricos; aunque

estos resultados se mantienen sólo parcialmente en el análisis no paramétrico. No

obstante, las variables económicas mismas producen resultados mixtos, pero, sobre

todo, la ACSI no mantiene la significación buscada. Por lo tanto, deben a continuación

hacerse modificaciones a los planteamientos, para intentar superar las insuficiencias

actuales.

REFERENCIAS BIBLIOGRÁFICAS

Abarbanell, J. (Abril de 1991). Do analysts’ earnings forecasts incorporate information in

prior stock price changes? Journal of Accounting and Economics(14), 147-165.

Abarbanell, J., & Bushee, B. (1997). Fundamental analysis, future earnings, and stock

prices. Journal of Accounting Research, 35, 1-24.

ACSI. (1995). Methodology Report. Ann Arbor: University of Michigan Business School.

ACSI. (12 de Mayo de 2014). ACSI. Obtenido de ACSI Methodology Woldwide:

http://www.theacsi.org/global-partnerships/acsi-methodology-worldwide

ACSI. (s.f.). The American Customer Satisfaction Index. Recuperado el 2013, de

http://www.theacsi.org/

Allen, D. E. (2005). Forecasting profitability and earnings: a study of the UK market (1982 -

2000). Applied Economics, 37, 2009-2018.

Alonso, A. (2008). Predicción de tablas de mortalidad dinámicas mediante un procedimiento

bootstrap. Madrid. España: Fundación MAPFRE.

Anderson, E., Fornell, C., & Lehmann, D. (1994). Customer satisfaction, market share, and

profitability: Findings from Sweden. Journal of Marketing, 53-66.

Annas, J. (1993). The Morality of Happiness. New York: Oxford University Press.

Aristóteles. (1999). Nicomachean Ethics. (T. Irwin, Trad.) Indiana: Hackett Publishing Co.

Ataollah, M., Nakha, R., & Saravanan, M. (2010). Non- Financial Performance for Firm’s

Evaluation. European Journal of Economics, Finance and Administrative Sciences, 126.

Ayrga, A. (2012). Corporate Finance: An Econometric Approach. International Journal of

Social Science Tomorrow.

Banker, R., & Chen, L. (2006). Predicting Earnings Using a Model Based on Cost Variability

and Cost Stickiness . The Accounting Review, 285-307.

Bannock, G.,et al. (2007). Diccionario de Economía. México D.F.: Trillas.

Barth, M.,et al. (2005). Accruals, Accounting-Based Valuation Models, and the Prediction of

Equity Values. Journal of Accounting, 311-345.

Bartov, E., & Mohanram, P. (2004). Private Information, Earnings Manipulation, and

Executive Stock-Option Exercises. The Accounting Review, 79(4), 889-920.

Bathke, A. W. (2006). Long-Term Earnings Forecast Models for Nonseasonal Firms. The

Journal of Business Inquiry.

Bernhardt, K. L., N., D., & Kennett, P. (2000). A Longitudinal Analysis of Satisfaction and

Profitability. Journal of Business Research, Vol. 47, 161-171.

Bloomberg. (2013). Bloomberg Professional Service.

BMV. (2013). Empresas Emisoras (http://www.bmv.com.mx/ ed.). México DF: BMV.

Boulding, W., et al. (Febrero de 1993). A Dynamic Process Model of Service Quality: From

Expectations to Behavioral Intentions. The Journal of Marketing Research(30), 7-27.

Brown, P., Foster, G., & Noreen, E. (1985). Security analyst multi-year earning forecast and

the capital market. Studies in accounting research(21).

Cannon, J., Randall, T., & Terwiesch, C. (2008). Evaluating operations-based data in

earnings prediction: a study of the US airline industry. University of Utah.

Carhart, M. (Marzo de 1997). On persistence in mutual fund performance. The journal of

finance, 52, 57-82.

Cheng, Q., & Warfield, T. (2005). Equity incentives and earnings management. The

accounting review, 80(2), 441-476.

Christodoulou, D. (2009). The Indispensable Double Entry Constraint and the Unbiased

Estimation of the Equilibrium Level of Accruals (second ed.). Sydney: University of Sydney.

Chuan, Z. (2009). The impacts of customer satisfaction on profitability: a study of state-

owned enterprises in china. Service Science, Num 1, 21-29.

Cohen, D., Gan, C., Yong, H., & Choong, E. (2006). Customer Satisfaction: A study of bank

customer retention in New Zealand.Cantebury: Lincoln University.

Cruz, J. M. (Marzo de 2010). La paciencia en Finanzas tiene nombre: Reversión a la media.

Dinero, 58-59.

Dechow, P., et al. (1997). The relation between earnings and cash flows (2nd ed.). New

York: University of Rochester.

Díaz, P. (2011 de Febrero de 2012). Mercados Eficientes: Teoría. Magdalena Contreras,

Distrito Federal, México.

Emery, F. (1969). Some Psychological Aspects of price. London: Staples Press.

European Organization for Quality. (12 de Mayo de 2014). Obtenido de History, Facts and

Figures: http://www.eoq.org/about_eoq/history_facts_and_figures.html

Fama, E. (Mayo de 1970). Efficient Capital Markets: A Review of Theory and Empirical

Work. The Journal of Finance, 25(2), 383-417.

Fama, E., & French, K. (1993). Common risk factors in the returns on stocks and bonds.

Journal of financial economics, 33, 3-56.

Fama, E.& French, K. (2000). Forecasting Profitability and Earnings. Journal of Business,

73(2), 161 – 175.

Fornell, C. (1992). A National Customer Satisfaction Barometer: The Swedish Experience.

Journal of Marketing Vol. 56, 6-21.

Fornell, C., et al. (1996). The American customer satisfaction index: nature, purpose, and

findings. Journal of Marketing, Vol. 60, 7-18.

Foro Consultivo Científico y Teconológico. (2013). Rankings de Competitividad: WEF,

IMCO e IMD.México DF: FCCT.

Geroski, P., & Jacquemin, A. (1988). The Persistence of Profits: A European Comparison.

Economic Journal, 98, 375-389.

Gerpott, T., et al. (2001). Customer retention, loyalty, and satisfaction in the German mobile

cellular telecommunications market. Telecommunications Policy, Num 25, 249-269.

Goddard, J., & Wilson, J. (1999). The persistence of profit: a new empirical interpretation.

International Journal of Industrial Organisation, 17, 662-687.

Gómez-Lobo, A. (1998). Exposición breve de la ética Aristotélica. Santiago: Estudios

Públicos.

González, B. (2009). Cálculo del índice de Gini . Los Reyes: Universidad Nacional Mayor

de San Marcos: UNMSM. Obtenido de

http://economia.unmsm.edu.pe/docentes/JNavarroL/CursosJNL/EPS_2013-

I/Calculo_IndiceGini.pdf

Gruca, T. S., & Rego, L. L. (2005). Customer satisfaction, cash flow, and shareholder value.

Journal of Marketing, Vol. 69, 115–130.

Guiza, J. (2012). Contabilidad Financiera Básica. Magdalena Contreras, México DF.

Horvitz, S., Nesh, R., & Stern, L. (1992). An Empirical Analysis of Five Models for

Forecasting Lost . The Journal of Risk and Finance.

IMCO. (2013). Instituto Mexicano para la Competitividad. Recuperado el 2 de Agosto de

2013, de http://mexicocompetitivo.org/indices-de-competitividad/instituto-mexicano-para-la-

competitividad

IMCO. (2013). Resultados del Índice de Competitividad Internacional 2013. México DF.

IMD WCC. (2013). IMD World Competitiveness Center. Recuperado el 2 de Agosto de

2013, de http://www.imd.org/wcc/#tab=2

Ittner, C. D., & Larcker, D. F. (1998). Are nonfinancial measures leading indicators of

financial performance? An analysis of customer satisfaction. Journal of Accounting

Research, Vol. 36, 1-35.

J.D. Power. (9 de March de 2005). Measuring Customer Satisfaction in Today's Highly

Competitive Enviroment. Obtenido de http://www.authorstream.com/Presentation/Francisco-

27724-Measuring-Customer-Satisfaction-PURPOSE-DISCUSSION-Power-AssociatesA-

Worldwide-Information-Resource-Global-InfluenceSyndi-as-Entertainment-ppt-powerpoint/

J.D. Power. (2013). J.D. Power History. http://www.jdpower.com/about/history.htm

Johnson, M. & Fornell, C. (1991). A framework for comparing customer satisfaction across

individuals and product categories. Journal of Economic Psychology(12), 267-286.

Johnson, M., et al. (2001). The evolution and future of national customer satisfaction index

models. Journal of Economic Psychology, 22(2), 217-245.

Jones, S. (1991). Was there a Hawthorne Effect? Ontario: McMaster University.

Kant, I. (1996). Fundamentos de la metafísica de las costumbres.Barcelona: Ariel.

Keiningham et al. (2007). The value of different customer satisfaction and loyalty metrics in

predicting customer retention, recommendation, and share-of-wallet. Emerald Insight, 361-

384.

Kotler, P., & G., A. (2007). Marketing (11a ed.). México DF: Pearson Educación.

Leppähaara, R. (2012). Usefulness of financial statement information in forecasting

earnings of high-technology companies. Helsinki: Aalto University School of Economics.

Litner, J. (1965). The valuation of risk assets and the selection of risky investments in stock

portfolios and capital budgets. Review of Economic and Statistics, 47, 13-37.

Little, I. (1962). Higgledy Piggledy Growth. Oxford Bulletin of Statistics, 24(4), 387-412.

Little, I., & A., R. (1966). Higgledy Piggledy Growth Again, An Investigation of the

Predictability of Company Earnings and Dividends in the UK.Oxford: Basil Blackwell.

López Rey, F. (19 de Junio de 2005). El Impacto de la Inversión | El País. Recuperado el 28

de Julio de 2013, de http://elpais.com/diario/2005/06/19/negocio/1119186867_850215.html

Luo, X., Homburg, C., & Wieseke, J. (2010). Customer satisfaction, analyst stock

recommendations, and firm value. Journal of Marketing Research, Vol. 47, 1041–1058.

Maslow, A. (1943). A Theory of Human Motivation. Psychological Review(50), 370-396.

Melo, S. (2011). Eudaimonía y la economía de la felicidad. Serie Documentos CEDE, 1-40.

Mueller, D. (1986). Profits in the Long Run. Cambridge: Cambridge University Press.

Mueller, D. (s.f.). The Persistence of Profits above the Norm. Enconomica, 44, 369-380.

Muñoz de Bustillo, R. (2012). Delimitación de mercado e índice de concentración.

Salamanca: Universidad de Salamanca.

Ngobo, P.-V., Casta, J.-F., & Ramond, O. (2011). Is customer satisfaction a relevant metric

for financial analysts? Journal of the Academy of Marketing Science.

Nicholson, W. (2007). Microeconomía Intermedia y sus Aplicaciones (Novena ed.). México

DF: Thomson Learning.

Ohlson, J. A. (1995). Earnings, Equity Book Values, and Dividends in Equity Valuation.

Contemporary Accounting Research, 66-687.

Paredes, A. M. (2007). Aplicabilidad del enfoque agregado para medir la satisfaccion de los

usuarios de servicios. México D.F.: Universidad Nacional Autónoma de México.

Parkin, M. (2009). Economía (8ª ed.). Naucalpan, Distrito Federal, México: Pearson.

Perdomo, A. (2009). Análisis e Interpretación de Estados Financieros.México DF:

CENGAGE Learning.

Peterson, R. A., & Wilson, W. R. (1992). Measuring customer satisfaction: fact and artifact.

Journal of the Academy of Marketing Science, Vol. 20, 61–71.

Ribeiro de Medeiros, O. (2005). An Econometric Model of a Firm’s Financial

Statements.University of Brasilia.

Riquelme, L. (2013). La Satisfacción del Cliente y la Creación de Valor Financiero

Corporativo. En L. Riquelme. México D.F.: ITAM.

Saltzman, S. (1967). An Econometric Model of a Firm. The Review of Economics and

Statistics, 49(3), 332-342.

Schneider, B. (1991). Service Quality and Profits: Can You Have Your Cake and Eat It Too?

Human Resource Planning, 14, 151-157.

Schumpeter, J. (1934). Theory of Economic Development. Cambridge: Harvard U. Press.

Seneca, L. A. (1951). “De Vita Beata (58 d.C.)”. In Seneca: Moral Essays v. II, translated by

J. W. Basore. Cambridge: Harvard University Press.

Sharpe, W. (1964). Capital asset prices: A theory of market equilibrium under conditions of

risk. Journal of Finance, 19, 425-442.

Solarte, R. (1999). La responsabilidad social de las organizaciones. Bogotá: Universidad

Javeriana de Bogotá. Obtenido de

http://www.javeriana.edu.co/Facultades/Teologia/servicios_formacion_int_univ/ecoteo1/pret

-01b.pdf

Tornow, W., & Wiley, J. (1991). ServiceQuality and Management Practices: A Look at

Employee Attitudes, Customer Satisfaction, and Bottom-Line Consequences. Human

Resource Planning, Num 14, 110-115.

University of Michigan. (2013). Stephen M. Ross School of Business at the University of

Michigan. Obtenido de http://www.bus.umich.edu/

Urban, G. L. (2005). The emerging era of customer advocacy. MIT Sloan Management

Review, Vol. 45, 77–82.

Urruti, L., & Muñoz, R. (2009). Concentración de la propiedad en el mercado de generación

eléctrica en Chile. Recuperado el 30 de Julio de 2013, de

http://web.ing.puc.cl/~power/alumno09/concentra/indices/indices.htm

Virbukaitė, L. (2010). Econometric modelling and forecasting company's fcf

components.Tesis de Maestría en Ciencias en Economía Financiera Universidad ISM.

Wiley, J. (1991). Customer Satisfaction: A Supportive Work Environment and Its Financial

Costs. Human Resource Planning, Num 14, 117-127.

Wooldridge, J. (2010). Introducción a la econometría. Un enfoque moderno.México DF:

CENGAGE Learning.

World Economic Forum. (2013). The Global Competitiveness Index. 3 de Agosto de 2013,

http://spotfire.weforum.org/embed/ViewAnalysis.aspx?file=/users/tgeiger/Public/GCI_data_p

latform&waid=b21861032cb99de070803-b83e&options=2-0%2C10-0%2C9-0

World Economic Forum. (2013). The Global Competitiveness Report.Geneva: World

Economic Forum.

Zofío, J. (2008). El oligopolio. Madrid, España: Universidad Autónoma de Madrid.

satisfacción del cliente y desempeño financiero...

Documents