Actualmente los datos son considerados como un activo intangible de las empresas, por ende, toda información y su análisis que podamos extraer de ellos surgen como una ventaja competitiva que permite ser resilientes ante la disruptividad en la que nos encontramos.

Esto es solo la punta del iceberg, ya que al adentrarnos al mundo del análisis de datos nos encontramos con el primer obstáculo, el cual es tener la información disponible al momento, validada y depurada.

En el manejo de los datos, nos encontramos con peculiaridades que se puede pasar por alto cuando se realiza su análisis, y es que su comportamiento, generalmente a nivel de industrias con un tiempo considerable de operaciones, suelen tener ciertos ciclos, para lo cual, en ocasiones, es complejo definir una tendencia.

Para entrar al tema de los ciclos se debe conocer qué es la estacionalidad para lo cual Kallek (1987) la describe como: "fluctuaciones periódicas que ocurren cada año, aproximadamente en las mismas fechas y con la misma intensidad, las cuales, y esto es lo más importante, pueden medirse y eliminarse de la serie de tiempo en consideración".

Las características de estas fluctuaciones, en concordancia con Dagum (1978), establecen que:

1) se repiten cada año con cierta regularidad, pero puede evolucionar;

2) es posible medirlo y separarlo de las otras fuerzas que influyen en el movimiento de la serie, y

3) es causado principalmente por fuerzas no económicas, exógenas al sistema económico, que los tomadores de decisiones no pueden controlar o modificar en el corto plazo.

Por esto, existen métodos de tratamiento de datos que permiten mayor claridad, con enfoque en un análisis más preciso, permitiendo un acercamiento a visualizar comportamientos de forma más asertiva.

A continuación se mencionan herramientas, las cuales se tratarán más a fondo en publicaciones posteriores:

Uno de los métodos matemáticos que nos ayudan con dicha tarea es la desestacionalización de las series de tiempo, mediante la ponderación de promedios, generalmente trimestrales, para su tratamiento más simple.

Otro método para estimaciones futuras, el cual es utilizado por el Instituto Nacional de Estadística, Geografía e Informática (INEGI, 2017), es el modelo modelo autorregresivo integrado de promedios móviles (ARIMA por sus siglas en inglés).

Finalizando con esta primera parte de Ajustes Estacionales, se establece que, para poder generar pronósticos o predicciones con mayor precisión, es fundamental conocer la avenencias que los datos pueden tener.

Para el caso de la estacionalidad, a pesar de contar con un conocimiento práctico de ciclos económicos ocasionados por particularidades de los mercados, podemos encontrar modelos que generan un análisis con mayor profundidad y certeza, ya que permite conocer si los resultados que se están obteniendo es el resultado del esfuerzo constante dentro de una organización, o nos encontramos en un estancamiento que puede llegar a contraer el crecimiento que hemos trazado.