Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FUNDAMENTOS DE CONTROL Y GESTION DE INVENTARIOS Taller 1 PDF
FUNDAMENTOS DE CONTROL Y GESTION DE INVENTARIOS Taller 1 PDF
CONTROL Y GESTIÓN DE
INVENTARIOS
Nivel de inventario
100 S
Ocurrencia de Inventario máximo proyectado
90
faltante en tiempo real
80
Q2 Q3
Demanda (Unidades)
70 Q1
60
50
40
30
20
Demanda Pronóstico Inv. Máximo L2
10
L1
0 R R
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Facultad de Ingeniería
Universidad
del Valle
Escuela de Ingeniería
Industrial y Estadística
FUNDAMENTOS DE
CONTROL Y GESTIÓN DE
INVENTARIOS
Universidad
del Valle
Facultad de Ingeniería
TÍTULO: FUNDAMENTOS DE CONTROL Y GESTIÓN DE
INVENTARIOS
ISBN:
DIAGRAMACIÓN:
ILUSTRACIÓN CARÁTULA:
Carlos Julio Vidal Holguín
IMPRESIÓN:
Programa Editorial – Universidad del Valle
Para Caroline, Pablo Andrés y José Alejandro, por su paciencia, comprensión y amor.
Este trabajo es una muestra del amor que les tengo.
Para todos mis familiares y amigos y para todas las personas que de una u otra forma
colaboraron con la realización de este texto.
Fundamentos de Control y Gestión de Inventarios. Capítulo 3: Pronósticos de demanda 112
Por supuesto que existen desarrollos de software de pronósticos que muy probablemente
pueden manejar esta diversidad. De acuerdo con Shapiro (2001, p. 261), existen varias clases
software de pronósticos:
· Software automático, el cual define el mejor método de pronósticos para cada ítem y
calcula sus correspondientes parámetros óptimos. Obviamente, el usuario puede adoptar
o no el método sugerido.
· Software semi-automático, en el cual el usuario selecciona el método de pronósticos de
las sugerencias del software.
· Software manual, en el cual el usuario debe considerar cada método de pronósticos y
darle al sistema los parámetros del mismo.
Ejercicios 3.5.
1. Los datos de demanda para cuatro años para un cierto tipo de producto de tendencia
estacional se muestran en la Tabla 3.28. Construya una hoja electrónica en la cual,
utilizando los datos correspondientes a los dos primeros años, inicie un modelo de Winters
multiplicativo, para luego simular los dos años restantes. Calcule para estos dos últimos
113 Fundamentos de Control y Gestión de Inventarios. Capítulo 3: Pronósticos de demanda
2. Para el problema anterior estime los factores estacionales dividiendo cada observación
entre su correspondiente promedio estacional y luego promedie los factores
correspondientes a períodos semejantes. Por ejemplo, para estimar cˆ1 (0) , promedie los
factores obtenidos mediante el proceso anterior para los períodos 1 y 13. Realice el resto
del ejercicio en forma semejante al anterior y compare los resultados para los mismos
valores de constantes de suavización. Utilice, por ejemplo, a = 0.20, b = 0.10 y g = 0.10.
¿Considera usted que es bueno estimar los factores estacionales de esta forma?
3. Una empresa productora de tapas herméticas para productos de consumo masivo utiliza un
método de moldeo por inyección. El moldeo funciona mejor a una temperatura ambiente
de 20º C. La planta está equipada con un horno de gas para clima frío y acondicionadores
de aire para clima caliente. Por esta razón, el consumo de energía eléctrica es estacional
con picos en los meses de verano y bajas en los meses de invierno. La Tabla 3.29 muestra
las observaciones de consumo de energía en Kwh.
Fundamentos de Control y Gestión de Inventarios. Capítulo 3: Pronósticos de demanda 114
Tabla 3.29. Consumo de energía en KWh para el Problema No. 3 (Ejercicios 3.5)
Año Trimestre Demanda Año Trimestre Demanda
1 1 2,319 3 1 2,360
2 4,422 2 3,076
3 6,498 3 5,793
4 4,902 4 5,350
2 1 2,300 4 1 2,310
2 2,696 2 3,600
3 5,882 3 6,650
4 4,378 4 5,245
a) Tomando como base para la determinación de parámetros de cada modelo los primeros
tres años, aplique suavización exponencial simple, suavización exponencial doble y el
método multiplicativo de Winters para simular el pronóstico para los cuatro trimestres
del año 4. Basándose en el ECM y en gráficas adecuadas, compare los resultados de los
tres modelos. En cada caso optimice las constantes de suavización correspondientes.
Concluya.
b) Utilizando el método multiplicativo de Winters, pronostique el consumo de energía para
cada trimestre del año 5. [Ampliado de Sipper y Bulfin (1998), p. 143]
Pron. Combinado = a1 ´ Pron. Prom. Móvil + a2 ´ Pron. Suav. Simple + a3 ´ Pron. Suav. Doble;
donde : 0 £ a1 , a2 , a3 £ 1; a1 + a2 + a3 = 1.
115 Fundamentos de Control y Gestión de Inventarios. Capítulo 3: Pronósticos de demanda
Tabla 3.30. Demanda semanal de cuadernos para el Problema No. 4 (Ejercicios 3.5)
Semana Demanda Semana Demanda
1 65 53 85
2 70 54 43
3 50 55 47
4 66 56 48
5 40 57 73
6 50 58 23
7 63 59 116
8 49 60 67
9 49 61 39
10 77 62 81
11 95 63 67
12 94 64 58
13 50 65 51
14 73 66 52
15 92 67 51
16 45 68 65
17 10 69 56
18 39 70 46
19 27 71 75
20 80 72 47
21 72 73 69
22 55 74 59
23 62 75 54
24 70 76 85
25 89 77 92
26 105 78 100
27 122 79 132
28 148 80 138
29 165 81 170
30 182 82 175
31 180 83 164
32 167 84 162
33 155 85 152
34 123 86 123
35 114 87 114
36 98 88 98
37 90 89 80
38 73 90 77
39 35 91 60
40 80 92 42
41 79 93 70
42 88 94 81
43 58 95 65
44 71 96 66
45 85 97 40
46 79 98 62
47 63 99 76
48 57 100 55
49 50 101 60
50 71 102 90
51 112 103 88
52 53 104 56
Fundamentos de Control y Gestión de Inventarios. Capítulo 3: Pronósticos de demanda 116
Tabla 3.31. Demanda mensual de un repuesto para el Problema No. 6 (Ejercicios 3.5)
Mes Demanda Mes Demanda
1 30 26 53
2 0 27 0
3 0 28 34
4 75 29 0
5 0 30 65
6 22 31 0
7 0 32 0
8 0 33 0
9 0 34 0
10 57 35 36
11 23 36 11
12 0 37 0
13 0 38 0
14 55 39 70
15 0 40 0
16 0 41 0
17 0 42 0
18 0 43 24
19 28 44 0
20 5 45 33
21 0 46 0
22 17 47 0
23 0 48 44
24 0 49 0
25 0 50 12
7. Muestre que los resultados de la Tabla 3.27 son correctos, aplicando los tres sistemas de
pronósticos (los que no se mostraron explícitamente en el texto) a los mismos datos de
demanda errática del Ejemplo 3.6.
Algunos autores presentan otras señales de rastreo basadas en los errores acumulados y en
el ECM. Ver, por ejemplo, Montgomery et al. (1990, pp. 214-215) y Silver et al. (1998, pp.
116-117). La dificultad con estas señales de rastreo es que normalmente pueden tomar
cualquier valor positivo, lo que hace que su calibración e interpretación sean más difíciles.
Para efectos prácticos, es suficiente con la señal de rastreo basada en el error y la MAD
suavizados, descrita anteriormente.
Un tema final que debe llamar la atención es el hecho de la identificación de datos atípicos
(outliers), tanto para la fase de inicio del pronóstico, como para su fase normal de aplicación.
En el primer caso, un dato atípico puede causar un comportamiento no deseado en las primeras
etapas del pronóstico. Una forma de controlar esto es identificar los datos atípicos y
reemplazarlos por ejemplo por promedios adecuados o incluso eliminarlos.
En la fase de inicialización del pronóstico se pueden identificar datos atípicos por medio de
la estimación del promedio y la desviación estándar de la demanda en forma directa con base
en los datos de demanda disponibles. Se puede, por ejemplo, declarar la presencia de un dato
atípico cuando un dato de demanda supera al promedio ± 2.5 veces la desviación estándar. Si
esto ocurre, entonces se procede a eliminar el dato y tomar, por ejemplo, el promedio del resto
de datos para su reemplazo.
Cuando se presentan datos atípicos dentro del proceso normal del pronóstico, entonces se
pueden utilizar valores más adecuados de control. Montgomery et al. (1990, p. 222), sugieren
calcular la expresión:
e(T )
(3.59)
MAD (T )
Tabla 3.33. Cálculo de los residuos de regresión lineal para iniciar los valores de los errores
suavizados (Ejemplo 3.8)
Semana Demanda x t Dem. (Regresión) x̂ t Residuos
1 23 20.05 2.95
2 28 20.64 7.36
3 16 21.23 -5.23
4 22 21.82 0.18
5 30 22.41 7.59
6 31 23.00 8.00
7 25 23.59 1.41
8 9 24.18 -15.18
9 20 24.78 -4.78
10 22 25.37 -3.37
11 35 25.96 9.04
12 32 26.55 5.45
13 23 27.14 -4.14
14 13 27.73 -14.73
15 15 28.32 -13.32
16 29 28.91 0.09
17 24 29.50 -5.50
18 38 30.10 7.90
19 15 30.69 -15.69
20 15 31.28 -16.28
21 24 31.87 -7.87
22 44 32.46 11.54
23 22 33.05 -11.05
24 40 33.64 6.36
25 60 34.23 25.77
26 18 34.82 -16.82
27 39 35.41 3.59
28 53 36.01 16.99
29 56 36.60 19.40
30 19 37.19 -18.19
31 51 37.78 13.22
32 41 38.37 2.63
33 30 38.96 -8.96
34 52 39.55 12.45
35 44 40.14 3.86
36 51 40.73 10.27
37 59 41.32 17.68
38 45 41.92 3.08
39 53 42.51 10.49
40 37 43.10 -6.10
41 56 43.69 12.31
42 29 44.28 -15.28
43 54 44.87 9.13
44 38 45.46 -7.46
45 29 46.05 -17.05
46 51 46.64 4.36
47 33 47.24 -14.24
48 27 47.83 -20.83
49 65 48.42 16.58
50 43 49.01 -6.01
51 48 49.60 -1.60
Fundamentos de Control y Gestión de Inventarios. Capítulo 3: Pronósticos de demanda 130
La Figura 3.19 muestra la demanda y el pronóstico y compara los dos cálculos del
inventario máximo, uno con base en el valor constante de la desviación estándar (Ejemplo 3.7)
y el otro en forma dinámica con base en el ECMS(T). De este ejemplo no es clara la
conclusión sobre la utilidad de determinar los inventarios máximos en forma dinámica, pero
en la práctica es más sencillo hacerlo así por ahorro de cálculos. Además, intuitivamente se
sabe que es mejor mantener actualizada la estimación de la variabilidad de los errores del
pronóstico.
90
80
Demanda (Unidades)
70
60
50
40
30
20
10
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Semanas
Figura 3.19. Gráfico de demanda, pronóstico, inventario máximo con variabilidad constante e
inventario máximo dinámico con base en el ECMS (T) (Ejemplo 3.8)
Nota importante: En el Apéndice B se hace un resumen de este capítulo, el cual puede ser
muy útil como referencia rápida de los temas aquí tratados.
Ejercicios 3.6.
1. En los literales siguientes se pide retomar el ejemplo correspondiente, diseñar una hoja
electrónica para reproducirlo y realizar una nueva figura semejante a la que se menciona,
pero incluyendo la curva del inventario máximo. Asuma k = 1.96 para un 97.5% de nivel
de servicio y considere un sistema periódico con R + L = 1 período (generalmente 1
semana). En todos los casos estime σ1 con base en el ECM, utilizando los valores óptimos
de N, de a, ó de a, b y g, según sea el caso.
2. Diseñe una hoja electrónica que le permita desarrollar el Ejemplo 3.8 completamente.
Realice los siguientes experimentos (cada uno en forma independiente) y concluya:
a) Suponga que las demandas de las últimas semanas 80-89 aumentan al doble. Observe el
comportamiento de las señales de rastreo y del pronóstico para estas semanas y
proponga soluciones al problema del sesgo.
b) Repita el literal anterior, pero asumiendo que las demandas de las semanas 80-89
disminuyen a la mitad.
c) Suponga que la demanda en la semana 25 no fue de 60 unidades, sino de 1,000 unidades,
constituyéndose claramente en un dato atípico. Observe el comportamiento del
inventario de seguridad para este caso. Reoptimice la constante de suavización y
observe de nuevo el comportamiento. ¿Resuelve esto el problema? ¿Cuál cree entonces
que debe ser la solución para esta situación?
d) Implemente en la hoja electrónica el control de datos atípicos planteado en la Ec. (3.59).
Suponga que la demanda en la semana 80 fue de 850 unidades en lugar de 73 unidades.
¿Se identifica un dato atípico aquí? Observe el comportamiento del inventario máximo,
incluso después de reoptimizar la constante de suavización. ¿Cuál cree entonces que
debe ser la solución a este problema?
L
Xˆ L (T ) = å xˆT +t (T ) (3.60)
t =1
pL
sˆ L = 1.25MAD (T ) (3.61)
c1
donde c1 viene dado por la Ec. (3.54) para t = 1, y pL viene dado por:
aL2
pL = L +
2(1 + b )3
[5(1 + 2b + b 2 ) + 4L(1 - b 2 ) + a 2 L2 ]; b = 1 - a (3.62)
a) Tome los primeros 20 datos de demanda (Días 1-20) para inicialización e implemente
una hoja electrónica con suavización exponencial doble para simular el pronóstico de
los días restantes (Días 21-50). Optimice la constante de suavización con base en el
ECM para estos 30 últimos días. Recuerde que las gráficas son muy importantes en
estos temas.
b) Para los mismos datos y con las mismas condiciones del literal anterior, implemente un
método auto-adaptivo que defina en cada período la constante de suavización a igual
al valor absoluto de la señal de rastreo del período correspondiente (Ver Sección
3.10.2). Repita el cálculo del ECM del literal anterior y compare resultados. Tome los
mismos valores iniciales de S 0 y de S0[ 2 ] determinados en el literal (a) anterior.
Observe que pierde sentido la idea de optimización de a en este caso, pues queda
definido por la señal de rastreo para cada período.
c) Implemente un método auto-adaptivo que defina la constante de suavización de
acuerdo con la siguiente regla: Si la señal de rastreo (Sección 3.10.2) es > 0.30, tome
a = 0.30. Si la señal de rastreo es £ 0.30, tome a = señal de rastreo correspondiente.
Fundamentos de Control y Gestión de Inventarios. Capítulo 3: Pronósticos de demanda 134
Recalcule el ECM como en los casos anteriores, compare resultados y concluya con
respecto a estos tres posibles métodos. Este método se propone para tratar de evitar el
nerviosismo del pronóstico, cuando se presentan señales de rastreo grandes (mayores
que 0.6).
d) Finalmente, tome los tres métodos anteriores para calcular el pronóstico y calcule un
promedio simple de los mismos como su nuevo pronóstico. De nuevo, calcule el ECM
para los últimos 30 días y concluya respecto del mejor método de pronósticos para este
caso.
Tabla 3.36. Demanda diaria de un ítem de consumo masivo para el Problema No. 6
(Ejercicios 3.6)
Día Demanda Día Demanda
1 280 26 630
2 45 27 540
3 305 28 410
4 140 29 330
5 200 30 625
6 130 31 600
7 160 32 480
8 75 33 350
9 240 34 650
10 48 35 390
11 98 36 520
12 280 37 600
13 50 38 635
14 135 39 575
15 230 40 620
16 200 41 475
17 78 42 605
18 155 43 550
19 110 44 620
20 155 45 600
21 48 46 390
22 230 47 450
23 250 48 420
24 170 49 595
25 560 50 640