FUZZY LOGIC FOR MATERIAL REQUIREMENTS PLANNING (MRP) 1

Fuzzy Logic para MRP aplicado a la reducción de la incertidumbre

para el cálculo del Lead Time
Abarca M. Viviana1 .Hernández M. 2 3
, Esteban , Sibaja R. Alejandra ,
1 Escuela de Ingenierı́a Industrial, Universidad de Costa Rica, San Ramón, Alajuela, 20201 CR
2 Escuela de Ingenierı́a Industrial, Universidad de Costa Rica, San Ramón, Alajuela, 20201 CR
3 Escuela de Ingenieı́a Industrial, Universidad de Costa Rica, San Ramón, Alajuela, 20201 CR

Abstract

Material Requirement Planning (MRP) is a system that translates the production needs of finished products into net
production or purchase needs for the components of those products. When talking about MRP, certain limitations
regarding the uncertainty that some variables involve. In the case of the present investigation, a methodology is proposed
through the application of the principles of fuzzy logic, which allows the incorporatrion of the uncertainty that handles
the delivery times of the supplier (lead time). In this way, through the application of fuzzy logic, it is possible to
consider those variables that generate uncertainty at the supplier’s delivery times. Variables such as lot size, location
of the supplier and complexity of the pre-dispatch process are considered in order to obtain an adjusted lead time of
the supplier which is more in line with the reality of the process. In this way, the error generated by the uncertainty
is reduced, and decision making is simpler.
Index Terms—Lead Time, Fuzzy Logic, Material Requirement Planning (MRP), Fuzzificación, Defuzzificación, Incertidumbre,
Inferencia difusa, Mamdani, Takagi-Sugeno-Kang (TSK), Centroide.

I. I NTRODUCCI ÓN II. E STADO DEL ARTE

Los sistemas de inferencia difusos han logrado que el A. Lógica Difusa

control adaptativo sea más accesible y factible de implementar,
principalmente porque las técnicas de la Lógica Difusa tienen
la ventaja de poder implementarse bajo premisas imprecisas
[1].
[1] expone que, la versatilidad con la que cuenta esta
Lógica Difusa, la ha convertido en una técnica atractiva para
la solución de problemas de seguimiento en el marco de la
ingenierı́a de control, principalmente en aspectos relacionados
al rendimiento de sistemas de control no lineales, donde
existe variabilidad de parámetros y, en situaciones donde la
información acerca del proceso a controlar es imprecisa.
La crı́tica encontrada en la Planeación de los Requerimien-
tos de Material (MRP) consiste en que para la determinación
de las compras que se deben realizar, siempre se asume un
valor fijo en el lead time del proveedor, dejando de lado la
incertidumbre en torno a dicha variable.
[2] menciona que cada proveedor presenta una periodicidad
de falla en la entrega parcial o total de los materiales pedidos,
es por esta razón que se realizó una simulación mediante el
software MATLAB para determinar el porcentaje de ajuste del
lead time según caracterı́sticas de entrada basadas en criterio
experto.
Este porcentaje de ajuste que contempla la incertidumbre
del lead time, permite brindar un escenario más claro sobre
las acciones que debe tomar en consideración una empresa al
momento de realizar un MRP, al igual que para la adecuada
gestión de los inventarios de materia prima asociados.
De acuerdo con [3], la lógica difusa es una rama de
la inteligencia artificial que se basa en el concepto todo
es cuestión de grado, lo que permite manipular y procesar
información en términos inexactos, imprecisos, subjetivos o
difćil especificación.
Según [3] la lógica difusa es aplicable a situaciones donde
no existe un modelo de solución sencillo, se desconoce algunas
partes del sistema o el modelo de solución implica incertidum-
bre o impresición por lo que es necesario el conocimiento
experto.
La lógica difusa surge a partir del Principio de Incompatibil-
idad creado por Lofti Zahed, el cual consiste en que a medida
que la complejidad de sistema aumenta, la capacidad para ser
precisos y construir instrucciones sobre su comportamiento
disminuye hasta al umbral más allá del cual, la precisión y el
significado son caracterı́sticas excluyentes [4].
Fig. 1. Comparación entre el conjunto A como valor único y el B como valor
difuso del sistema
FUZZY LOGIC FOR MATERIAL REQUIREMENTS PLANNING (MRP) 2

A partir de la figura anterior, se observa cómo los elementos [

x pertenecen definitivamente al crisp set, y los elementos y
no pertenecen. En contraposición, en el fuzzy set, se observa
que cómo los elementos z al igual que los de x, pertenecen
totalmente al conjunto B, mientras que los elementos sigma
pertenecen parcialmente a dicho conjunto.
En 1965, Zadeh crea el álgebra de conjuntos difusos con ]
el nombre de Fuzzy Sets, la cual considera entre los valores
Fig. 2. Metodologı́a según Mamdani
de verdadero y falso [0.0, 1.0], funciones de pertenencia.
Asimismo,[1] menciona que las propiedades de los conjuntos
difusos se describen dentro de un tipo de objetivo con un grado
de membresı́a membresa o bien, entendido como grado de variables lingüı́sticas, las cuales según [6] son aquellas cuyos
pertenencia, tal como fue mencionado anteriormente. A este valores son palabras o sentencias en un lenguaje natural o
grado de pertenencia también se le conoce según [5] como artificial. De tal modo que una variable lingüı́stica es un medio
“grado de verdad” de las lógicas polivalentes. El grado de para trasladar cualquier elemento que sea demasiado complejo,
pertenencia se define matemáticamente como: o del cual no exista una definición concreta; a descripciones
numéricas que pueden ser tratadas automáticamente.
A= (x, µA (x)), xU
Finalmente, como resultado u output, se obtiene la salida de
La declaración anterior especifica que, A es un set difuso “y” real, lo cual se refiere a un valor de salida de los modelos
que pertenece al universo de U. En dicho set se definen los difusos. Este debe ser un número real y debe ser representativo
elementos x, los cuales pertenecen parcial o totalmente en de todo el conjunto [6].
dicho set, según lo establece su grado de pertenencia, µA (x). Por otra parte, para llevar a cabo el proceso de defuzzi-
Los principales sistemas de control con Lógica Difusa son ficación, existen diferentes métodos que brindan resultados
el Mamdani y Takagi-Sugeno-Kang (TSK). [6] explica que distintos entre sı́. El más utilizado según lo menciona [1],
la principal diferencia entre ambos mtodos radica en para el es el centroide. Dichos métodos se explican brevemente a
método TSK no se realiza el proceso de defuzzificación, dado continuación:
que se obtiene un conjunto de funciones lineales en lugar de un
conjunto difuso, como sı́ ocurre en el método Mamdani. Para • Centroide: este asocia el centro del rea formada por el
efectos del presente artı́culo se desarrollará la metodologı́a número difuso.
Mamdani. • Bisectriz: este método trata de encontrar el valor
Según menciona [7], los controladores tı́picos basados en numérico del elemento del universo que separa el área
Lógica Difusa para dicha metodologı́a, consisten en cuatro de la funcin de pertenencia del conjunto difuso en dos
componentes principales. mitades exactamente iguales.
• Máximo Central (MOM, middle of maximum):la salida
1) Interfaz de fuzzificación de las entradas es el valor medio de todos aquellos que generan el valor
Toma los valores de las entradas (lecturas de sensores) y más alto de la función de pertenencia.
los convierte en forma difusa para que puedan ser procesadas • Máximo más pequeño (SOM, smallest of maximum):la
por el mecanismo de inferencia. Para llevar a cabo este salida es el mı́nimo valor de todos aquellos que generan
componente, es necesario definir las variables lingüı́sticas, por el valor más alto de la función de pertenencia.
lo tanto, se considera como un componente de entrada al • Máximo más grande (LOM, largest of maximum): es el
sistema, es decir un input. máximo valor de todos aquellos que generan el valor más
2) Base de reglas difusas alto de la función de pertenencia.
Para este momento, se realiza un análisis causa y efecto
según los escenarios del caso. El sistema almacena un conjunto
de reglas IF(...)–THEN(...) que cuantifican el conocimiento
que los humanos expertos poseen en relación con la forma de
resolver ciertos problemas particulares.
3) Mecanismo de inferencia difuso
Toma de decisiones sucesivas de cuáles de las reglas son
las más relevantes en relación a cada situación y entonces se
aplica la acción o bien efecto indicado por dichas reglas.
4) Interfaz de defuzzificación de las entradas
Combina las conclusiones del mecanismo de inferencia y
las convierte en valores que puedan ser utilizados como salida
del controlador.
Tal como se observa en la figura anterior, antes de iniciar
Fig. 3. Métodos de defuzzificación
con la interfaz de fuzzificación, se debe contar con las vari-
ables de entrada “x” reales. Estas son las que se conocen como
FUZZY LOGIC FOR MATERIAL REQUIREMENTS PLANNING (MRP)
B. Material Requirement Planning
De acuerdo con [8], el MRP es un sistema que permite
traducir las necesidades de producción de productos termina-
dos en necesidades netas de producción o compra para los
componentes de dichos productos.
Para la realización de un MRP, es necesario considerar
algunos subsistemas principales que proporcionan información
adecuada, entre estos subsistemas se encuentran el Plan Mae-
stro de Producción (MPS, especificaciones del producto o
lista de materiales (BOM), registros de disponibilidad de
inventarios, órdenes de compra pendientes y los lead times,
los cuales corresponden al tiempo que le toma al proveedor
para entregar los componentes que se ordenan. Los lead times
para propósitos de planeación normalmente deben de tener
valores fijos [8].
A partir de lo anterior y según [9], el MRP permite realizar
pedidos planificados, debido a que se obtiene a partir de este,
lo que debe comprarse, tanto en cantidad como en tiempo.
De esta forma, será posible utilizar el MRP como insumo
principal para la planificación de la capacidad, el sistema
de compras y los sistemas de control de la actividad de
producción, que programan y controlan la producciń real de
los pedidos.
Incertidumbre en MRP
En su artı́culo [9] menciona que existen muchas formas de
incertidumbre que podrı́an afectar los sistemas de planificación
de necesidades de materiales (MRP). Existen dos grupos de
incertidumbre: la incertidumbre ambiental, la cual es aquella
que no tiene que ver con los procesos de producción en sı́ y
que depende de varios factores externos a la producción.
Por otro lado está la incertidumbre del sistema, que se
relaciona con los propios procesos productivos, por ejemplo
la incertidumbre del tiempo de producción, la incertidumbre
de calidad, el fallo del sistema de producción y los cambios
en la estructura del producto.
De acuerdo a [3] los sistemas MRP necesitan valores
numéricos precisos y no pueden manejar variables que tengan
un cierto grado de incertidumbre, limitando ası́ su aplicación
cuando se trabaja con valores que son inciertos.
Es por esto, que para poder aplicar los sistemas MRP en
escenarios donde exista incertidumbre, se utiliza la Lógica
Difusa, la cual permite trabajar con variables que son difı́ciles
de analizar.
Existen muchas fuentes de incertidumbre que involucran al
MRP, entre ellas se encuentran la demanda pronosticada para
los productos a producir.
Según [10], uno de los problemas más difı́ciles de modelar
en los pronósticos es la incertidumbre relacionada con la in-
formación disponible, en donde los métodos tradicionalmente
utilizados por las empresas para la proyección de la demanda,
se basan principalmente en el comportamiento pasado del
mercado sin considerar en su análisis los factores que influyen
en ese comportamiento.
Por otro lado, una de las variables de entrada que posee el
MRP, corresponde al lead time, el cual constituye un factor de
incertidumbre importante debido a que en muchos escenarios,
3
existir una diferencia entre los tiempos de entrega planificados
de los proveedores (flujo de información) y los tiempos de
entrega reales de los proveedores (flujo de material).
De este modo, se dice que el lead time depende de ciertas
restricciones tales como el tiempo de transporte, precios,
averı́as de las máquinas y limitaciones de capacidad, las cuales
hacen que esta variable sea sumamente incierta en muchos
casos [11].
Con base en lo anterior, y como menciona [8], algunas de
las razones por las cuales los sistemas MRP fallan a nivel
operativo, se adjudican al hecho de que los tamaños de lote,
stocks de seguridad y tiempos de entrega fijos resultan en
implementaciones rı́gidas, de este modo, se puede rescatar
el hecho de que los tiempos de entrega o lead times, se
consideran fijos en el cálculo, independientemente del tamaño
de los lotes.
De este modo, a partir de lo visto en la teorı́a, se procede a
utilizar la lógica de conjuntos difusos para la optimización de
los sistemas MRP, mediante la inclusión de la incertidumbre
en las variables de entrada que hacen posible su cálculo.
III. C R ÍTICA AL M ODELO ACTUAL
A. Crı́tica
A lo largo del estudio de la teorı́a, fue posible identificar
como el MRP es un sistema que permite una mejor gestión de
los entornos de fabricación. A través de su cálculo es posible
conocer requerimientos de material, cuanto y cuando realizar
un pedido de los componentes de los productos definidos por
variables de entrada como lo son el BOM y MPS.
En general, el MRP es un sistema robusto, sin embargo,
fue posible identificar como la incertidumbre en su cálculo se
ve totalmente ignorada y no es considerada en muchos de las
variables que se utilizan en su cĺculo.Una de estas variables
corresponde al lead time del proveedor.
De acuerdo a [8] la incertidumbre de los lead times no se
ha tenido en cuenta en modelos anteriores a pesar de su gran
importancia.
Fue posible además, identificar cómo la variabilidad del
lead time es un aspecto que genera un impacto significativo
en la cadena de abastecimiento. Un atraso en las entregas
de los proveedores, puede incurrir en atrasos en entregas a
los clientes, mala planificación de la producción o unidades
insatisfechas que no son posibles de producir.
De este modo, en el modelo actual, el MRP considera el
lead time como una variable fija, sin considerar por ejemplo,
el tamaño del lote que se maneja. Este aspecto es significativo
debido a que los proveedores de acuerdo a qué tan grande sea
el pedido que se realice, deben considerar temas de capacidad
o manejo de inventarios disponibles, los cuales influirán en
gran medida en qué tan variable será el lead time que ofrezcan.
En trabajos anteriores, fue posible notar como la demanda
pronosticada ha sido un tema de enfoque para la aplicaciń
de la lógica difusa en los sistemas de MRP. Esto debido a
que la misma corresponde a una de las principales fuentes
de incertidumbre que delimitan qué tan óptimo es el MRP a
desarrollar.
Sin embargo, como se ha visto, el ajuste del lead time es
dejado de lado, y en la mayorı́a de los casos, para el cálculo
FUZZY LOGIC FOR MATERIAL REQUIREMENTS PLANNING (MRP)
del MRP, el mismo es considerado como real y exacto a la
realidad, a pesar de la gran cantidad de fuentes de variabilidad
que pueden generar diferencias significativas en los cálculos.
Es por ello, que la crı́tica va enfocada hacia el modelo MRP,
especı́ficamente en la nula consideración de la incertidumbre
existente en los tiempos de aprovisionamiento de los provee-
dores.
Se considera que el modelo debe ser más flexible y debe
de llevar a cabo un estudio más profundo de las fuentes de
incertidumbre que pueden influir en la toma de decisiones de
planificación inferiores en comparación con los modelos que
se toman explı́citamente en cuenta la incertidumbre.
IV. P ROPUESTA
Durante la planeación de los requerimientos de material, el
lead time del proveedor debe asumirse como un valor fijo, sin
embargo, la fecha de entrega de un pedido puede ser afectada
por factores internos y externos al proveedor de una compañı́a.
La propuesta planteada por el equipo de trabajo, consiste en
que mediante la lógica difusa se puedan introducir variables
cualitativas que incurren en la incertidumbre del lead time de
un proveedor, para con ello, lograr obtener un porcentaje de
ajuste que brinde un valor más preciso de este lead time, de
manera que se fomente la mejora en la gestión de compras de
material en una empresa.
A modo de ejemplificar la utilización de la lógica difusa
para obtener mejoras en la planeación de los requerimientos de
material y tomando en cuenta la incertidumbre que comprende
el lead time de un proveedor, se crea el caso hipotético de
una empresa de manufactura de sandalias, Cartisan S.A. La
empresa cuenta con dos proveedores, uno para cuero, cuya
ubicación es en el paı́s y otro para el material de la suela, el
cual se localiza en Guatemala, sin embargo, para el alcance de
la investigación, se realizará el estudio al proveedor extranjero.
Se presenta un escenario en el cual la empresa tiene una
orden de producción de 600 pares de sandalias donde el precio
por par es de 7850 colones. Cartisan S.A. debe entregar el
producto en una fecha ya establecida, puesto que, en caso
contrario, deberá conceder una tasa de descuento por atraso
que aumentará según la cantidad de dı́as, iniciando con un
10% a partir del primer dı́a.
A. Diseño de la propuesta
1. Variables lingüı́sticas
En [9], se establece que la lógica difusa es utilizada para la
toma de decisiones a partir de datos inciertos o conocimiento
subjetivo. En esta sección, se presentarán las variables de
entrada, las cuales son delimitadas mediante criterio experto
y afectan directamente la variable de salida lead time.
Localización
Esta variable lingüı́stica se relaciona con la localización del
proveedor con respecto a la planta de producción. La ubicación
del proveedor incide directamente en la duración en transporte,
es decir, el tiempo en ruta de la materia prima una vez que sale
4
de las instalaciones del proveedor. En esta variable lingüı́stica
se definen tres casos:
• Buena: el proveedor se ubica en la misma provincia en
que se localiza la planta de producción.
• Regular:el proveedor se encuentra fuera de la provincia
donde se ubica la empresa, pero dentro del paı́s.
• Mala: proveedor se ubica en el extranjero.
Tamaño del lote
Esta variable de entrada está relacionada al tamaño de
pedido de materia prima que el proveedor debe entregar en
las instalaciones de la planta. Según sea el tamaño del lote,
ası́ puede variar la duración en que el proveedor tenga listo
el producto y lo entregue a la empresa. En esta variable
lingüı́stica se definen tres casos:
• Grande: el tamaño del lote es superior a 51 láminas.
• Mediano: el tamaño del lote se encuentra en el rango de
31 a 50 láminas.
• Pequeño: el tamaño del lote se encuentra en el rango de
1 a 30 láminas.
Complejidad del proceso
Esta variable involucra el proceso por el cual debe pasar la
materia prima desde el fin de su producción hasta su llegada
a las instalaciones del cliente. En esta variable lingüı́stica se
definen tres casos:
• Alta: La materia prima debe llevar un proceso de in-
spección en depósitos aduaneros.
• Media: Involucra un proceso de CEDI intermediario entre
el proveedor y la empresa.
• Baja: una entrega de materia prima directa entre el
proveedor y el cliente.
Por otra parte, las funciones de membresı́a de cada una
de las variables lingüı́sticas pueden ser graficadas de forma
triangular, gaussiana, trapezoidal, S, entre otros. Para este caso,
se graficarán las variables lingüı́sticas utilizando la función
triangular, la cual se expresa como:
Fig. 4. Función triángular
Variables de salida
La variable de salida será el porcentaje de ajuste del lead
time del proveedor. En la figura 5, se muestra el modelo de
Mamdani propuesto.
2. Fuzzificación
FUZZY LOGIC FOR MATERIAL REQUIREMENTS PLANNING (MRP)
Fig. 5. Modelo de Lógica Difusa Cartisan S.A
A través del proceso de fuzzificación, se busca obtener los
grados de pertenencia de cada variable lingüı́stica, los cuales,
según [9] se obtienen evaluando los valores de entrada en las
funciones de pertenencia.
Inicialmente se debe establecer los valores crisp de cada
variable lingüı́stica, los cuales están en función del compor-
tamiento que define cada variable y son establecidos a partir
de criterio experto.
La escala realizada para asignar el valor de entrada en
la etapa de fuzzificación, está dada en un rango de 0 a 3,
donde cero es una calificación baja o poco satisfactoria para
la empresa y 3 se considera como una calificación alta o
satisfactoria.
La localización del proveedor es en Guatemala, de forma
que, de acuerdo a criterio experto, es una caracterı́stica que no
va a cambiar a corto plazo, es por esta razón, que se le asigna
una calificación de 1.
En cuanto a la variable de tamaño de lote, la empresa espera
realizar pedidos de mayor volumen, esto porque el negocio
ha incrementado. Por dicha razón, se asigna según criterio
experto, un valor de entrada de 2.8.
Por su parte, a la variable lingüı́stica relacionada a la
complejidad del proceso, se le asigna un valor de entrada
de 1.5, pues se espera que, aunque no se pueda realizar un
envı́o directo, no haya atrasos en el CEDI del proveedor y
se agilicen las entregas de materia prima. La figura anterior,
Fig. 6. Grados de pertenencia de los conjuntos difusos de cada variable
muestra la opinión del criterio experto sobre como se
5
comportarán cada una de las variables de entrada. De igual
forma, se el valor de entrada asociado, ası́ como el grado de
pertenencia correspondiente al conjunto difuso.
3. Evaluación de reglas difusas
En [5] se establece que las reglas difusas son proposiciones
asociadas a adverbios que pueden transformar conjuntos difu-
sos a partir de las sentencias de tipo IF–THEN. Las anteriores,
son proposiciones difusas que pueden formarse utilizando
conjunciones (AND) o disyunciones (OR). Las reglas difusas
para el caso en estudio se plantearon y verificaron con base
en criterio experto.
En la Figura 7 se muestran las 27 reglas difusas como
consecuencia de la interacción entre las variables lingüı́sticas,
ya que, existen 3 variables lingüı́sticas con 3 conjuntos difusos
para cada una. Mientras que en la Figura 8, se presenta la
simbologı́a para la clasificación de dichas reglas según la
causa asociada y el porcentaje de la variable de salida que
posteriormente se utilizará en el apartado de validación.
Cada una de las reglas tiene asignada una variable de
salida con respecto al lead time, donde el superı́ndice de
esta variable se relaciona con el número de regla y se utiliza
para identificar las reglas que se activarán en la etapa de
inferencia mediante los valores de entrada que se encuentran
en la Figura 6.
Fig. 7. Base de reglas difusas
Fig. 8. Simbologı́a de clasificación
4. Mecanismo de inferencia difuso
Las reglas difusas que se encuentran en la Figura 7, están
presentes para el análisis de todos los posibles contextos de la
empresa con respecto a las variables difusas.
Según [9], durante la inferencia, se activan las reglas que
presentan relación con los valores de entrada y los grados de
pertenencia establecidos en el caso bajo estudio.
En el caso de la empresa Cartisan S.A, la variable lo-
calización era baja, el tamaño del lote de pedido era entre
medio y grande y, en el caso de la complejidad del proceso
FUZZY LOGIC FOR MATERIAL REQUIREMENTS PLANNING (MRP) 6

previo al despacho, los valores de entrada se encontraban entre
complejidad media y alta.
En la Figura 9, se encuentran las reglas que se activaron
a partir de la matriz de reglas difusas. Dichas reglas fueron
activadas según la interacción entre las variables lingüı́sticas,
valores de entrada y el grado de pertenencia de cada uno.
Tal como se observa en la figura anterior, se define el
método de centroide para realizar el proceso de defuzzifi-
cación. Esto debido a que, con base en la literatura y opinión
de expertos en el tema, es el método de centroide el cual posee
mayor aproximación con la realidad, por lo que seleccionado
para desarrollar la aplicación del ejemplo.
Seguidamente, se ingresa la variable lingüı́stica de
localización y su conjunto difuso. Lo cual se aplica de la
misma manera con las otras dos variables definidas.

Fig. 9. Reglas difusas activas de acuerdo a las variables de entrada

5. Defuzzificación

Según [7] la etapa de defuzzicación, combina las conclu-

siones del mecanismo de inferencia y las convierte en valores
que pueden ser utilizados como salida del controlador.
[6] agrega que para obtener la variable de salida del
controlador difuso existen varios mtodos de defuzzificación:
centroide, bisectriz, MOM, LOM y SOM.
Fig. 11. Ingreso de conjunto difuso para la variable de localización
El Software MATLAB posee todos los anteriores métodos
de defuzzificación, sin embargo, se utilizará el método del
Es importante tomar en cuenta que, cada vez que se
centroide para la determinación de la variable de salida del
ingresan dichas variables, ası́ se deben definir los parámetros
sistema.
de las funciones de pertenencia, los cuales se determinaron
anteriormente en el apartado de defuzzificación. Para el caso
V. VALIDACI ÓN de la localización, se definió un parámetro de 1 a 3, sin
A partir de la declaración de las variables necesarias para embargo, se considera una unidad extra tanto antes como
ejecutar la lógica difusa del real comportamiento de la variable después, con el fin de esquematizar los resultados de una
lead time en la empresa Cartisan S.A, se procede a ingresar mejor manera.
los datos en el software MATLAB.
En primera instancia, se ingresan las tres variables
lingüı́sticas y la variable de salida, las cuales corresponden a:
localización, tamaño de lote, complejidad del proceso previo al
despacho y el ajuste del lead time respectivamente. Tal como
se ha mencionado, se realizará el análisis de lógica difusa a
partir del método de Mamdani.

Fig. 12. Ingreso de conjunto difuso para la variable de tamaño de lote

Para el caso del tamaño del lote, se define el conjunto con

Fig. 10. Ingreso de variables lingüı́sticas y de salida en la interfaz
los niveles: pequeño, mediano y grande. A su vez, se definen
valores de los parámetros como 4, 5, y 6. Lo cual implica que
su rango serı́a desde 3 hasta 7.
Posteriormente, se ingresan los datos correspondientes a la
variable de complejidad del proceso previo al despacho, el
FUZZY LOGIC FOR MATERIAL REQUIREMENTS PLANNING (MRP)
cual de define desde 7 hasta 9.
Fig. 13. Ingreso de conjunto difuso para el estudio de la complejidad del
proceso previo al despacho
Asimismo, para cada uno de los niveles de los conjuntos
difusos es necesario definir el tipo de forma difusa a utilizar, ya
sea: triangular, trapezoidal, gaussiana, sinusoidal, entre otras.
Para el presente caso de aplicación serán utilizadas las formas
triangulares y trapezoidales, ya que son las de mayor uso en
este tipo de aplicaciones.
Finalmente, se define la variable de salida como el ajuste
del lead time, tal como se ha mencionado. Es en este
momento, donde se deben ingresar los efectos definidos
según las reglas difusas: DLT, DPLT, LT, APLT y ALT.
Fig. 14. Ingreso de efectos definidos según las reglas difusas
Según los parámetros de tolerancia para cada uno de los
efectos, es como se define el rango de la variable en estudio.
Ası́, se establece una tolerancia en la incertidumbre del lead
time de 30%, por ende, el rango definido será de -30 a 30.
Una vez definidas las variables de entrada y salida, se
procede a ingresar las reglas para ası́, llevar a cabo el análisis
de inferencia de Mamdani, mencionado con anterioridad.
Esto se refleja en el software mediante la figura 15.
Cabe resaltar, que las reglas que se toman en cuenta para
introducir al sistema de lógica difusa corresponden a las 4
7
Fig. 15. Ingreso de las reglas difusas activadas en el software
reglas activadas según se definió por criterio experto en el
apartado del diseño de la propuesta. Asimismo, se destaca
que la conexión utilizada fue and, ya que se analiza cuando
las tres condiciones suceden simultáneamente.
Ahora bien, se procede a ejecutar la defuzzificación
como tal, en donde la técnica de lógica difusa estudia de
manera inteligente cada una de las variables con base en las
condiciones expuestas por el criterio experto. Como resultado
de dicha defuzzificación, se obtiene un factor de ajuste para
la variable de salida que en este caso es el lead time.
Fig. 16. Ajuste del lead time como resultado de la defuzzificación
A partir de la figura anterior, se muestra el porcentaje de
ajuste que arrojó la implementación del modelo matemático de
lógica difusa. Es importante resaltar que el ajuste se aplica para
un aumento en el lead time debido a que las reglas activadas
tenı́an como efecto su aumento.
Tal como se haba establecido inicialmente, el método
utilizado es el del centroide, mediante el cual se obtiene
un porcentaje de ajuste del lead time de 17,1%. Esto
partiendo del hecho de que el tiempo de entrega de la orden
establecida por el proveedor es de 15 dı́as, debe ajustarse a
un escenario real en el cual se toman en cuenta las variables
de localización, tamaño del lote y complejidad del proceso
antes del despacho. Por lo tanto, el nuevo lead time es de
17,6 dı́as, lo que evidencia que la empresa tendrı́a un atraso
FUZZY LOGIC FOR MATERIAL REQUIREMENTS PLANNING (MRP)
de dos dı́as y medio aproximadamente en la fecha de entrega
de la orden.
TABLE I
VARIACI ÓN DEL LEAD TIME CON L ÓGICA D IFUSA
Lead time teórico 15,0
Porcentaje de ajuste 17,1%
Dı́as ajustados 2,6
Lead time real 17,6
Por otra parte, al considerar el ajuste del lead time, es
posible evitar escenarios indeseados con respecto al desarrollo
del negocio. Con base en el escenario de la entrega de 600
pares de sandalias en una fecha establecida, se definió que
cada dı́a de atraso se compensa aplicando un descuento al
cliente desde un 10% en el dı́a 1, que va en aumento 5%
por dı́a. Según los resultados, se refleja de la siguiente manera:
TABLE II
PANORAMA ECON ÓMICO REFLEJADO
Ingreso por ventas ¢4 710 000,0
Dı́as de atraso en la entrega 2,6
Porcentaje de descuento 20,0%
Descuento a aplicar ¢942 000,0
Ingreso neto ¢3 768 000,0
Según los resultados anteriores, se evidencia el impacto
económico que tendrı́a la empresa Cartisan S.A., si realiza
su planificación de materiales según el lead time de 15 dı́as
establecido por el proveedor. Se observa un 20% de descuento
a aplicar, ya que 2,6 dı́as se redondea al dı́a 3 de entrega. Las
pérdidas por el monto de 942 000,0 podrı́an evitarse si en la
empresa se considerara el tiempo de entrega ajustado, lo cual
significa que su punto de reorden deberı́a darse 3 dı́as antes
para evitar dichas demoras.
A manera de sı́ntesis, se observa la importancia de im-
plementar metodologı́as como la lógica difusa para resolver
problemas en la vida real como lo es la incertidumbre del lead
time. De manera que, es posible modelar distintas situaciones
y tomar decisiones a partir de los resultados modelados. Tal
como lo menciona [12], el impacto que genera el tiempo de
entrega es muy significativo al definir el nivel de servicio,
además en términos de rentabilidad y por supuesto es de alto
impacto en el desarrollo de la cadena de suministro.
VI. L ÍNEAS FUTURAS DE INVESTIGACI ÓN Y
R ECOMENDACIONES
La lógica difusa como metodologı́a de inteligencia artificial
tiene campos de estudio muy amplios, gracias a que una de sus
ventajas consiste en la capacidad para tomar en cuenta la in-
certidumbre y el conocimiento experto para brindar soluciones
de alto valor.
Es por esto que se propone investigar otros vacı́os que exis-
ten en la gestión de las operaciones de una empresa que puedan
ser mejorados a partir esta metodologı́a. Principalmente, en
ámbitos relacionados a la planeación de los requerimientos
de la capacidad, donde se ataque por ejemplo factores que
8
distorsionan la eficiencia y utilización planificadas, de forma
que se logren tomar medidas anticipadas.
Por otra parte, se propone dar seguimiento al análisis de
otros factores importantes en el MRP, tal como lo es la de-
manda. En este caso se habla de una incertidumbre relacionada
a los pronósticos de la misma, la cual puede ser mejorada
a partir de la metodologı́a de la lógica difusa, aplicando las
técnicas explicadas para lograr un ajuste de la demanda, que
logre aproximarse a la realidad.
VII. C ONCLUSIONES
La implementación de conocimiento experto por medio de
metodologı́as como la lógica difusa, es lo que convierte a esta,
en una técnica cuyos resultados son más cercanos a la realidad,
pues imita las decisiones que toman las personas.
La lǵica difusa es una técnica que puede ser aplicada a todos
aquellos casos en los que exista incertidumbre, esta es la razón
por la cual puede ser utilizada para resolver problemas a nivel
de Plan Maestro de Producción (MPS) o en la Planeación de
Requerimientos de Materiales (MRP).
El lead time del proveedor es una variable de entrada de
un sistema MRP y que además, es un factor que involucra
incertidumbre, por lo que, en toda compañı́a es conveniente
estudiar dicha incertidumbre para ajustar el tiempo real para
tener mejores controles a nivel de compra e inventarios.
A partir de la propuesta realizada y del desarrollo de la
validación, se determina que para las variables de entrada
definidas y el comportamiento que se espera a futuro en la
empresa Cartisan S.A, el porcentaje de ajuste del lead time
del proveedor es de un 17.1%. Con la aplicación del mismo,
es posible realizar el ajuste adecuado del lead time que evite
un impacto económico desfavorable por atrasos en la entrega
de pedidos.
Por otra parte, MATLAB es un software que a partir de
una sencilla metodologı́a de uso, permite simular sistemas con
lógica difusa, por lo que se considera una herramienta muy
útil a nivel académico y empresarial para brindar soluciones
de alto impacto operacional.
R EFERENCES
[1] A. Matute and W. Bernal Suárez, Fuzzy Logic Techniques in Control
Engineering Rev. Cienc., vol. III, pp. 125134, 2017.
[2] M. L. Cúnico and A. Vecchietti, Una Aplicación de Lógica Difusa en
el Modelado de Una Cadena de Suministro con Incertidumbre en el
Abastecimiento de Materiales. Iberoam. J. Ind. Eng., vol. 5, no. 10, pp.
265280, Apr. 2015.
[3] A. D. Velázquez-cruz, H. Muñóz-contreras, J. A. Rojas-, and U. J.
Lpez-maldonado, Inclusión de la incertidumbre en la Planeación de
Requerimientos de Materiales mediante Lógica Difusa, vol. 4, no. 2,
2013.
[4] Almache and Juan, Lógica clásica y lógica difusa: Facetas que las
caracterizan. Estoa, no. 2, pp. 91101, 2013.
[5] C. Lameda and E. Torres, Lotfi Zadeh: el genio creador de la lógica
borrosa Lotfi Zadeh: the genius creator of fuzzy logic. vol. 12, no. 16,
pp. 127133, 2018.
[6] M. M. Arcila and S. D. Sanahuja, Sistemas de Control con Lógica Difusa:
Métodos de Mamdani y de Takagi-Sugeno-Kang ( TSK ). 2017.
[7] C. Feltan, Principios de Lógica Difusa. no. October, 2018.
[8] I. D. E. Sistemas and I. Operaciones, Universidad nacional autónoma de
méxico. 2013.
[9] U. D. C. Rica, In adjusting forecasted demand for Material Requirement
Planning. pp. 112.
FUZZY LOGIC FOR MATERIAL REQUIREMENTS PLANNING (MRP) 9

[10] L. F. Escobar-Gómez, E. N.; Dı́az-Núñez, J. J.; Taracena-Sanz, Modelo

para el ajuste de pronósticos agregados utilizando lógica difusa Model
for Adjustment of Aggregate Forecasts using Fuzzy Logic. Ing. Investig.
y Tecnol., vol. XI3, pp. 289302, 2010.
[11] C. Thierry, Open Archive TOULOUSE Archive Ouverte ( OATAO )
ScienceDirect MRP parameter evaluation under fuzzy lead times.vol.
2016, no. June, 2016.
[12] A. I. Malik and B. Sarkar, Coordinating Supply-Chain Management
under Stochastic Fuzzy Environment and Lead-Time Reduction. Math-
ematics, vol. 7, no. 5, p. 480, 2019.

Viviana Abarca Moscoso Nació en San Ramón

Alajuela, Costa Rica el 03 de octubre de 1995. Es
egresada del Liceo Experimental Bilingúe de San
Ramón. Actualmente estudia la carrera de Licen-
ciatura en Ingenierı́a Industrial en la Universidad
de Costa Rica. Las áreas de interés académico son:
Logı́stica de la Cadena de Valor, Ingenierı́a de Op-
eraciones y Gestión de Proyectos. Carné: B30021.
e-mail: vivi.abm 03@hotmail.com

Esteban Hernández Monge Nacido en Grecia Ala-

juela, Costa Rica el 01 de julio de 1997. Egresado
del Liceo Bilingue de Naranjo. Estudiante activo
de la carrera de Ingenierı́a Industrial en la Univer-
sidad de Costa Rica. Áreas de interés académico:
Ingenierı́a de Operaciones, Ingenierı́a de Calidad y
Logı́stica de la Cadena de Valor. Carné: B53394.
email: ehernandez97@hotmail.com

Alejandra Sibaja Robles Nacida en Grecia, Ala-

juela, Costa Rica, el 29 de junio de 1997. Es estu-
diante de Licenciatura en Ingenierı́a Industrial de la
Universidad de Costa Rica, Sede de Occidente. Egre-
sada del Liceo Bilinge de Naranjo. Como parte de
intercambio cultural y experiencia laboral, vivió en
Park City, Utah, en donde trabajó en el Hotel West-
gate Resorts and Spa. Áreas de interés académico:
estudio del trabajo e ingenierı́a de los factores hu-
manos, logı́stica, ingenierı́a económica y de opera-
ciones. Carné: B56886 email: alerry07@gmail.com