Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
Sistemas de Inventarios
Introducción
2
Qué le pasa No sé que pasa, a
amigo, no tiene pesar de que
con qué surtir su compro “bastante”
negocio el inventario no
alcanza
3
!Qué le pasa!
¿Porqué estamos llenos No sé, las ventas
de inventarios? deben haber
bajado
4
Gestión de inventarios
Naturaleza e importancia de los inventarios
¿Por qué tener inventarios?
Evitar que bajo alguna circunstancia la organización pueda quedar sin
abastecimiento de productos.
Para responder a las fluctuaciones de la demanda.
Protegerse para cuando los proveedores no pueden hacer despachos
continuos.
Un despacho desde un proveedor puede tardar días o meses en llegar.
Para resolver situaciones de vida o muerte
5
Objetivos del control de inventarios
6
Aspectos administrativos de la gestión de
inventarios
• Multiplicidad de ítems a controlar.
• Inventarios en diversos sitios geográficos.
• Diversidad de proveedores.
• Sistemas de almacenamiento diversos.
• Formas de distribución, por unidad, por cientos, en cajas, paquetes,
etc.
• Definir políticas generales, tales como contratos de ventas, precios de
venta, promociones, descuentos, niveles de servicio, negocios
especiales, etc.
7
Aspectos administrativos de la gestión de
inventarios
8
Aspectos administrativos de la gestión de
inventarios
9
Influencia de los inventarios en el desempeño de la
organización
El tener inventarios:
• Representa una inversión que afecta el flujo de caja.
• Afecta el desempeño de la organización, obliga a
incrementar los controles y genera un deterioro del clima
organizacional.
• Genera aumento de costos, espacio físico, personal, etc.
10
Barreras en la Administración de Inventarios
• Ignorar la variabilidad de la demanda
• Utilizar sistemas de control demasiado simples
• Ausencia de mediciones en la cadena (Por ejemplo, indicadores de eficiencia
adecuados)
• Definición inadecuada de nivel de servicio
• Falta de información acerca del estado de despachos
• Sistemas de información ineficientes
• Discriminación contra clientes internos
• Coordinación pobre
• Consideración incorrecta de costos de inventarios
• Barreras organizacionales
• Decisiones aisladas con respecto del resto de la cadena
11
Metodología para la gestión de inventarios
12
Sistemas de Inventarios
13
Sistemas de Inventarios
1. Sistemas para ítems con demanda determinística
1. Sistemas de demanda constante
1. Cantidad económica de pedido EOQ
2. Cantidad económica de producción
3. Cantidad económica de pedido con descuento
14
Sistemas de Inventarios
15
Determinación de
la demanda
16
Patrones de demanda
Perpetua o Uniforme
Demanda Tendencia
140
D = -0,0145t + 63,184
Demanda (unid.)
120
100
80
60
40
20
0
1
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
Tiempo (semanas)
17
Patrones de demanda
Con Tendencia
Demanda Tendencia
140
D = 0,2481t + 34,979
Demanda (unid.)
120
100
80
60
40
20
0
1
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
Tiempo (Semanas)
18
Patrones de demanda
Estacional
Demanda
200
180
Demanda (unid.)
160
140
120
100
80
60
40
20
0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
Tiempo (Semanas)
19
Patrones de demanda
Errática
Demanda Tendencia
6
4
Demanda (Unid.)
0
1
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
Tiempo (Semanas)
20
Ejemplos de comportamientos de la demanda
500
400
300
200
100
0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
21
Ejemplos de comportamientos de la demanda
1200
1000
800
600
400
200
0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
22
Ejemplos de comportamientos de la demanda
100
80
60
40
20
0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
23
Ejemplos de comportamientos de la demanda
160
140
120
100
80
60
40
20
0
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
24
Identificar la Demanda – Análisis Cuantitativo
UNIDADES VENDIDAS
15
x̂, ˆ 10
5
Promedio, Desviación
estándar y Coeficiente
de Variación 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38
SEMANAS
25
El promedio y la variabilidad
40
35
Unidades Vendidas
30
25
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
Semanas
26
El promedio y la variabilidad
Datos históricos de ventas
?
160
140
120
Unidades Vendidas
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Semanas
27
Variabilidad de la demanda
Media
Poca variabilidad
variabilidad
Alta
variabilidad
28
Determinación de la demanda
El pronóstico y la variabilidad
• El pronóstico de la demanda se puede estimar como el promedio de los
datos históricos de la demanda y se expresa:
x i
x̂ i 1
n
La variabilidad de la demanda se conoce como la desviación estándar de
los datos y se expresa:
σˆ
(xi x)
ˆ 2
n
29
Ejemplo “crítico”
• Dos datos de demanda semanal: 100, 100
• Promedio = (100 + 100) / 2 = 100 ( 100 100 ) 2
( 100 100 ) 2
0
• Desviación Estándar = 2
30
Análisis de la variabilidad de la demanda por
horizonte de planeación en Hoja de Cálculo
31
Tiempo de reposición aleatorio - La variabilidad del
lead time
Depende de:
•La disponibilidad del proveedor
•Sistema de transporte utilizado
32
1. Medición de la demanda real
El procedimiento es el siguiente:
1. Organice los datos de menor a mayor, considere n observaciones
2. Haga (n+1)P1=y+w, donde 0 <= w < 1 y, y es un entero
3. Si (n+1)P1>n, haga s=x(n), de lo contrario, haga s= (1-w)x(y)+wx(y+1)
33
1. Medición de la demanda real – Ejemplo
Una compañía nueva está definiendo el punto de reorden para varios ítems que son
importantes para su negocio. Debido a que el tiempo de entrega es de aproximadamente dos
o tres semanas y el tamaño de las órdenes no es tan grande, el administrador ha reunido un
número de observaciones de la demanda durante el tiempo de abastecimiento. Estas son: 15,
18, 12, 22, 28, 25, 22, 23, 11, y 19. El administrador tiene un nivel de servicio P1.
Paso 1. Ordenar los datos de menor a mayor. 11 12 15 18 19 22 22 23 25 28
Paso 2.
n= 10, P1 = 0,85, (n+1)*P1 =11*0,85=9,35
y + w = 9,35, entonces y = 9 y w = 0,35 (recuerde 0 <= w < 1 y, y es un entero)
Paso 3.
(n+1)* P1 <n, entonces, s= (1-w)*X(y)+w*X(y+1)
X(y) es la novena observación, 25 y X(y+1) es la décima observación, 28
Por lo tanto s=(1-0,35)25+0,35*28 = 26,05 ≅26
Lordahl y Bookbinder (1994) muestran que este método es mejor que utilizar la distribución
normal en muchos casos
34
2. Uso de la distribución de la tasa de demanda por unidad de
tiempo combinado con la distribución del tiempo de abastecimiento
-Notación básica
35
El valor esperado de x y su desviación estándar se definen como sigue (Ross,
1993, pág. 98–99) para un modelo de revisión periódica:
E ( x) E ( LT R) E (d )
x E ( LT R) E (d ) LT
2
d
2 2
x E (d ) LT x E ( LT R) E (d ) LT
2
d
2 2
36
Determinación de la demanda:
37
Sistema de pronósticos
DATOS
H IS T O R IC O S P o sib le m o d ific a c ió n d e l
M o d e lo o su s p a rá m e tro s
S e le c c ió n e in ic ia liz a c ió n
d e l m o d e lo
M ODELO
M A T E M A T IC O
D e m a n d a re a l o b se rv a d a
IN T E R V E N C IO N P ro n ó stic o
HUM ANA e sta d ístic o
CALCU LO DE
P R O N O S T IC O ERRORES DE
DE DEM ANDA P R O N O S T IC O
38
Consideraciones a tener en cuenta
39
Datos atípicos
Considerados como aquellos datos que no corresponden al
comportamiento normal de la demanda y por lo tanto deberían ser
eliminados
PERÍODO DEMANDA
40
Datos atípicos
20 39
21 52
22 53
23 66
24 41
25 36
26 36
27 31
28 70
29 68
30 81
31 67
32 54
33 89
34 58
35 95
36 83
37 63
38 109
39 230
41
Eliminación de Outliers
42
Modelo matemático general
Demanda en el período t a bt f c ε
43
Ejemplo de series de tiempo
Ejemplo de tres trayectorias de un proceso estocástico Realizaci´on diaria del´Indice General de la Bolsa de
dado Valores de Colombia entre 2000-07-03 y 2011-03-03.
44
Pronósticos de series de tiempo
• Los pronósticos se basan en datos u observaciones sobre la variable de interés.
• Estos datos suelen tener la forma de una serie de tiempo.
• Suponga que hay T períodos de datos disponibles, siendo el período T el más reciente.
• La observación de esta variable en el período de tiempo t se denota por y 1, t = I. 2 ...., T
• Esta variable puede representar una cantidad acumulada, como la demanda total de un
producto durante el período t
• Sea yt un pronóstico que se realizó en algún período de tiempo anterior t - t, y un valor
ajustado de y1 que ha resultado de estimar los parámetros en un modelo de serie de tiempo a
datos históricos.
• El pronóstico realizado en el período de tiempo t - t , se denota por y1 (t - t).
45
PRONÓSTICOS FUTUROS
46
Pronósticos Futuros - Notación
Varianza del pronóstico t períodos futuros : Var Xˆ t τ (t )
L
Pronóstico acumulado L Períodos : X̂ L (t) X t τ (t)
τ 1
48
Errores del pronóstico y su varianza - Notación 2
Varianza del error del pronóstico : Var e(t) Var x(t) Var x̂(t)
Error del pronóstico futuro : Varianza del error del pronóstico futuro t períodos :
eτ (t ) xT xˆT (t t ) Var eτ (t ) Var ( xt ) Var xˆ t (t t )
Error del pronóstico acumulado : Varianza del error del pronóstico acumulado :
VarL e(t) Var X L (t) Var X̂ L (t)
L
E L (t ) eτ (t - L τ)
τ 1
49
2 Montgomery, et. al, Capítulo 8
Varianza del error del pronóstico acumulado
ˆ p L
Expresión general para la Varianza del error de los 2 2
pronósticos acumulados para L-períodos en función EL
de la varianza de los errores de los pronósticos
c1 1
α
(1 β)3
1 4β 5β 2
2α(1 3β)t 2α t
2 2
L2
Factor PL L
2 (1 ) 3
5(1 2 2
) 4 L(1 2 ) 2 L2
50
SISTEMAS DE PRONÓSTICOS DE ÍTEMS
CON DEMANDA ERRÁTICA NUEVOS
51
Pronósticos de Ítems de Demanda Errática
Método de Croston
52
Modelos de pronósticos para ítems con
demanda errática
yt 1 Si existe la transacción
0 Sí la transacción no ourre zt Es el tamaño de la transacción
Prob(y 1) 1 Prob(y 0) 1 - 1
n
n
n: Denota el número de períodos que ocurren entre sucesivas transacciones
53
Modelo de Croston (1)
t 0 1.El tamaño estimado de la transacció n no se actualiza.
(Demanda no ocurre) 2. nˆt n̂ t 1
t 0 1.z t t (1 )z t 1
(Transacción ocurre)
2. nˆt nt (1 )nˆt-1
zt Valor estimado del promedio del tamaño n t Número de períodos desde
de la transacción al final del período t la última transacción
n̂ t Valor estimado de n ẑ t
Pr onóstico
al final del período t nˆt
55
Error en el pronóstico de los inventarios
56
Causas de imprecisión en los sistemas de pronósticos
57
Medición de errores del pronóstico
Error cuadrático e ( x t x
2
t
ˆt ) 2
x t xˆt x t xˆ t
MAD t 1
ECM t 1
n n
Error porcentual : Mean Absolute Percentaje Error :
n
xt xˆt
xt xˆt 100 *
APE 100 * MAPE t 1 xt
xt n
Error porcentual : Mean Absolute Percentaje Error :
n
xt xˆt
xt xˆt 100 *
APE 100 * xˆt
xˆt MAPE t 1
n
59
PARÁMETROS INDICADORES
ERROR
N PROM.
MAD ECM MAPE MAPE'
8 5,78 13,38 267,31 22% 24%
2
PERÍODO DEMANDA ESTIMADOR PRONÓSTICO e lel e lel/xt lel/x't
1 31
DATOS DE INICIO
2 26
3 34
pronóstico en Excel
6 31
7 38
8 26
9 56
10 30
11 42
12 41 37,1
13 35 37,4 37,1 -2,13 2,13 4,52 0,06 0,06
14 41 38,6 37,4 3,63 3,63 13,14 0,09 0,10
15 58 41,1 38,6 19,38 19,38 375,39 0,33 0,50
16 49 44,0 41,1 7,88 7,88 62,02 0,16 0,19
17 54 43,8 44,0 10,00 10,00 100,00 0,19 0,23
18 56 47,0 43,8 12,25 12,25 150,06 0,22 0,28
19 80 51,8 47,0 33,00 33,00 1089,00 0,41 0,70
20 46 52,4 51,8 -5,75 5,75 33,06 0,13 0,11
21 33 52,1 52,4 -19,38 19,38 375,39 0,59 0,37
SIMULACIÓN
22 56 54,0 52,1 3,88 3,88 15,02 0,07 0,07
23 35 51,1 54,0 -19,00 19,00 361,00 0,54 0,35
24 85 55,6 51,1 33,88 33,88 1147,52 0,40 0,66
25 61 56,5 55,6 5,38 5,38 28,89 0,09 0,10
26 53 56,1 56,5 -3,50 3,50 12,25 0,07 0,06
27 65 54,3 56,1 8,88 8,88 78,77 0,14 0,16
28 36 53,0 54,3 -18,25 18,25 333,06 0,51 0,34
29 61 56,5 53,0 8,00 8,00 64,00 0,13 0,15
30 66 57,8 56,5 9,50 9,50 90,25 0,14 0,17
31 63 61,3 57,8 5,25 5,25 27,56 0,08 0,09
32 73 59,8 61,3 11,75 11,75 138,06 0,16 0,19
33 76 61,6 59,8 16,25 16,25 264,06 0,21 0,27
34 94 66,8 61,6 32,38 32,38 1048,14 0,34 0,53
35 66 66,9 66,8 -0,75 0,75 0,56 0,01 0,01
36 88 73,4 66,9 21,13 21,13 446,27 0,24 0,32
37 67 74,1 73,4 -6,38 6,38 40,64 0,10 0,09
38 100 78,4 74,1 25,88 25,88 669,52 0,26 0,35
39 59 77,9 78,4 -19,38 19,38 375,39 0,33 0,25 60
40 66 77,0 77,9 -11,88 11,88 141,02 0,18 0,15
ESTIMACIÓN DE LOS ERRORES
Error Promedio
Dado que se pueden tener algunos datos históricos de los errores, podría
estimarse el valor esperado de los errores del pronóstico, como un
promedio simple de estos, como sigue:
T
e(t ) Y (t )
ŶT : t 1
T T
Donde Y(T), es la suma de los errores de los pronósticos, o el Error acumulado
Y (t ) : Y (t 1) e(t )
61
Pronóstico del Error
El pronóstico del error se puede obtener a partir de los últimos N datos
históricos, como un promedio simple.
T
1
ˆe(T )
N
e (t )
t T N 1
donde :
n
t t
( x x ) 2
ˆ t 1
Con base en residuos de la R.L.
n2
n:Número de datos que se toman para inicializar el pronóstico
cτ 1
α
( 1 β)3
1
4 β 5 β 2
2α( 1 3 β)t 2α t
2 2
2
63
ECM suavizado
t t
( x ˆ
x ) 2
A partir del ECMS se puede obtener la desviación estándar de los errores del
pronóstico para cada período.
ˆ1 (T ) ECMS (T )
64
Cálculo del Inventario de Seguridad
Inventario de seguridad para el sistema de Revisión
Continua (s, Q)
Inventariode seguridad SS k L
L 1 L
Inventario de seguridad para el sistema de Revisión
Periódica (R, S)
Inventario de seguridad SS k R L
R L 1 R L
ˆ1 se obtiene como se mostró así :
ˆ1 (T ) ECMS (T ) 1.25MAD suavizada 65
Inventario de Seguridad Dinámico
Inventario de seguridad para el sistema de Revisión Continua (s, Q)
Inventariode seguridad SS k L
L 1 L
Inventario de seguridad SS k R L
R L 1 R L
66
Señales de rastreo
ser recalcular los parámetros del modelo y/o revisarse el modelo que
se esté utilizando.
67
Señales de rastreo
La señal de rastreo en función del error suavizado y la MAD :
Q(T )
Señal de Rastreo
MAD(T )
La señal de rastreo siempre está entre -1 y 1.
Los valores máximos aceptables dependen de la aplicación y pueden variar de 0.4 a 0.6.
Cuando dos o más señales de rastreo sucesivas sobrepasan el valor máximo, deben
recalcularse los parámetros del modelo y/o revisarse el modelo que se está utilizando.
b 1,26573 W E C1 1,96
0,15 7,796808 1,657643 PERIODO
LEAD
DE
-0,80 14,44 323,47 26% 24% 1,22 0,02 REVISIÓN
TIMES
PERÍODO DEMANDA PRONÓSTICO e lel e2 lel/xt lel/x't Y(T) T MAD(T) ECM(T) 1 5 Q(T)/MAD(T) Y(T)/MAD8T)
13 35 42,7 -7,73 7,73 59,71 0,22 0,18 -7,7273 -1,1591 7,9852 60,6283 94 0,14515547 -0,967703126
14 41 39,4 1,64 1,64 2,70 0,04 0,04 -6,0839 -0,7387 7,0339 51,9391 88 0,10502340 -0,864942459
15 58 40,9 17,09 17,09 291,97 0,29 0,42 11,0031 1,9351 8,5419 87,9434 89 0,22654803 1,288142353
16 49 51,9 -2,88 2,88 8,31 0,06 0,06 8,1198 1,2124 7,6931 75,9990 111 0,15759186 1,055464764
17 54 52,4 1,59 1,59 2,53 0,03 0,03 9,7104 1,2691 6,7777 64,9786 110 0,18724712 1,432697278
18 56 55,4 0,64 0,64 0,41 0,01 0,01 10,3502 1,1747 5,8570 55,2932 113 0,20056319 1,767136815
19 80 57,9 22,12 22,12 489,13 0,28 0,38 32,4664 4,3159 8,2959 120,3684 115 0,52024834 3,913543293
20 46 73,4 -27,35 27,35 748,06 0,59 0,37 5,1156 -0,4341 11,1541 214,5227 148 0,03891576 0,458631108
21 33 61,1 -28,13 28,13 791,19 0,85 0,46 -23,0124 -4,5882 13,7002 301,0221 134 0,33489710 -1,679709142
SIMULACIÓN
22 56 46,0 10,02 10,02 100,45 0,18 0,22 -12,9897 -2,3965 13,1486 270,9368 114 0,18226608 -0,987918425
23 35 51,2 -16,19 16,19 261,97 0,46 0,32 -29,1753 -4,4649 13,6041 269,5921 122 0,32820133 -2,144590487
24 85 41,6 43,43 43,43 1886,09 0,51 1,04 14,2538 2,7192 18,0779 512,0666 107 0,15041635 0,788468219
25 61 66,3 -5,27 5,27 27,76 0,09 0,08 8,9855 1,5211 16,1564 439,4198 160 0,09414699 0,556157107
26 53 65,7 -12,66 12,66 160,17 0,24 0,19 -3,6704 -0,6055 15,6314 397,5326 155 0,03873413 -0,234808935
27 65 60,1 4,86 4,86 23,65 0,07 0,08 1,1928 0,2148 14,0161 341,4504 144 0,01532761 0,085103612
28 36 64,0 -27,99 27,99 783,45 0,78 0,44 -26,7973 -4,0159 16,1122 407,7498 146 0,24924590 -1,663164192
29 61 48,6 12,43 12,43 154,53 0,20 0,26 -14,3664 -1,5489 15,5600 369,7663 125 0,09954304 -0,923290519
30 66 54,9 11,12 11,12 123,62 0,17 0,20 -3,2481 0,3512 14,8938 332,8441 135 0,02358008 -0,218081628
31 63 61,5 1,47 1,47 2,17 0,02 0,02 -1,7735 0,5197 12,8809 283,2436 144 0,04034700 -0,137682005
32 73 63,4 9,62 9,62 92,48 0,13 0,15 7,8430 1,8842 12,3912 254,6284 142 0,15206028 0,632944322
33 76 70,3 5,74 5,74 32,95 0,08 0,08 13,5834 2,4626 11,3936 221,3771 153 0,21614295 1,192194914
34 94 75,7 18,32 18,32 335,79 0,19 0,24 31,9080 4,8419 12,4333 238,5390 159 0,38943441 2,566341507
35 66 89,2 -23,16 23,16 536,31 0,35 0,26 8,7496 0,6419 14,0420 283,2050 185 0,04571180 0,623099163
36 88 79,4 8,60 8,60 73,95 0,10 0,11 17,3488 1,8355 13,2256 251,8161 173 0,13878240 1,311755673
37 67 86,6 -19,61 19,61 384,69 0,29 0,23 -2,2648 -1,3819 14,1838 271,7472 183 0,09742597 -0,159672541
38 100 77,7 22,33 22,33 498,52 0,22 0,29 20,0627 2,1745 15,4053 305,7625 170 0,14115434 1,302321259
39 59 92,1 -33,13 33,13 1097,66 0,56 0,36 -13,0682 -3,1213 18,0642 424,5468 198 0,17278872 -0,723432387
40 66 75,3 -9,32 9,32 86,93 0,14 0,12 -22,3920 -4,0517 16,7531 373,9046 176 0,24184490 -1,336584782
69
Métodos Auto-Adaptivos
Qué hacer cuando se considera que el
sistema de pronósticos está fuera de control?
La alternativa es corregir los parámetros que optimizan los modelos.
Se sugieren dos técnicas a seguir:
1. Recalcular la constante de suavización Alfa
2. Hacer que la constante de suavización tome los valores
obtenidos en la señal de rastreo del período