Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodología para El Pronóstico de La Demanda en Ambientes Multiproducto y de Alta Variabilidad
Metodología para El Pronóstico de La Demanda en Ambientes Multiproducto y de Alta Variabilidad
Fecha de aceptación: 27 de agosto de 2013 Financiamiento: Universidad Distrital Francisco José de Caldas
Key words: ABC Classification, Demand Forecasting, Production Planning, Time Vary-
ing Systems.
RESUMEN para representar la rotación de inventarios, y el
segundo de importancia respecto a las variables
Este artículo presenta una metodología para la costo, volumen y peso; el resultado de esta fase
es un conjunto de categorías para clasificar los
gestión de la demanda en ambientes multiproduc-
productos e identificar aquellos más importantes
to para diferentes eslabones de la cadena de sumi-
y aquellos que se deben descontinuar. La segunda
nistro y con alta variabilidad en la demanda. La fase consiste en realizar un pronóstico agregado
metodología propuesta consiste en dos fases: la de acuerdo con la variabilidad que se presenta en
primera busca una clasificación de los productos cada una de las categorías identificadas, se emplea
de acuerdo con dos criterios, uno de movimiento el coeficiente de variación como medida de varia-
* * *
Este artículo está organizado en seis partes inclu- También se pueden utilizar metodologías basa-
yendo esta introducción. En el segundo apartado das en múltiples criterios como las mostradas en
se muestra el marco referencial donde se abarcan Hadi-Vencheh (2010), o metodologías subjetivas
generalidades sobre la clasificación de inventarios como en Ng (2007), así mismo, algunas basadas
y de técnicas de pronósticos. En la tercera parte en métodos de optimización con múltiples crite-
se describe el caso de aplicación, seguido en el rios dando ponderaciones a estos, como en Ra-
apartado cuarto se encuentra la metodología pro- manathan (2006). La utilización de métodos de
puesta con los principales resultados encontrados. optimización para la clasificación de inventarios
En el apartado quinto se presentan las principales también ha incursionado en la aplicación de téc-
conclusiones del trabajo, para finalizar con unos nicas de inteligencia artificial, como algoritmos
comentarios sobre trabajos futuros en el sexto genéticos, redes neuronales, sistemas de decisión
apartado y las referencias bibliográficas. basados en reglas como los mostrados en Parto-
vi y Anandarajan (2002); Rezaei y Dowlatshahi
MARCO REFERENCIAL (2010); Tsai y Yeh (2008).
Revisión de la literatura
Clasificación del inventario
Respecto a la clasificación de inventarios y pro-
ductos se han realizado diferentes trabajos como De acuerdo con Arora (2005), el inventario pue-
en el que utilizan una aproximación de modelación de ser clasificado en los aspectos de manufactura,
matemática para establecer las diferentes agrupa- servicio y control. Así mismo, en el primer caso,
ciones de productos utilizando una metodología se tienen los inventarios de materia prima, com-
ABC. Como en Chu, Liang y Liao (2008) donde ponentes y subensambles comprados a terceros;
se emplea una metodología basada en conjuntos que se almacenan con el fin de asegurar su dispo-
difusos para la clasificación y control de inventa- nibilidad para la producción (Askin y Goldberg,
rio llamado ABC-fuzzy clasificación (ABC-FC), 2002). En este caso, se debe considerar la proxi-
que puede manejar las variables lingüísticas que midad del proveedor, relación con el proveedor,
incorpora la experiencia del gerente al juicio en predecibilidad del proceso de producción, lead
la clasificación del inventario, y se pueden imple- time requerido para poner una orden, y transporta-
mentar fácilmente, encontrando una alta precisión bilidad y perecibilidad de los materiales. También
de clasificación. Por otro lado, en Chen (2011) se se tienen los inventarios de producto en proceso
utiliza un enfoque donde se determinan dos tipos (WIP, Work In Process) o artículos en forma se-
comunes de pesos y se agregan múltiples criterios miterminada o con diferentes etapas de produc-
de manera objetiva, de forma que se logre un indi- ción; en este caso, se manejan lotes de material y
cador de desempeño más racional en comparación partes compradas, desde el momento en que son
con las metodologías clásicas. En Torabi, Hatefi liberadas al taller hasta que hacen parte del pro-
y Saleck Pay (2012) se presenta un sistema de ducto terminado (Askin y Goldberg, 2002). Otro
apoyo a las decisiones para el análisis y el con- grupo son los inventarios de producto terminado,
trol de inventarios mediante tres diferentes tipos incluye los productos listos para despachar a los
de análisis basado en: precio, cantidad e importan- clientes (Hopp y Spearman, 2008). Se consideran
La metodología propuesta busca integrar la cla- ●● Clase 2: ítems con hasta 21 datos de movi-
sificación de productos ―se utilizará la palabra miento.
producto e ítem indistintamente― con las téc-
●● Clase 3: ítems que tienen menos de 12 datos
nicas de pronóstico, para establecer un módulo
pero con movimiento en último semestre.
de gestión de demanda para una organización. A
continuación se describen las generalidades de las ●● Clase 4: ítems que no han tenido movimiento
dos partes principales de la metodología. en el último semestre.
Para realizar el proceso de clasificación se to- ●● Clase 6: ítems que no han tenido movimiento
maron varios criterios globales: el primero, por en los últimos dos años.
Para la construcción del criterio de importancia Figura 1. Clasificación de los ítems de inventario
se tomaron tres variables, la primera de carácter
Fuente: elaboración propia.
económico y las otras dos de carácter físico, con
esto se protege a la organización de racionalizar
sus espacios de bodegaje. La primera toma el cos- Por ello se decide trabajar con dos reclasificacio-
to, para las variables físicas se toma el peso y el nes en importancia Clase A y Clase B, con valores
volumen. Estas tres variables fueron modificadas de participación en la importancia hasta el 95 %
por el valor de ventas (demanda total) de los datos acumulado para la clase A y del 100 % acumulado
históricos suministrados. Creando cuatro catego- para la clase B, respectivamente. En general, se
rías A, B, C y D, y afectadas por un porcentaje puede decir que la nueva clase A es la integración
de composición en el cual el costo lleva un peso de la Clase A, B y C, mientras que la nueva clase
de 70 % de la calificación y los otros dos criterios, B es la clase D. En la figura 2 se muestra el flujo-
peso y volumen, un 30 % del peso relativo. En la grama de la metodología de clasificación de ítems
tabla 2 se dan los porcentajes de calificación. propuesta.
Tabla 2. Clase para criterios de importancia
Módulo de estimación de la demanda
Clase Porcentaje participación
A < =70 Para realizar el proceso de pronosticar los produc-
B < =90 tos, se toma una muestra de datos para las clases 1
C < =95 a 4, los valores se muestran en la tabla 3.
D < =100 Tabla 3. Cantidad de elementos a pronosticar
Estos valores representan el 10 % de la clase para ficación de la sección anterior, es decir, se tomaron
el tipo A y el 3 % de la clase para el tipo b. Para el los elementos más importantes de cada categoría
método de pronóstico se utilizó la mejor opción, un según el criterio unificado de movimiento y de im-
aplicativo comercial y especializado. Para determi- portancia, se le dio un código especial y requerido
nar qué ítems se seleccionaban de cada tipo y de por el aplicativo. En la tabla 4 se relacionan las di-
cada clase, se utilizó el ranking del sistema de clasi- ferentes técnicas por cada clase de elementos.
Pronóstico 1-A 1-B 2-A 2-B 3-A 3-B 4-A 4-B Real EST.
SE-EM 6 8 318 214
SE-EA 3 19 430 450
SE 10 13 7 19 2 13 2 6 872 1695
SE-LA 2 82 46
SE-LM 1 2 66 51
ML 9
DD 25
PMS 1 3 1 2 46 180
TOTAL 20 44 7 19 3 16 3 8 1848 2636
2. Seleccionar una técnica para cada clase y tipo Clase 1 Suavización expo- Si CV < 1→ =0,0001;
con la selección de parámetros lo más gene- –A nencial simple Si CV < 2→ =0,4;
rales posibles.
Si CV < 3→ =0,0001;
Por otro lado, se mitigan los efectos de permanen- por logística o el encargado de hacerlos. En
cia, tendencia y estacionalidad al considerar por este sentido, las regionales pueden hacer ob-
separado los valores de la demanda, razón muy servaciones de las estimaciones a futuro, o
importante a la hora de hacer las estimaciones. Sin bien porque consideran que no se pueden eje-
embargo se considera importante que las regiona- cutar o bien porque se consideran menores a
les clasifiquen los pedidos de la siguiente manera: la información que disponen.
●● Pedidos ordinarios: son aquellos que se en- ●● Pedidos especiales: son aquellos que trascien-
marcan dentro del pronóstico suministrado den las expectativas del pronóstico, pueden
Mejora 33,9 %
Mejora -16,3 %
Mejora 56,6 %
Como se observa, algunos productos se predicen característica dinámica, las mejoras medidas en
mejor y otros no, sin embargo cuando se realizó la MAD se dan en promedio para el último trimestre
valorización de las estimaciones se encuentra que, de validación en un 10,2 %, como lo muestran los
a medida que el proyecto se consolida y dada su resultados de la tabla 7.
Los movimientos establecen seis categorías de Los pronósticos son específicos para cada ítem,
las cuales solo se consideran cuatro con el fin pero esto conlleva a un manejo complejo del día
de realizar los pronósticos. La clase 1 representa a día, entonces dependiendo de la clasificación se
los ítems estables en el mercado ―demanda en decide establecer un modelo específico para ellos.
al menos el 87,5 % de los períodos―. La clase 2 De esto se tienen ocho modelos distintos que co-
representa los elementos que están entrando o sa- rresponde a las cuatro clases y los dos tipos. Las
liendo de la etapa de estabilidad ―demanda entre técnicas empleadas son la de suavización expo-
el 50 y 85 % de los períodos―. La clase 3 son nencial doble, suavización exponencial simple,
los ítems que están en la fase de crecimiento, es promedio móvil doble y promedio móvil simple,
decir aquellos que no tienen demanda más allá del con diferentes parámetros dependiendo del tipo.
50 % de los períodos pero esta preferencialmente Para atender el sistema de estimación de la de-
se presenta en los últimos períodos del análisis. manda en la cadena logística se sugiere hacer una
La clase 4 son para los ítems que se ubican en la sola estimación total y aplicar un factor por cada
etapa de declive, es decir, demandas en menos del ítem para cada una de las centrales, esto reduce el
50 % de los períodos, principalmente en los perio- margen de error en la estimación y disminuye los
dos iníciales del análisis. La clase 5 es para ítems niveles de existencias.
sin movimiento en el último año y deben entrar en
cuarentena o en periodo de observación. La clase
6 para elementos sin demanda, para los cuales se TRABAJOS FUTUROS
sugiere su baja.
Como trabajo futuro se plantea desarrollar una
El criterio de importancia se basa en múltiples metodología integral de gestión de inventarios
atributos, en este caso son el costo, el peso y el que considere la clasificación dinámica de los
volumen, si estos atributos son altos, el ítem debe productos, la estimación de la demanda y la asig-
estar en una clasificación más rigurosa, es decir, nación de políticas de inventario para múltiples
se debe ejercer mayor control sobre ellos. Para productos y eslabones en una cadena de suminis-
este caso se definieron dos tipos A y B. Tipo A tro, la cual puede ayudar a los gestores de dichas
son aquellos en donde la contribución marginal cadenas a mitigar las variaciones de los inventa-
ponderada y acumulada es menor al 95 %.Tipo B rios y el nivel de servicio con sus clientes.
REFERENCIAS
Chu, C.-W., Liang, G.-S., & Liao, C.-T. (2008). Ramanathan, R. (2006). ABC inventory clas-
Controlling inventory by combining ABC sification with multiple-criteria using
analysis and fuzzy classification. Comput- weighted linear optimization. Computers
ers & Industrial Engineering, 55 (4), 841- & Operations Research, 33 (3), 695-700.
851. doi:10.1016/j.cie.2008.03.006 doi:10.1016/j.cor.2004.07.014
Heizer, J. H. & Render, B. (2010). Principles of Torabi, S. A., Hatefi, S. M. & Saleck Pay, B.
Operations Management. Boston: Pearson (2012). ABC inventory classification in the
Education. presence of both quantitative and qualita-
tive criteria. Computers & Industrial En-
Hopp, W. J. & Spearman, M. L. (2008). Factory gineering, 63 (2), 530-537. doi:10.1016/j.
Physics: Foundations of Manufacturing cie.2012.04.011
Management. Irwin/McGraw-Hill.
Tsai, C.-Y, & Yeh, S.-W. (2008). A multiple objec-
Mendez Giraldo, G. A. (2003). Gerencia de ma- tive particle swarm optimization approach
nufactura Función de planeación. (Prime- for inventory classification. International
ra edición). Bogotá: Universidad Distrital Journal of Production Economics, 114 (2),
Francisco José de Caldas. 656–666. doi:10.1016/j.ijpe.2008.02.017