Ilovepdf Merged-2

Machine Translated by Google
El número actual y el archivo de texto completo de esta revista están disponibles en Emerald Insight en:
https://www.emerald.com/insight/0972-7981.htm
Un modelo de inventario para la Un modelo de

inventario para la
comercialización de pescado en una comercialización de pes
situación de bloqueo incierta y una

situación normal de pedidos pendientes
Kuppulakshmi V y Sugapriya C Recibido el 28 de septiembre de 2020
Revisado el 30 de noviembre de 2020
Queen Mary's College Chennai, Chennai, India y 30 junio 2021
Nagarajan Deivanayagam Pillai Aceptado el 14 de julio de 2021
Instituto de Tecnología y Ciencia de Hindustan, Chennai, India
Resumen
Propósito: esta investigación se formuló para obtener la cantidad óptima ordenada y el rango de inventario óptimo de productos
pesqueros en las siguientes condiciones: (1) pedidos pendientes completos (bloqueo) y (2) pedidos pendientes parciales (mercado
geográfico normal). En ambos casos, debido a la naturaleza del deterioro y en situación de cuarentena, algunos vendedores no
pueden satisfacer a los clientes (minoristas). Por lo que en este modelo se introduce el costo de penalización en tiempo de
cuarentena para obtener el costo total óptimo.
Diseño/metodología/enfoque: para encontrar el costo total, se deben considerar los costos de almacenamiento, los costos de
escasez y los costos de deterioro. Hay tantas desventajas en mantener los productos alimenticios deteriorados. Debido a la
demanda y el deterioro, se determina el costo de mantenimiento de los productos pesqueros. Se explica la cadena de suministro
del proceso de comercialización de pescado para encontrar el costo total óptimo y la cantidad óptima de pedido pendiente en las
dos situaciones, a saber, (1) pedido pendiente normal y (2) período de cuarentena.
Hallazgos: la conclusión de esta investigación se exhibe para la situación de bloqueo incierta y los mercados geográficos normales.
Pero en ambos casos, la función de demanda depende de la cantidad del pedido pendiente. El costo total esperado de los
minoristas de productos pesqueros aumentó en el menor rango posible con el aumento en el parámetro de escasez, costo de
penalización y varianza. Pero el cambio en el valor medio conduce a una disminución en la cantidad de pedidos pendientes, el nivel
de inventario y el costo total anual de los minoristas. Este análisis contribuye al servicio de la cadena de suministro de mayorista a
minorista en alto nivel.
Limitaciones/implicaciones de la investigación: los productos pesqueros son muy esenciales para la alimentación y la expansión
económica en la India. Este estudio ha destacado el método eficiente para reducir el costo total de los minoristas de comercialización
de pescado. El costo del deterioro del pescado es alto debido a su naturaleza perecedera. Debido a la situación de bloqueo, el
costo de mantenimiento de los productos pesqueros depende de la cantidad de pedidos pendientes del mercado geográfico de pescado.
Implicaciones prácticas: esta investigación se formuló para obtener la cantidad óptima ordenada y el rango de inventario óptimo de
productos pesqueros en las siguientes condiciones: (1) pedidos pendientes completos (bloqueo) y (2) pedidos pendientes parciales
(mercado geográfico normal).
Implicaciones sociales: debido a la situación de bloqueo, el costo de mantenimiento de los productos pesqueros depende de la
cantidad de pedidos pendientes del mercado geográfico de pescado. Esta investigación se formuló para obtener la cantidad
ordenada óptima y el rango de inventario óptimo de productos pesqueros.
Originalidad/valor: esta investigación se formuló para obtener la cantidad óptima ordenada y el rango de inventario óptimo de
productos pesqueros en las siguientes condiciones: (1) pedidos pendientes completos (bloqueo) y (2) pedidos pendientes parciales
(mercado geográfico normal). En ambos casos, debido a la naturaleza del deterioro y en situación de cuarentena, algunos
vendedores no pueden satisfacer a los clientes (minoristas). Por lo que en este modelo se introduce el costo de penalización en
tiempo de cuarentena para obtener el costo total óptimo. Se llevan a cabo algunos análisis de sensibilidad para la tasa de deterioro,
el parámetro de escasez y el costo de la penalización para indicar la existencia de un costo total en el rango más bajo posible.
Palabras clave Gestión pesquera, Bloqueo, Mercado geográfico, EOQ, Gestión de inventario, Costo total óptimo Tipo de
papel Trabajo de investigación
Introducción Revista de avances en

investigación gerencial
La gestión de inventarios juega un papel muy importante en la industria alimentaria, y es uno de los procesos © Emerald Publishing Limited
0972-7981
eficientes para evitar que los productos perecederos se desperdicien antes de que lleguen al almacén o al almacén. DOI 10.1108/JAMR-09-2020-0249
clientes en el proceso de la cadena de suministro. Además, esto tiene un papel importante con el aumento de la
JAMR
población y las demandas que llegan a la etapa en la que se deben almacenar los suministros para satisfacer las
necesidades. El pescado y los productos pesqueros son los materiales más necesarios para el desarrollo
alimentario y el desarrollo económico. India es el segundo país productor de pescado más grande del mundo.
La mayoría de las industrias alimentarias enfrentan pérdidas debido a que los alimentos se desperdician en
la etapa anterior y también por razones como el clima, el transporte, el mal manejo de los alimentos, etc. Por lo
tanto, se debe encontrar la forma óptima de almacenar los alimentos.
Babalola et al. (2015) derivaron el concepto de costos totales de marketing en todos los aspectos como
vendedor, comprador, minorista y cliente. Finalmente, derivaron la comercialización uniforme del pescado y las
operaciones para regular la comercialización del pescado. Nataraja et al. (2014) discutieron la comercialización
de pescado en el distrito de Ernakulam en Kerala y analizaron brevemente los canales de comercialización en
diferentes lugares. Analizaron los ingresos anuales de comisionistas, detallistas y vendedoras de diferentes
rubros. Yadav (2014) estableció la gestión de la cadena de suministro de proveedor ÿ minorista ÿ cliente. En este
documento, discutieron el proceso de conservación de los productos en descomposición para reducir la tasa de
deterioro. Este modelo es totalmente rentable para los minoristas porque los minoristas obtienen el crédito
comercial completo de los proveedores.
Balasubramanian et al. (2008) mostró el potencial de la educación sobre la comercialización del pescado y la
inestabilidad en el precio de compra: las principales limitaciones que afectan la comercialización del pescado y la
estabilidad de los precios. Lorenzen et al. (2016) recopilaron los datos de la evaluación de stock de la gestión
pesquera. Se concentraron principalmente en indicadores y modelos de ecosistemas de especies únicas y
múltiples de peces mediante la recopilación de muchos datos de muestreo de los ciclos de gestión de la pesca
continental. Payra et al. (2016) discutieron la producción y la comercialización de productos pesqueros que
investigan para la producción, las especies de peces, el costo de mantenimiento, las fuentes de pescado crudo,
el precio de venta del pescado seco, las funciones de costo involucradas en la venta y producción de productos
pesqueros. Finalmente, concluyeron que el pescado seco es más rentable que los productos pesqueros frescos
en la costa de Bengala Occidental.
Rajasekaran et al. (2018) consideró un modelo de cadena de suministro de Algoritmo Genético Genético
Modificado (MGGA) para determinar el nivel de existencias perfecto y el tiempo de revisión con las ventas perdidas.
Destacaron los parámetros de inventario para un horizonte de tiempo más largo. Johari et al. (2017) investigaron
la cadena de suministro del fabricante minorista con modelos centralizados y descentralizados con descuento
por calidad. El modo descentralizado mejora las ganancias tanto del fabricante como de los minoristas junto con
el poder de negociación. Hosseini-Motlagh et al. (2019) propusieron un problema de coordinación bajo un
escenario basado en la demanda estocástica sensible a la Responsabilidad Social Corporativa (RSC) que
enfrentan los minoristas. El contrato de precio mayorista de dos niveles ajustable propuesto tenía la capacidad
de coordinar los tres escalones SC bajo una alta incertidumbre de la demanda. Cheng y Ding (2020) explicaron
la responsabilidad social corporativa con base en los cinco escenarios bajo el efecto Lag. El beneficio de la
cadena de suministro disminuyó cuando aumenta el tiempo de demora. Entonces, intentaron reducir el tiempo de
retraso para aumentar las ganancias en la toma de decisiones descentralizada de la cadena de suministro.
Nataraja et al. (2020) se ocupó del beneficio neto de la gestión pesquera y los ingresos totales de las
sociedades de pescadores, incluidos los costes y los ingresos de la pesca. Nobil y Sedigh (2017) construyeron el
modelo matemático Fuzzy en el que asumieron variables lingüísticas al actualizar las políticas de mantenimiento
y aumentar la eficiencia de la máquina y concluyeron que el sistema alcanza el costo total reducido. Sharma et
al. (2020) presentó el marco para la gestión de la cadena de suministro de alimentos, recopiló los datos de los
últimos 15 años y explicó la revisión del desempeño de la cadena de suministro de alimentos en diferentes áreas
de la India.
Jonkman et al. (2019) concentraron principalmente la maximización del margen bruto total y la minimización del
potencial de calentamiento global en CO2 explorado durante el proceso de producción. Las incertidumbres en la
demanda y el rendimiento de la cosecha de productos agrícolas se toman en el modelo de cadena de suministro
estocástico.
Salas-Navarro et al. (2019) explica el modelo EPQ para elementos imperfectos y sigue la función de densidad de Un modelo de
probabilidad exponencial. Este documento explica cómo maximizar las ganancias en la cadena de suministro. Das inventario para la
Roy y Sana (2017) introdujeron un inventario estocástico con oferta de garantía de reparación gratuita. Este trabajo
comercialización de pes
es para encontrar el tamaño de lote de producción óptimo y se minimiza la ganancia. Vishnu et al. (2019) investigan
los factores de riesgo que intervienen en la gestión de la cadena de suministro. Se concentraron por completo en el
análisis biblométrico y usaron un software especial para clasificar este papel.
Ganesan et al. (2019) analizó un proceso de cadena de Markov para acceder a las acciones durante cuatro
meses al predecir el valor de cierre del precio de las acciones. Están utilizando el error cuadrático medio para predecir
el error de tolerancia.
Kuppulakshmi et al. (2021) explicaron el concepto de fabricación de pescado en las zonas costeras con el
deterioro de los productos pesqueros y por la demanda predefinida son capaces de minimizar el costo de producción.
En este artículo de investigación, se considera el modelo EOQ en lugar del EPQ y se minimiza el mismo costo total
en ambos artículos.
(Sugapriya y Jeyaraman, 2008) elaboraron el modelo EPQ con los mismos artículos defectuosos, pero están
brindando el descuento de precio para los productos deteriorados. Pero en este papel, los productos defectuosos se
venden por la tarifa mínima. Debido al confinamiento surge la demanda. Para evitar esta situación, la venta perdida
también se analiza en este artículo (Ulfah et al., 2021).
Teniendo en cuenta los datos recopilados en la zona costera de 30 familias para encontrar el inventario de abundancia
de peces de arrecife. La base de datos de la investigación de los vendedores de pescado al por mayor y al por menor
en la zona costera de Kasimedu, Chennai, Tamil Nadu.
Basile et al. (2020) recolectó la venta de pescado fresco en la República Democrática del Congo; compararon los
dos mercados para la venta de pescado y finalmente concluyeron que la venta se desvía para la exportación y los
artículos de pescado restantes se dividen en los dos mercados de pescado restantes. Taleizadeh et al. (2021)
explican la situación en la que un solo proveedor se enfrenta a los desafíos planteados por las distribuciones y esto
da como resultado pedidos atrasados parciales. Este proveedor de papel no logra satisfacer la demanda. Por lo
tanto, se producen pedidos pendientes y el proveedor rectifica parcialmente esta cantidad de pedidos pendientes.
Fatemi Ghomi y Asgarian (2019) dieron el marco de trabajo de distribución de los artículos deteriorados y
finalmente se concluyó que esta metodología de investigación es óptima para los pequeños comerciantes (ver Tabla
1).
Breve encuesta bibliográfica

Algunos clientes están impacientes por esperar y comprar los productos pesqueros de los pescadores debido a que
los requisitos no son críticos. Pero durante el período de veda de pescado, la demanda aumenta en las zonas
costeras. Los proveedores están listos para comprar una gran cantidad de productos pesqueros y almacenarlos
durante mucho tiempo. Los vendedores están en condiciones de satisfacer sus necesidades ofreciendo a la venta y
debe ser accesible en el momento adecuado. En alguna situación, los proveedores no pueden satisfacer a los clientes
debido a la alta demanda en una situación de bloqueo. Por lo tanto, dos tipos de escasez son la escasez de pedidos
pendientes y la pérdida de venta de productos pesqueros de acuerdo con este criterio.
Modelado matemático Para

encontrar el costo total, se deben considerar el costo de mantenimiento, el costo de escasez y el costo de deterioro.
Hay tantas desventajas en mantener los productos alimenticios deteriorados. Debido a la demanda y el deterioro, se
determina el costo de mantenimiento de los productos pesqueros. La cadena de suministro del proceso de
comercialización de pescado para encontrar el costo total óptimo y la cantidad óptima de pedido pendiente en las
dos situaciones, a saber, (1) pedido pendiente normal y (2) período de cuarentena, se explica en la Figura 1.
En el tiempo t 5 0, el producto de pescado se compra al vendedor en el área de la costa y se supone que es Q.

Luego, los compradores comienzan a comprar los productos de pescado como una venta al por mayor o al por mayor.
JAMR tipo de papel Artículo Análisis
Modelos para artículos Sugapriya y Jeyaraman (2008) Los productos imperfectos pueden obtener descuento.
imperfectos
Taleizadeh y Dehkordi (2017) Los artículos defectuosos se venden durante la venta.
Kuppulakshmi et al. (2021) Los artículos de pescado perecederos se producen durante la

navegación.
Modelos de naturaleza Hosseini-Motlagh et al. (2019) La demanda es de naturaleza estocástica y se discute un precio
estocástica de venta completo
Taleizadeh y Dehkordi (2017) Se discuten tanto la venta pendiente como la venta perdida
Ganesan et al. (2019) El modelo de cadena de Markov se deriva para el comercio de acciones
Modelos para pedidos completamente Fatemi Ghomi y Asgarian (2019) Los bienes perecederos están bajo la venta perdida
pendientes
Modelos para pedido parcialmente Taleizadeh et al. (2021) Los artículos deteriorados se consideran parcialmente como la
Tabla 1. pendiente venta perdida
Taleizadeh y Dehkordi (2017) Algunos productos deteriorados sufren la venta perdida
Análisis para pequeños
comerciantes
Iniciar la
Producción
producción
Pescadores Pescadores
Exportar Proveedores Valor añadido Recolector de pescado local
Sellador entero comisionista
comisionista
Minoristas
Minoristas
Clientes
Proveedores
Final
Figura 1.
Proceso de comercialización de
Final
pescado caso (1) y caso (2)
proceso de venta al por menor. Entonces, Q se reduce de acuerdo con la demanda. En el momento t =
t1, durante el período de bloqueo, la demanda de productos alimenticios aumenta enormemente, por lo
que la acumulación se produce en gran medida. La proporción del parámetro de acumulación durante
el período de bloqueo se define como (1 - ÿ) y durante el período normal es ÿ se muestra gráficamente
en la Figura 2.
OQ Un modelo de
inventario para la
comercialización de pes
DF
inventario
Nivel
del
DF
t1
0
Figura 2.
Trabajo atrasado durante
Sistema de control
Tiempo normal ÿB
de inventario de
productos pesqueros en
Trabajo atrasado durante periodo normal y periodo
T
Periodo de cuarentena(1 – ÿ)B de cuarentena
El precio de comercialización de los peces marinos se calcula en diferentes canales.

Proceso 1 Pescadores ÿ Minoristas ÿ clientes
Proceso 2 Pescadores ÿ Vendedores ÿ clientes
Proceso 3 Pescadores ÿ mayoristas ÿ clientes
Proceso 4 Pescadores ÿ Minoristas ÿ clientes
Este documento es similar al proceso 2 y al proceso 3. La función de costo de inventario de los vendedores
incluye la tarifa del subastador, la transacción, las instalaciones de almacenamiento, el saneamiento, el
mantenimiento y el control de calidad. El propósito de este documento es minimizar el costo anual para el
cliente en relación con las situaciones mencionadas, a saber, la situación normal y la de bloqueo.
Diferentes tipos de productos pesqueros están disponibles en la zona costera todos los días.
Según la demanda venden los productos de la pesca. Durante la situación de confinamiento, la demanda
aumenta, pero la falta de transporte y la acumulación de una mayor cantidad de pescado, algunos productos
pesqueros se dañan y deterioran. Por lo tanto, estos tipos de productos pesqueros no son aceptables para
los minoristas. Esta proporción de tipo se convierte en venta perdida a causa de estos minoristas.
Durante la situación normal, algunos clientes impacientes no están dispuestos a esperar y comprar los
productos, esta proporción de escasez se convierte en el costo promedio de escasez sin penalización.
De acuerdo con estos resultados, este modelo explica cómo puede mejorar el proceso con la satisfacción de
los clientes tanto en situación normal como de confinamiento.
El costo de almacenamiento para el producto pesquero está dado por
2
ðOQ BÞ
Costo de retención ¼ hc (1)
2DF
B2
Costo de escasez ¼ ÿLB þ ÿ (2)
2DF
El tiempo total para el proceso de inventario de producción de pescado es

JAMR
OQ yo
T¼ ¼
(3)
DF DF
El tiempo de ciclo esperado para un año se da como
OQ mi
EðTÞ ¼ E ¼
(4)
DF DF
El costo de deterioro para el total de productos pesqueros depende de la proporción de la tasa de

deterioro con el inventario
Dc ¼ ÿcI y ÿc ¼ ÿCd (5)
El costo total de los productos pesqueros el período que incluye la situación normal y la situación
de bloqueo se formula como
ðOQ BÞ B2
TCðOQ; BÞ ¼ Fc þ Hc þ ÿLB þ ÿ þ ÿc (6)
2DF 2DF
El costo total esperado para el período dado es
ðÿI BÞ B2
Hc þ ÿLB þ ÿ (7)
EðTCÞ ¼ Z1 " Fc þ 2DF 2DF
r þ ÿcI # fðÿÞdÿ
2 B2
þ ÿcI (8)
¼ Fc þ Z1 " ðÿI 2DF 2D
r BÞ Hc # fðÿÞdÿ þ ÿLB þ ÿ
1 1
Considerado R ÿ2fðÿÞdÿ ¼ m2 þ v y R ÿf ðÿÞdÿ ¼ m
r r
2
ðm2 þ vÞI Hc mIBHc þ ÿB2 B2 Hc
EðTCÞ ¼ Fc þ ÿLB þ þ þ þ mIDF D2 F (9)
2DF DF 2DF 2DF
El costo total esperado para la producción de pescado durante un año se da como
EðTCÞ
TCðI; BÞ ¼ (10)
EðTÞ
Sustituyendo la ecuación (4) y la ecuación (9) en la ecuación (10) TCðI; BÞ se da como
FcDF ÿLBDF
ðm2ÿcDF
þ vÞI ðÿ þ HcÞB2
TCðI; BÞ ¼ þ þ þ mI mI Hc
2mIBHc þ (11)
2m metro
La cantidad óptima de pescado pedida tanto para la situación normal como para la situación de
confinamiento juntas se obtiene diferenciando la ecuación (11) con respecto a I obtenemos,
FCDF ÿLBDF
Un inventario
vTCðI; BÞ ðm2 þ vÞ ðÿ þ HcÞB2
¼-
þ Hc (12) modelo para peces
vi mi 2 2m mi 2 2mI 2
marketing
Para encontrar la solución óptima para I*, sustituya vTCðI; BÞ ¼ 0
vi
FCDF ðm2 þ vÞ ÿLBDF ðÿ þ HcÞB2

ÿ
þ hc ¼0 (13)
mi 2 2m mi 2 2mI 2
Entonces la cantidad óptima ordenada se da como

ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
2FcDF þ ðÿ þ HcÞB2 þ 2ÿ0BDF

yo * ¼
(14)
s ðm2 þ vÞHc
Sustituyendo el yo * en la ecuación (11) (Apéndice 1) TCðI; BÞ se da como
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
ðm2 þ vÞ
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
ÿcDF
TCðI; BÞ ¼ pags 2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc þ BHC (15)
m2 r metro
Para encontrar la solución óptima para B* (Apéndice 2)
vTCðI; BÞ YðBÞ
¼ ¼0 (dieciséis)
vB
ðm2þvÞ
q m2 ðm2þvÞ ðÿ þ HcÞB
m2þ ÿLDF
ÿðBÞ " þ ÿðBÞ !
ðm2 þ vÞ 2 ðm2 þ vÞ
YðBÞ ¼ ððÿ þ HcÞ Þ ðÿ þ HcÞHc B2 þ 2ÿLDF ðÿ þ HcÞ
m2 m2
ðm2 þ vÞ
2DFÿLHc B þ ÿ2 LD2 F 2DFHcFc (17)
m2
Considerando la ecuación cuadrática b2 ÿ4ac para la ecuación anterior (17) suponga
ðm2 þ vÞ 2
un ¼ ððÿ þ HcÞ Þ ðÿ þ HcÞHc (18)
m2
ðm2 þ vÞ
segundo ¼
2ÿLDF ðÿ þ HcÞ 2DFÿLHc (19)
m2
ðm2 þ vÞ
do ¼ 2DFHcFc (20)
ÿ2 LD2 F
m2
ÿ ¼ b2 4ac
2
ðm2 þ vÞ ðm2 þ vÞ 2
JAMR ÿ¼ 2ÿLDF ðÿ þ HcÞ 2DFÿLHc 4 ððÿ þ HcÞ Þ
m2 m2
ðm2 þ vÞ (21)
2 ÿ2 LD2 F 3
m2
ðÿ þ HcÞHc 6 7
4 2DFHcFc 5
Según los diferentes valores de ÿ obtenemos los valores óptimos de. B* ffiffiffiffiffiffiffiffiffiffiffiffi
Para encontrar la raíz de QðBÞ usamos la fórmula. ÿb± b2 ÿ 4ac p

2a
Notaciones
DF La demanda de los productos de la pesca

yo Cantidad total pedida de pescado
B Cantidad de pedido pendiente por año
FC Costo de un pedido del producto de pescado
Corriente continua
Coste de deterioro de los productos pesqueros
hc Costo de mantenimiento del producto pesquero en un año
Q Pescado cantidad pedida
ÿ Productos pesqueros no defectuosos (r ÿ ÿ ÿ 1)
fÿ Función de densidad de probabilidad de artículo defectuoso con media (m) y varianza (v)
sn Costo de escasez durante el tiempo de ejecución normal
SL Costo de escasez durante el período de bloqueo
ÿ Tasa de deterioro
ÿc costo de deterioro
T OQ
(Tiempo total del ciclo)
DF
OQ yo
ÿL ÿ ÿÿL þ ð1ÿ ÿÞðÿL þ Fs ÿFpÞ
ÿÿ þ ð1ÿ ÿÞÿ
Precio de venta de una unidad de producto de pescado
fs Costo de compra de una unidad de producto de pescado
Fp
ÿ Costo de penalización por una unidad perdida durante el período normal
ÿ Parámetro de escasez de proporción
Eð: Þ Valor esperado
TCðI; BÞ Coste total de los productos pesqueros en un año
Costo de los productos pesqueros que se encuentran en pedidos pendientes durante la situación de confinamiento
ÿL
ÿ Costo de productos pesqueros que se encuentran en pedidos pendientes durante el tiempo de ejecución normal
Coste de la penalización por los productos pesqueros que se pierden durante la situación de confinamiento
l
Tabla 2. Suposición
La tabla proporciona la 1. Costo promedio de escasez independiente del confinamiento que es una función convexa de ÿL y ÿL þ Fs ÿFp con
notaciones y la incluyendo el lucro cesante
suposiciones 2. Costo promedio de escasez durante el período normal que es una función convexa de ÿ y ÿ
ÿ ÿ yo * TC ¼ ðI *; B*Þ$
ÿL B*
0,2 0,2 1,9 488 2.829 641
Tabla 3.
0,3 0,3 1,85 820 4.265 669
Proporciona sensibilidad
0,4 0,4 1,8 1.228 6.104 762
análisis de cambio de
0,5 0,5 1,75 1.712 8.362 923
parámetro de escasez
0,6 0,6 1,7 2.277 11.065 1,160
BÞ ; y costo total TC ð I
pedidos, nivel de inventario
Impacto de ÿ en la espalda
Figura 3.
Nivel
del
inventario
( º)
yo
10000 11000 12000
0,2
2000 3000 4000 5000 6000 7000 8000 9000
0.25
0.3
Impacto
de
ÿen
el
parámetro
de
escasez
I(ÿ)
0.35
(b)
0.4
*)
B
Pedidos
atrasados
(
1000 1500 2000 2500
0,45 500
0.2
0
0.5
0.25
0,55
0.3
Impacto
de
ÿen
B parámetro
de
escasez
(ÿ)
0.6
0.35
Costo
total
de
los
productos
pesqueros
TC( º)
Bº,
yo (a)
0.4
1000 1100 1200
0.2
600 700 800 900
0,45
0.25
0.5
0.3
0,55
Impacto
de
ÿen
TC(I,
B)
parámetro
de
escasez
(ÿ)
0.35
0.6
(C) 0.4
0,45
0.5
0,55
0.6
marketing
modelo para peces
Un inventario
JAMR Por lo tanto, obtenemos la solución óptima para B* como

ffiffiffiffi
ÿðm2þvÞ ÿ p
m2 2ÿLDF ðÿ þ HcÞ þ 2DFÿLHc þ
segundo* ¼ (22)
2
2 ðm2þvÞ ððÿ þ HcÞ Þ ðÿ þ HcÞHc
m2
o
ffiffiffiffi
ÿðm2þvÞ ÿ p
m2 2ÿLDF ðÿ þ HcÞ 2DFÿLHc þ
segundo* ¼ (23)
2
2 ðm2þvÞ ððÿ þ HcÞ Þ ðÿ þ HcÞHc
m2 La segunda cantidad para el valor óptimo de B* es negativa, por lo que hemos considerado la primera
cantidad.
Usando MATLAB R2014b, podemos encontrar el valor óptimo para TCðI; BÞ
ÿcDF
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
ðm2 þ vÞ
TCðI; BÞ ¼ pags2FcDFHc þ ðÿ þ HcÞB*2Hc þ 2B*ÿLDFHc þ B* Hc (24)
m2 r metro
Demostrando la convexidad de la función de costo, podemos decir que TC (I, B) es mínimo.

Para convexidad, debe satisfacer (Ver Apéndice 2)
v2 TCðI; BÞ
ðiÞ >0 (25)
vi 2
v2 CT v2 CT v2 CT
ðiiÞ >0 (26)
vi 2 vB2 vbvi
Resultado numérico y análisis de sensibilidad

Para ilustrar los cálculos numéricos para el modelo propuesto algunos de los valores de la
Los parámetros se adoptan de (Taleizadeh y Dehkordi, 2017). La cantidad demandada del
el pescado está determinado por su precio, así como por las situaciones de confinamiento. Los compradores también compran
los productos pesqueros con diferentes precios en un mercado. La naturaleza muy deteriorada de los peces.
productos conduce a fluctuaciones en el costo total del sistema. Aquí, dos situaciones son normales
Se consideran la situación de atraso y la situación de atraso en cuarentena. En cuarentena
situación, los minoristas no tienen paciencia para esperar en la cola; se van por falta de tiempo
y la calidad deficiente del producto pesquero. Este ejemplo numérico se explica para
demostrar el impacto del parámetro de escasez (ÿ), el costo de la penalización (ÿ), la varianza (ÿ) y la media
(metro). En la Tabla 2, usando los valores de ÿ, ÿðÿÿ þ ð1ÿÿÞÿÞ y ÿLðÿÿL þ ð1ÿÿÞ
Se determinan ðÿL þ Fs ÿFpÞÞ . Además, en todos los casos la condición de convexidad es
satisfecho y se explica en el Apéndice 3. Consideremos m 5 0.7, ÿ 5 0.01, Hc ¼ $3 unidad/
año, ÿL ¼ 1:5, ÿ 5 1, mL ¼ $1:5=unidad, ÿ 5 0/unidad/año, ÿL þ Fs ÿFp ¼ $2=unidad, DF 5 200,
Fc 5 500, ÿc 5 0,3. En las ecuaciones (14), (22) y (24) sustituyendo los valores anteriores y los valores
ÿ yo * TC ¼ ðI *; B*Þ$
metro
ÿL B*
0,2 0,36 1,9 1.041 5.271 728
Tabla 4. 0,3 0,44 1,9 1.301 6.843 832

0,4 0,52 1,9 1.763 8.652 977
Análisis de sensibilidad para
cambio de costo de 0,5 0,60 1,9 2.188 10.703 1,168
pena m 0,6 0,68 1,9 2.656 13.005 1,406
Impacto de m en la espalda
Figura 4. *l
Nivel
de
inventario
total
10000 11000 12000 13000 14000
0.2
5000 6000 7000 8000 9000
0.25
0.3
Impacto
de
ÿen
I
Coste
de
la
sanción
µ 0.35
(b)
0.4 '
Espalda
total B
ders
ro
10000.2 1200 1400 1600 1800 2000 2200 2400 2600 2800
0,45
0.5
0.25
0,55
0.3
0.6 Impacto
de
ÿen
B
0.35
Coste
de
la
sanción
µ
*
Coste
total CT,yo( *)
segundo
(a)
0.4
1000 1100 1200 1300 1400 1500
0.2
700 800 900
0,45
0.25
0.5
0.3
Impacto
de
ÿen
TC
=
(I*,
B*) 0,55
0.35
0,45
0,4
Coste
de
la
sanción
µ
0.6
(C)
0.5
0,55
0.6
marketing
modelo para peces
Un inventario
JAMR en la Tabla 2 ðÿ; ÿ y ÿLÞ obtenemos el nivel de inventario óptimo ðI *Þ , pedidos pendientes óptimos
cantidad que incluye tanto el período normal como el de cuarentena ðB*Þ y el costo total óptimo
para el proceso de inventario TC ¼ ðI *; B*Þ.
En la Tabla 3, aumentar el valor del parámetro de escasez conduce a disminuir el valor de ÿL.
La tasa de pedidos pendientes también se incrementa por el aumento en el parámetro de escasez. A pesar de
aumento en el valor del nivel de inventario I el costo* total del ciclo se incrementa en lo mínimo
rango posible. Los valores numéricos se comparan con (Taleizadeh y Dehkordi, 2017) con
algunos índices similares y los resultados se muestran en la Figura 3 y la Tabla 3. Al comparar todos
los resultados los valores negativos se producen en el nivel de pedido pendiente óptimo y óptimo
Nivel del inventario. Cuando los parámetros de escasez ðÿÞ aumentan de (0.2, 0.3, 0.4, 0.5, 0.6) a
determinar los pedidos atrasados tanto en situaciones normales como de cuarentena. sustituyendo
ðÿ; ÿ y ÿLÞen las ecuaciones (14), (22) y (24) obtenemos el nivel de inventario óptimoðI *Þ, óptimo
cantidad de pedido pendiente que incluye tanto el período normal como el de cuarentena ðB*Þ y el
costo total óptimo para el proceso de inventario TC ¼ ðI *; B*Þ. Al comparar (Taleizadeh
y Dehkordi, 2017) todos los valores son factibles y no negativos. Si bien la tasa de escasez
aumenta el parámetro, el nivel de pedidos pendientes también aumenta, por lo que el costo de la penalización aumenta en ambos
El período normal y de cuarentena se muestra en la Figura 3. De acuerdo con eso, el costo total óptimo
para la comercialización de pescado se incrementa.
En la Tabla 4, aumentar el valor del costo de la penalización es aumentar el valor de ÿ.
La tasa de pedidos pendientes también se incrementa por el aumento en el costo de la multa. Pero no hay
cambio de parámetro en ÿL mientras aumenta el costo de penalización. A pesar de que aumenta el valor de
nivel de inventario I *; se muestra el costo total del ciclo incrementado en el menor rango posible
en la Figura 4. Configuración del valor numérico de la tasa de pedido pendiente ðÿÞ, media (m) y varianza (ÿ)
son iguales al primer valor en la Tabla 2. Al aumentar el valor del costo de la sanción ðmÞde
(0,2, 0,3, 0,4, 0,5, 0,6) para la situación crítica, los minoristas no están satisfechos con la menor calidad
de producto pesquero y no tienen paciencia para hacer cola. El valor ÿ en la normal
situación varía de 0,36 y aumenta al menos rango posible. Incluso en este análisis
aunque el costo de la sanción aumenta, no hay cambios en el período de cuarentena ÿL. los
el nivel de pedidos atrasados y el nivel de inventario aumentan constantemente cuando aumenta el costo de penalización.
Comparando la Tabla 3 con la Tabla 4, los valores de la Tabla 4 son altos debido a la penalización por pérdida de venta.
Pero, el costo óptimo total TC ¼ ðI *; B*Þaumenta al menos el rango posible aunque el
valores en pedidos pendientes y el nivel de inventario aumenta en la Tabla 4.
En la Tabla 5, al aumentar el valor del valor medio de la expectativa, no hay cambio en ÿ y
ÿ0. La tasa de pedidos pendientes se reduce por el aumento en el valor medio (m). Disminución del valor de
(m) se disminuye el nivel de inventario I En la *Tabla
. 5, se disminuye el costo total del ciclo en el
menor rango posible. Cambiando los valores de m de (0.2, 0.4, 0.6, 0.8, 1) y manteniendo el
la tasa de pedidos pendientes ðÿÞ, el costo de la penalización ðmÞ y la varianza (ÿ) permanecen constantes. el pedido pendiente
el valor, incluida la cuarentena y la situación normal, se está reduciendo. El nivel de inventario
ðI *Þ reducido rápidamente. Al comparar con (Taleizadeh y Dehkordi, 2017) aumento en
*
metro ÿ ÿL B* yo
TC ¼ ðI *; B*Þ$
0,2 0,2 1,9 3,230 46.502 2,235

0,4 0,2 1,9 913 7.935 780
Tabla 5. 0,6 0,2 1,9 561 3.644 661
Análisis de sensibilidad para 0,8 0,2 1,9 438 2.302 630
cambio de parámetro m 1 0,2 1,9 371 1.654 619

Impacto de m en la espalda
Figura 5.
Nivel
de
inventario
total
*l
0.5 1.5 2.5 3.5 4.5
0.2
0 1 2 3 4 ÿ104
5
0.3
0.4
0.5
Impacto
de
men
I
valor
medio
m
(b) 0.6 Total
de
pedidos
pendientes B*
1000 1500 2000 2500 3000 3500
500
0.2
0
0.7
0.3
0.8
0.4
0.9
Impacto
de
men
B
0.5
valor
medio
m
1
*)
B*,
I(st
Total
co
TC (a) 0.6
1000 1200 1400 1600 1800 2000 2200 2400
0.2
600 800 yo
0.7
0.3
0.8
0.4
0.9
Impacto
de
men
TC
=
(I*,
B*)
0.5
valor
medio
m
1
0.6
(C)
0.7
0.8
0.9
marketing 1
modelo para peces
Un inventario
; ð IB Þ
inventario y costo total TC
pendientes, nivel de
Impacto de v en pedidos
Nivel
de
inventario
total ºI Figura 6.
10000
0
2000 3000 4000 5000 6000 7000 8000 9000
0.01
0.02
0,03
0,04
0,05
0,06
0,07
Impacto
de
ven
I
Valor
de
varianza
v
Total
de
pedidos
pendientes Bº
(b)
1000 1200 1400 1600 2200
2000
1800
0
200 400 800
600
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0.08
0.09
Impacto
de
ven
B
Valor
de
varianza
v
Costo
total
CT( º)
Bº,
yo
(a)
1000 1100 1200 1300 1400
0
600 700 800 900
0.01
0.02
Impacto
de
ven
TC
=
(I*,
B*)
0.03
Valor
de
varianza
v
0.04
(C)
0,05
0,06
0,07
0.08
0.09
JAMR
valor medio en el rango mínimo posible, el costo total de la función disminuye hasta cierto punto Un inventario
y luego, de repente, comienza a aumentar al máximo. Pero, en este trabajo aumentando la media modelo para peces
valor (m) da como resultado la rápida disminución en el costo total que se muestra en la Figura 5, este beneficio para
marketing
el mayorista aún en la situación de cuarentena, podría ser una gran oportunidad para el pescado
marketing para impulsar su venta en el mercado.
El valor de la varianza aumenta, no hay cambio en ÿ y ÿ0. Tasa de pedidos pendientes
aumenta cuando hay un aumento en la varianza ðvÞ se muestra en la Figura 6. Si bien hay
*
aumento en el valor de ðvÞ, el nivel de inventario I también aumenta. El costo total de
el ciclo se incrementa en el menor rango posible. Configuración del valor numérico
de varianza ðvÞ como (0, 0.03, 0.050, 0.070, 0.090) y manteniendo la tasa de pedido pendiente ðÿÞ, costo
de pena ðmÞ y media (m) como constante. Los valores de ÿ y ÿL permanecen constantes como
se muestra en la Tabla 6 , pero el nivel de pedido pendiente y el nivel de inventario óptimo aumentan
enormemente a pesar de que el costo total del sistema aumenta lo menos posible
rango (ver Tabla 7).
Conclusión
La conclusión de esta investigación se exhibe para el período incierto de veda de pescado y el normal
mercados geográficos. Pero en ambos casos, la función de demanda es dependiente con la
cantidad de pedido pendiente. El costo total esperado de los minoristas de productos pesqueros aumentó al
menor rango posible con el aumento en el parámetro de escasez, costo de penalización y
diferencia. Pero el cambio en el valor medio conduce a una disminución en la cantidad de pedidos pendientes,
nivel de inventario y el costo total anual de los minoristas. Este análisis aporta la
servicio de cadena de suministro de mayorista a minorista en alto nivel. El análisis de sensibilidad
muestra que el costo total esperado del modelo EOQ para la comercialización de pescado es óptimo al encontrar
v ÿ yo * TC ¼ ðI *; B*Þ$
ÿL B*
0 0,2 1,9 327 2.200 645
0,030 0,2 1,9 856 4.292 707
0,050 0,2 1,9 1.268 5.918 849 Tabla 6.
0,070 0,2 1,9 1.712 7.635 1,057 Análisis de sensibilidad para
0,090 0,2 1,9 2.182 9.402 1,331 cambio de parámetro v
Artículo Criterios Resultado de este documento
Sugapriya y Los productos imperfectos pueden obtener Estos artículos imperfectos de papel son vendidos por el
Jeyaraman (2008) descuento tarifa reducida
Taleizadeh y Los artículos defectuosos se venden durante la venta. La venta combinada de los productos son
Dehkordi (2017) La última venta y el pedido pendiente considera tanto para la venta al por mayor como para
cantidad se definen en este modelo minoristas Este documento también considera la

venta perdida pero el costo total óptimo es
obtenido para la demanda
Kuppulakshmi et al. Las funciones de coste tratadas como pentagonales El deterioro de los productos es
(2021) número borroso considerado pero la cantidad de pedido pendiente
es muy inferior con el aumento de la
parámetros
Hosseini-Motlagh La demanda estocástica se sigue en este La distribución exponencial se sigue para obtener Tabla 7.
et al. (2019) papel la funcion de costo Estudio comparativo
JAMR la cantidad de pedido pendiente. Esta demanda probabilística imperfecta para el período incierto de veda de pescado
y el mercado estacional normal es un buen enfoque para encontrar la cantidad de pedidos pendientes para que tanto
los minoristas como los vendedores completos hagan estrategias conjuntas para rectificar la demanda del mercado.
Este modelo propuesto es válido en la venta de pescado, fabricación de pescado seco, producto de valor agregado
de diferentes artículos de pescado. Este es el buen momento para actuar en este campo porque en un período incierto
de veda de pescado, los pescadores de venta al por mayor y al por menor tienen varias carencias en la planificación
conjunta.
El beneficio nuevo y vital de esta investigación; El modelo EOQ del mercado de pescado considera que la
demanda de productos pesqueros sigue la distribución exponencial, Productos pesqueros deteriorados imperfectos.
Al predecir la cantidad de pedidos pendientes, podemos reducir el costo total de los mercados de pescado tanto en la
situación de cierre como en la normal. Determinar la demanda de productos pesqueros en la incierta situación de
confinamiento y suministrar a los minoristas pescado de buena calidad para maximizar las ventas.
Este análisis de sensibilidad muestra la proporción de variación en el costo total con la variación en los parámetros.
Además, esta investigación se puede desarrollar asumiendo los parámetros de costo en ecuaciones no lineales y en
un entorno difuso.
Referencias
Babalola, D., Bajimi, O. e Isitor, S. (2015), “Potencial económico de la comercialización de pescado y las mujeres
empoderamiento en Nigeria: evidencia del estado de Ogun”. doi: 10.4314/AJFAND.V15I2.
Balasubramanian, GK, Datta, K., Joshi, PK, Katiha, P. y Menon, M. (2008), “Comercialización nacional de pescado
en India: estructura, conducta, desempeño y políticas cambiantes”, Revisión de investigación económica
agrícola, vol. 21, págs. 345-354.
Basile, M., Tchomba, Lusasi Swana, W., Kilingwa, C., Mbumba, P., Kavumbu, S. and Kiamfu, V.
(2020), “Inventario de pescado fresco comercializado en los mercados de Kinshasa en la república
democrática del Congo (caso de los mercados de Gambela y Matete)”, International Journal of Applied
Research, vol. 6, págs. 102-108.
Cheng, H. y Ding, H. (2020), “Decisión de incentivos para la cadena de suministro con responsabilidad social
corporativa y efecto de retraso”, Sostenibilidad, vol. 12 núm. 7, pág. 2608, doi: 10.3390/su12072608.
Das Roy, M. y Sana, SS (2017), “Demanda estocástica sensible al precio de venta aleatoria: un modelo de
producción imperfecto con garantía de reparación gratuita”, Journal of Advances in Management Research,
vol. 14 No. 4, págs. 408-424, doi: 10.1108/JAMR-10-2016-0086.
Fatemi Ghomi, SMT y Asgarian, B. (2019), "Desarrollo de metaheurísticas para resolver un problema de
enrutamiento de ubicación de inventario de transporte considerando la venta perdida de productos
perecederos", Journal of Modeling in Management, vol. 14 N° 1, págs. 175-198, doi: 10.1108/
JM2-05-2018-0064.
Ganesan, K., Annamalai, U. y Deivanayagampillai, N. (2019), “Un nuevo modelo integrado de pronóstico basado
en la cadena de Markov de FCM de umbral para analizar el poder de la tendencia del comercio de
acciones”, Financial Innovation, vol. 5 núm. 1, pág. 35, doi: 10.1186/s40854-019-0150-4.
Hosseini-Motlagh, S.-M., Govindan, K., Nematollahi, M. y Jokar, A. (2019), “Un contrato de precio mayorista de
dos niveles ajustable para coordinar una cadena de suministro bajo una demanda estocástica basada en
escenarios”, Revista Internacional de Economía de la Producción, vol. 214, págs. 175-195, doi: 10.1016/j.
ijpe.2019.03.003.
Johari, M., Hosseini-Motlagh, S.-M. y Nematollahi, M. (2017), "Coordinación simultánea del período de revisión y
orden hasta el nivel en una cadena de fabricante-minorista", Journal of Industrial and Systems Engineering,
vol. 10 (edición especial sobre producción e inventario), pp. 1-17.
Jonkman, J., Barbosa-P ovoa, AP y Bloemhof, JM (2019), "Integración de decisiones de cosecha en el diseño de
cadenas de suministro agroalimentarias", European Journal of Operational Research, vol. 276 No. 1, pp.
247-258, doi: 10.1016/j.ejor.2018.12.024.
Kuppulakshmi, V., Sugapriya, C. y Nagarajan, D. (2021), “Modelo económico de inventario de producción pesquera Un modelo de
para artículos perecederos de pescado con la tasa de desintegración y el valor agregado bajo el número inventario para la
borroso pentagonal”, Complex and Intelligent Systems, vol. 7 N° 1, págs. 417-428, doi: 10.1007/s40747-
020-00222-8. comercialización de pes
Lorenzen, K., Cowx, IG, Entsua-Mensah, REM, Lester, NP, Koehn, JD, Randall, RG, So, N., Bonar, SA, Bunnell, DB,
Venturelli, P., Bower, SD y Cooke , SJ (2016), “Evaluación de poblaciones en la pesca continental: una base
para el uso sostenible y la conservación”, Reseñas en Fish Biology and Fisheries, vol. 26 No. 3, págs. 405-440,
doi: 10.1007/s11160-016-9435-0.
Natarajan, A., Narayanakumar, R. y Harshan, N. (2014), "Costos de comercialización, márgenes y eficiencia de la
comercialización de pescado marino doméstico en Kerala", Indian Journal of Fisheries, vol. 61, págs. 97-102.
Natarajan, A., Narayanakumar, R. y Harshan, N. (2020), “Desempeño tecnológico y económico de la pesca mecanizada
en Karwar, Karnataka”, Indian Journal of Fisheries, vol. 64, págs. 61-65.
Nobil, AH y Sedigh, AHA (2017), "Un modelo de inventario de cantidad de producción económica con un sistema de
producción defectuoso y tiempo de actividad incierto", International Journal of Inventory Research, vol. 4 Nos
2–3, págs. 132-147, doi: 10.1504/IJIR.2017.088756.
Payra, P., Maity, R., Maity, S., Mandal, B., Correspondence, B. y Mandal (2016), “Producción y comercialización de
pescado seco mediante prácticas tradicionales en la costa de Bengala Occidental: problemas y perspectivas” ,
Revista Internacional de Pesca y Estudios Acuáticos, vol. 4 núm. 6, págs. 118-123.
Rajasekaran, R., Pandi, AP, Sethupathi, PVR y Rajesh, R. (2018), “Parámetros de inventario para una cadena de
suministro en serie con pérdida de ventas a través del enfoque de algoritmo genético”, IJENM, vol. 9 núm. 1,
pág. 22, doi: 10.1504/IJENM.2018.092059.
Salas-Navarro, K., Acevedo-Chedid, J., Arquez, GM, Florez, WF, Ospina-Mateus, H., Sana, SS and C ardenas-Barr
on, LE (2019), “An EPQ Inventory Model Considering un sistema de producción imperfecto con demanda
probabilística y enfoque colaborativo”, Journal of Advances in Management Research, vol. 17 No. 2, págs.
282-304, doi: 10.1108/JAMR-07-2019-0141.
Sharma, J., Tyagi, M. y Bhardwaj, A. (2020), "Revisión paramétrica de las implicaciones del desempeño de la cadena
de suministro de alimentos bajo diferentes aspectos", Journal of Advances in Management Research, vol. 17
núm. 3, págs. 421-453.
Sugapriya, C. y Jeyaraman, K. (2008), "Determinación de un tiempo de ciclo de producción común para un modelo
Epq con artículos que se deterioran de forma no instantánea que permite el descuento de precios utilizando la
demora permisible en los pagos", ARPN Journal of Engineering and Applied Sciences, vol. 3 núm. 2, págs. 26-30.
Taleizadeh, AA y Dehkordi, NZ (2017), “Un modelo de tamaño de lote estocástico con pedidos pendientes parciales y
procesos de producción imperfectos”, IJIR, vol. 4 núm. 1, pág. 75, doi: 10.1504/IJIR.2017.085356.
Taleizadeh, AA, Tafakkori, K. y Thaichon, P. (2021), "Resiliencia hacia las interrupciones del suministro: un modelo de
control de inventario estocástico con pedidos pendientes parciales bajo la política de existencias base", Journal
of Retailing and Consumer Services, vol. 58, 102291, doi: 10.1016/j.jretconser.2020. 102291.
Ulfah, M., Isfani, RK, Indra, Turnip, IN y Dirgantara, R. (2021), "Identificación e inventario de la abundancia de peces
de arrecife en West Simeulue MPA, Aceh, Indonesia", Serie de conferencias IOP: Earth Environental Science,
vol. . 674 N° 1, 012032, doi: 10.1088/1755-1315/674/1/012032.
Vishnu, CR, Sridharan, R., Gunasekaran, A. y Ram Kumar, PN (2019), "Capacidades estratégicas para gestionar los
riesgos en las cadenas de suministro: estado actual y futuros de la investigación", Journal of Advances in
Management Research, vol. 17 No. 2, págs. 173-211, doi: 10.1108/JAMR-04-2019-0061.
Yadav, D. (2014), "Gestión de la cadena de suministro para la financiación de créditos comerciales de dos niveles con
demanda dependiente del precio de venta bajo el efecto de la tecnología de conservación", International
Journal of Procurement Management, vol. 7, págs. 695-718, doi: 10.1504/IJPM.2014.064978.
JAMR Apéndice 1
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
* 2FcDF þ ðÿ þ HcÞB2 þ 2ÿ0BDF ðm2 þ vÞHc

yo ¼
Sustituyendo la ecuación (14) en la ecuación (11), obtenemos
FCDF ðm2 þ vÞI ÿLBDF ðÿ þ HcÞB2 2mI ÿcDF

TCðI; BÞ ¼ þ mI Hc BHc þ þ 2m mi þ
metro
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
2FcDFþðÿþHcÞB2þ2ÿ0BDF
FCDF ðm2 þ vÞHc p ðm2 þ vÞ þ p
ðm2þvÞHc q
TCðI; BÞ ¼ ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
hc
metro 2m
2FcDF þ ðÿ þ HcÞB2 þ 2ÿ0BDF ðm2 þ vÞHc p
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
ÿLBDF
þ ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
m pags2FcDF þ ðÿ þ HcÞB2 þ 2ÿ0BDF ðÿ þ HcÞB2
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
vÞHc p ðm2 þ ÿcDF
þ ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
BHc þ
2m pags2FcDF þ ðÿ þ HcÞB2 þ 2ÿ0BDF
metro
ðm2 þ vÞ p
ÿcDF
TCðI; BÞ ¼ 2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc þ BHC
m2 r metro
Apéndice 2
uffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffff
vTCðI; BÞ mB ðm2 þ vÞ 1 2Bðÿ þ HcÞHc þ 2ÿLDFHc

¼ ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
hc
m2 r 2
pags2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc
uffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffff
ðm2 þ vÞ Bðÿ þ HcÞ þ ÿLDF

¼ Hc " m2 r ¼ Hc " _ pags2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc 1#
ðm2 þ vÞ ðBðÿ þ HcÞ þ ÿLDF Þ pags2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc

#
q 2FcDFHc þ ðÿ þ HcÞB2 Hc þ 2BÿLDFHc
ðm2 þ vÞ ðBðÿ þ HcÞ þ ÿLDF Þ p pags2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc

¼ Hc " ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi _
2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc #
ffiffiffiffiffiffiffiffiffiffiffiffiffi
0 ðm2þvÞ 1
m2 q ðBðÿ þ HcÞ þ ÿLDF Þ þ q 2FcDFHc þ ðÿ þ HcÞB2 Hc þ 2BÿLDFHc
ffiffiffiffiffiffiffiffiffiffiffiffiffi
ðm2þvÞ
m2 q ðBðÿ þ HcÞ þ ÿLDF Þ þ q 2FcDFHc þ ðÿ þ HcÞB2 Hc þ 2BÿLDFHc
BBB@ CCCA
ðm2 þ vÞ 2
þ ÿ2 LD2 F þ 2Bðÿ þ HcÞÿLDF Þ Un modelo de
B2 ðÿ þ HcÞ m2
inventario para la
2FcDFHc B2 ðÿ þ HcÞHc 2BÿLDFHc comercialización de pes

¼
ffiffiffiffiffiffiffiffiffiffiffiffi ffiffiffiffiffiffiffiffiffiffiffiffiffi
¼0
ðm2þvÞ ðm2þvÞ
ÿðBÞ m2 q Bðÿ þ HcÞ þ
m2 q ÿLFc þ ÿðBÞ !
YðBÞ
¼
ffiffiffiffiffiffiffiffiffiffiffiffi ffiffiffiffiffiffiffiffiffiffiffiffiffi
¼0
ðm2þvÞ ðm2þvÞ
ÿðBÞ m2 q Bðÿ þ HcÞ þ
m2 q ÿLFc þ ÿðBÞ !
Fueron ÿðBÞ ¼ pags 2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc ðm2 þ vÞ
2
B2 ðÿ þ HcÞ þ ÿ2 LD2 F þ 2Bðÿ þ HcÞÿLDF Þ
YðBÞ ¼ m2
2FcDFHc B2 ðÿ þ HcÞHc 2BÿLDFHc
Apéndice 3
Para probar la condición (1)
vTCðI; BÞ FCDF ðm2 þ vÞ ÿLBDF ðÿ þ HcÞB2

¼-
þ hc
VI mi 2 2m mI 2 2mI 2
v2 TCðI; BÞ FcDF 2ÿLBDF ¼ 2 2ðÿ þ HcÞB2

> 0 þ þ mI 3 mI 3 mI 3
vi 2
Para probar la condición (2)
v2 TC 2ÿLDF mI
¼ ÿ2Bðÿ þ HcÞ vBvI
2
2 2
v2 CT 4m2 B2 Yo4 ðÿ þ HcÞ þ 4ÿ2 LD2 F þ 8ðÿ þ HcÞÿÿLmI
2
BDF
¼
vbvi mi 2
v2 CT ðÿ þ HcÞ ÿLDF þ vB2

¼
mI mI ðÿ
þ Hc þ ÿLDF Þ 2B2 ðÿþþ2DFHcÞ
2ÿLBDF HcÞ þ
2 4 2 2
v2 TC v2 TC v2 CT 4ðB2 m2 yo ðÿ þ HcÞ þ 4ÿ2 LD2 F þ 8ðÿ þ HcÞÿÿLmI m2I 2 BDF
¼
vi 2 vB2 vbvi
Siempre que,
JAMR
ðÿ þ Hc þ ÿLDF Þ 2B2 ðÿ þ HcÞ þ 2ÿLBDF þ 2DFHcÞ > þ
4 2 2
4ðB2 m2 yo ðÿ þ HcÞ 4ÿ2 LD2 F þ 8ðÿ þ HcÞÿÿLmI BDF
Se puede contactar al
autor correspondiente Nagarajan Deivanayagam Pillai en: dnrmsu2002@yahoo.com
Para obtener instrucciones sobre cómo solicitar reimpresiones de este artículo, visite
nuestro sitio web: www.emeraldgrouppublishing.com/licensing/reprints.htm O comuníquese
con nosotros para obtener más detalles: permisos@emeraldinsight.com
Ingeniare. Revista chilena de ingeniería, vol. 27 N° 1, 2019, págs. 89-100
Margen de contribución óptimo en servicio de alimentos usando control de

inventario con dependencia estadística
Márgenes de contribuciones óptimas en servicios de alimentación usando control de

inventarios con dependencia estadística
Fernando Rojas1,2*
Recibido el 21 de julio de 2017, aceptado el 19 de febrero de 2018

Recibido: 21 de julio de 2017 Aceptado: 19 de febrero de 2018
RESUMEN
En esta revisión comparamos diferentes modelos estadísticos que optimizan los márgenes de contribución de empresas de servicios
de alimentos que producen raciones de alimentos, denominados menús, basados en materias primas denominadas componentes.
Esta revisión tiene como objetivo comparar el control de inventario de los servicios de alimentación considerando la demanda
aleatoria de los componentes y la estructura de dependencia estadística respecto a componentes con demanda independiente. La
dependencia estadística entre las demandas de componentes y/o menús se incorpora mediante la distribución gaussiana (o normal)
multivariante, mientras que la demanda independiente de componentes se considera univariada normal. La optimización de los
márgenes de contribución se logra utilizando modelos probabilísticos para cada inventario de componentes, encontrando políticas
óptimas utilizando un algoritmo de evolución diferencial. Maximizamos los márgenes medios de contribución en un 18,32% y un
8,34% utilizando modelos de revisión continua en abarrotes y de modelos uni-período para componentes perecederos, al comparar
resultados con y sin dependencia estadística de la demanda de componentes, respectivamente . Se discuten las direcciones futuras.
Palabras clave: Dependencia estadística, distribuciones multivariadas, márgenes de contribución, métodos de optimización, modelos
de inventario probabilísticos.
RESUMEN
En esta revisión comparamos diferentes modelos estadísticos que optimizan los márgenes de contribución de las empresas de
servicios de alimentación que elaboran raciones de alimentos denominadas menús a partir de materias primas denominadas componentes.
Esta revisión tiene como objetivo comparar el control de inventario para servicios de alimentos considerando la demanda aleatoria y
la dependencia de la estructura con respecto a las demandas independientes de los componentes. La dependencia estadística entre
demandas de componentes o menús se incorpora mediante distribución gaussiana (o normal) multivariada, mientras que la demanda
independiente de componentes se considera normal univariada. La optimización de los márgenes de contribución se logra utilizando
modelos probabilísticos para cada componente de los inventarios y encontrando pólizas óptimas por el algoritmo de evolución
diferencial. Maximizamos los márgenes de contribución promedio en un 18.32% y 8.34% utilizando modelos de revisión continua para
abarrotes y de período único para perecederos con y sin dependencia estadística de la demanda, respectivamente. Se discuten
direcciones futuras.
Palabras clave: Márgenes de contribución, distribuciones multivariadas, inventario de modelos probabilísticos, métodos de
optimización, dependencia estadística.
1 Facultad de Farmacia. Escuela de Nutrición y Dietética. Universidad de Valparaiso. Valparaíso, Chile. Correo electrónico:
fernando.rojas@uv.c 2 Facultad de Farmacia. Centro de Micro-Bio Innovación. Universidad de Valparaiso. Valparaíso, Chile
* Autor de correspondencia.
Fernando Rojas: Margen de contribución óptimo en servicio de alimentos utilizando control de inventario con dependencia estadística
INTRODUCCIÓN en cuanto a la distribución de probabilidad es necesario optimizar

el costo total de inventario.
Los servicios colectivos de alimentación se consideran
mayoritariamente en el grupo de las pequeñas y medianas empresas El tratamiento de DLT cuando LT es constante es relativamente
[47]. Muchos de estos servicios chilenos no están optimizando su fácil , pero una gran parte de los DPUT, sin embargo, a menudo los
suministro de materias primas. Estos materiales forman el surtido DPUT no son RV independientes e idénticamente distribuidos (IID).
del inventario , el cual se divide en perecederos (como frutas, Una vista fácil es estimar la media y la varianza de los DPUT de los
carnes, verduras) y no perecederos de mayor capacidad de componentes que se pueden utilizar en modelos de control de
almacenamiento sujetos a desabastecimiento; ver [14]. inventario de revisión continua o componentes perecederos,
La logística de estas materias primas se basa en la planificación minimizando los costos anuales totales (TC) asociados con la
mensual del menú, que se guía por consideraciones nutricionales. compra, el almacenamiento, la generación de órdenes de compra
Sin embargo, esta gestión se puede mejorar mediante el uso de y la escasez de componentes. [35]. Restando los TC aportados a
políticas de control de inventarios, lo que permite incrementar los los ingresos por ventas de cada componente que compone los
márgenes de contribución (CM) de la empresa; ver [36] y [26] para menús, es posible maximizar los CM del servicio de alimentos,
un estudio de caso en hoteles. como se demostró en el estudio de [32-33]. Sin embargo, en el
Los CM son las utilidades brutas de una empresa y resumen los servicio de alimentos las demandas tienen dependencia estadística
movimientos de ingresos y costos, los cuales pueden ser directos porque sus componentes (distintos alimentos que componen el
(costo variable) e indirectos (costo absorbente). Estos márgenes menú) se correlacionan, o se correlacionan con los menús. Para
varían en función de las unidades vendidas, los costos unitarios del esto, la visión clásica del control de inventarios usando media,
producto, la relación entre éstos y los costos totales y costos fijos varianza y distribución univariada es incorrecta [32]. Cuando desee
involucrados; ver [29]. optimizar el inventario compuesto por múltiples componentes, como
en el caso del servicio de alimentos, puede omitir la posible
Las políticas de control de inventario reducen la vulnerabilidad de dependencia estadística entre las demandas de estos componentes
la gestión de la cadena de suministro en las empresas. La reducción y realizar la optimización. En general, los CM tienden a aumentar a
del inventario es crucial en la gestión de operaciones. De esta pesar de esta omisión, como se demostró [33]. Sin embargo, [32]
forma, estas estrategias están enfocadas en optimizar los niveles mejoran la optimización de CT utilizando una distribución de
de inventario para satisfacer la demanda de componentes y probabilidad multivariante basada en [20].
productos finales de las empresas satisfaciendo a los clientes [16].
Para administrar de manera óptima el inventario, las organizaciones Por lo tanto, las correlaciones consideradas y la dependencia entre
deben investigar los procesos y modelarlos en todas sus fases, productos pueden producir menos CT.
utilizando metodologías apropiadas [22]. Varios autores han
discutido la importancia que tiene para las empresas administrar Este estudio tiene como objetivo comparar los modelos de control
sus inventarios de manera óptima como insumo para una gestión de inventarios con estructura de dependencia y demanda aleatoria
logísticamente eficiente [19]. Esta administración óptima también con respecto a los modelos con demanda aleatoria pero
debe ser considerada por las empresas de servicios alimentarios [30]. independiente y su efecto en los CM de los servicios de alimentos.
Este trabajo está organizado de la siguiente manera: la Sección 2
Generalmente, los modelos estocásticos de inventarios consideran hace una revisión de la literatura sobre: (i) modelado de DPUT de
la demanda de productos como una variable aleatoria (RV) descrita componentes con dependencia estadística; (ii) modelos de control
por una distribución continua o discreta. Para optimizar los costos de inventarios; (iii) programación estocástica; y (iv) indicadores
totales (CT) del inventario es necesario comprender su composición. financieros de la política de inventarios. La Sección 3 expone la
Tres componentes constituyen el TC: (a) un costo que es metodología propuesta, mientras que la Sección 4 la ilustra con un
independiente del tamaño del lote, (b) un costo que depende de la estudio de caso del mundo real del servicio de alimentos chileno; y
cantidad de productos en el lote, y (c) un costo de escasez debido la Sección 5 proporciona las conclusiones de los resultados
a la demanda insatisfecha [13] . Una vez definidos los indicadores obtenidos en esta revisión, así como sus limitaciones y futuras investigaciones.
del modelo de inventario y establecidos los supuestos distributivos

de la demanda por unidad de tiempo (DPUT) y la demanda durante REVISIÓN DE LITERATURA
el tiempo de entrega (LT), en definitiva LTD, el valor esperado de la

función objetivo en base a la TC de la el inventario debe optimizarse Modelado de DPUT y DLT con dependencia estadística
[25]. Así, modelando correctamente la demanda
El estudio de la incertidumbre de DPUT y DLT es un
tema clave no solo para los minoristas sino también para
90
Ingeniare. Revista chilena de ingeniería, vol. 27 Nº 1, 2019
gestión de la cadena de suministro [13]. Esta incertidumbre los supuestos del modelo para ser más adherente a la
está presente porque DPUT y DLT generalmente ocurren configuración del mundo real; ver [3]. El modelo EOQ se
de manera estocástica. Por lo tanto, la DPUT y la DLT son utiliza en conjunto con el ROP en el control de inventarios
RV que siguen distribuciones de probabilidad univariadas para determinar stocks de seguridad (SS) tanto bajo LT
[17]. La DLT corresponde a una suma de DPUT aleatorio como bajo demanda, cuya aleatoriedad afecta
independientes, generalmente entendida como una serie directamente la operación de un sistema logístico; ver
de tiempos de demanda no correlacionados, y es útil para [37,40]. Al calcular el punto de reorden para un nivel de
determinar los componentes de los modelos de control de servicio fijo, se debe utilizar la distribución LTD y su
inventarios [45]. En el escenario constante LT, DLT es correspondiente función de densidad de probabilidad (PDF).
más fácil de calcular y usar la distribución normal (o Cuando se desconoce la distribución de LTD, este PDF
gaussiana) para describir. La distribución gaussiana (o se puede aproximar mediante cualquier enfoque adecuado.
normal) se usa a menudo para describir la DPUT debido a En esta revisión, utilizamos un enfoque simultáneo para
su tratamiento matemático simple, sus propiedades optimizar Q y r según lo recomendado por [35,46]. Los
atractivas y su implementación computacional en diferentes perecederos (de un solo período) son más complicados
software [17]. Sin embargo, para calcular el inventario porque estos productos se pueden almacenar durante un
óptimo, es necesario seleccionar una distribución período limitado. Estos componentes suelen corresponder
probabilística apropiada de DPUT a través de métodos de a frutas, carnes y verduras, que son materias primas
bondad de ajuste [2]. El lector interesado puede revisar un esenciales en el servicio de alimentos. Cuando se
resumen provisto en la Tabla 1 del artículo [9] para ver consideran estos tipos de componentes , a menudo se
detalles de otras distribuciones de probabilidad utilizadas considera el modelo basado en la relación crítica (CR) o nivel de servic
en modelos de control de inventario con demanda aleatoria.
Según [10], en los sistemas de suministro multiproducto, A través de modelos de control de inventario para cada
la correlación entre las demandas por componentes afecta componente es posible maximizar los MC anuales de la
a los TC del sistema. En el contexto de las demandas venta de menús [33]. En general, como los ingresos de
correlacionadas, [43] estableció la necesidad de modelar esta venta no dependen del modelo aplicado a cada
la estructura de dependencia de las variables a considerar componente, los CM se maximizan encontrando los TC
en un modelo de optimización. Así, en esta revisión de inventario mínimo [16]. Estas CTs se obtienen tomando
comparamos los resultados de MCs con la metodología modelos estocásticos de control de inventarios de revisión
propuesta por [33] para demandas independientes en continua y período único aplicados a cada componente
servicios de alimentación y la extensión al caso dependiente [32].
[33]. Según [35], la cantidad óptima a suministrar en este
modelo de control de inventarios determina los CTs
Modelos de control de inventario en el servicio de alimentos relativos a compra, tenencia, generación de orden de
Una política de inventario óptima se puede lograr eligiendo compra y penalización por faltante de componentes. Todos
un modelo de inventario adecuado, cuya decisión involucra estos TC son funciones de parámetros de distribuciones
varios aspectos; ver [4-6, 41-42]. de probabilidad univariadas o multivariadas de DPUT, LT
En el caso de los productos no perecederos, los modelos y DLT [45]. Según los modelos de control de inventarios,
de inventario se clasificarían en pull o push, que van desde estas funciones corresponden a media, varianza,
la cantidad económica de pedido (EOQ) hasta el suministro percentiles u otros indicadores, estimaciones por métodos
justo a tiempo (JIT); ver [40]. El modelo EOQ es la piedra estadísticos [31, 33, 45]. Por lo tanto, es necesario separar
angular de varios paquetes de software para el control de los modelos de inventario en componentes perecederos y
inventario y se usa ampliamente en la práctica; ver [24]. El no perecederos . En esta revisión comparamos modelos
método JIT es útil para materias primas que pueden ser de control de inventarios con demanda estocástica de
abastecidas tan pronto como se requieran, aunque impone múltiples componentes con o sin dependencia estadística.
restricciones a la logística limitando su uso para algunos
tipos de productos en servicios de alimentos; ver [8,40].
Varios estudiosos buscan un modelo EOQ (Q) con un Programación estocástica
punto de reorden (ROP) (r) que sería apropiado en el La programación estocástica es un problema de
servicio de alimentos. De esta manera, se utilizan modelos programación matemática (lineal, no lineal, entera, etc.)
de inventario basados en revisión continua llamados que contiene en su formulación algún elemento estocástico
modelos (Q, r) para la planificación de la oferta y la demanda. que se desconoce, pero que se puede estimar a partir de
Teniendo en cuenta el tiempo de entrega (LT) en el modelado hace su distribución de probabilidad
91
[34]. El valor esperado de la función objetivo basado en el que los órdenes no tengan mestizaje [15].
TC de inventario debe optimizarse en una política de Además, sea l la constante LT y D la DLT del componente.
revisión continua de un surtido de productos. La Suponga que l es independiente de la secuencia {Yt, tÿ 0},
programación estocástica se puede utilizar para resolver debe
este problema de optimización mediante el algoritmo de
yo
evolución diferencial (DE), que pertenece a la familia de DY=

algoritmos genéticos, imitando el proceso natural de
ÿ t
t =1
elección de forma evolutiva [28, 39, 46, 32]. En este trabajo
de revisión se utiliza el algoritmo DE para optimizar el Como es común en los modelos de inventario, se asume
que la DLT es una variable aleatoria continua con función
problema de programación estocástica asociado a los
modelos de control de inventarios considerados. de densidad de probabilidad (PDF), distribución acumulada
(CDF) y cuantil (QF) dados respectivamente por la ecuación
Indicadores financieros de la política de inventario (1)
Los beneficios económicos de los modelos de inventario se
d
evalúan mediante indicadores de eficiencia. Algunos de 1
)=dfv
ÿ dv( D =
ÿ
fdd( ),
d dd d > 0, F ( )( (),0 ) ,q F q << q 1
ellos son financieros, como los TC de inventarios o ventas ()
(1)
0
relacionados con la rotación de existencias disponibles;

aquí FD-1 es la función inversa de FD. La media
mientras que otros son operativos, como la capacidad de
y la varianza de D se expresan como ecuación (2) y
satisfacer la demanda con el inventario planificado por el
equiación (3) respectivamente
modelo de inventario (llamado "llenar la tasa"), o la escasez
esperada por ciclo [46]. Esta revisión del artículo aborda los
ED () =
( )ElEY( ) El
() t
= µ (2)
CM como un indicador financiero de la gestión de inventario
(2)
de cada componente de almacenamiento [33]. 2 2
Var( D
) Var l ()
2 = += OJO
+( ) () l( tVar
)t Y Var l OJO l () ( ) () ÿ
METODOLOGÍA (3) (3)
Supuestos y limitaciones Como LT es constante e igual a l, es decir, Var(l)=0,

Supuestos: (i) el DPUT para un componente o menú va a la expresión dada en (2) y (3) se reduce a E(D)=lÿ y
RV con distribución normal; (ii) este DPUT es una secuencia Var(D)=lÿ2 respectivamente. Análogamente, en el
de valores en el tiempo sin estacionalidad ni tendencia; (iii) tiempo t, la DPUT, otra componente asociada a Yt ,o
la DPUT puede tener dependencia de la DPUT de otro la DPUT de un menú conformado por la primera
componente o de un menú que contenga el primer componente, se denota en general por Xt . Observe
componente; (iv) la dependencia se describe mediante el que Xt , Yt,, l y D pueden modelarse mediante
coeficiente de correlación de Pearson; (v) la LT es constante; distribuciones probabilísticas discretas o continuas.
y (vi) el costo unitario de compra, el costo unitario anual de Asuma que l es constante y que DPUTs Xt son Yt
mantenimiento, el costo del pedido y la penalización por continúa
PDFs -1 y FY -1, E(Xt )= fx y fy, CDFs RVsQFs
Fx y Fy, conFX
costo de escasez están predeterminados por los gerentes ÿx y E(Yt )= ÿy, Var(X)= ÿ2 X
y Var(Y)= ÿ2 y.
del servicio de alimentos. Limitaciones: Es necesaria También se supone que las distribuciones normales para Xt son Yt .
investigación adicional para mejorar los resultados. Por Para modelar la distribución probabilística de DPUT para
ejemplo, para incorporar la dependencia temporal de la cada componente, se deben recopilar los datos apropiados.
DPUT; el uso de otras distribuciones probabilísticas; Por tanto, se deben estimar los parámetros de la distribución
normal y evaluar el buen ajuste para diagnosticar su
suponga también una LT aleatoria con alguna distribución probabilística.
idoneidad [33].
Distribución univariada de DPUT
Sea Yt una RV correspondiente a la DPUT (Y) de un Distribuciones bivariadas y condicionales de DPUT
componente en el tiempo t. Además, sea el RV L el LT Sea Yt la DPUT de un componente y Xt la DPUT de
(tiempo de entrega) de un artículo, que no depende de la otro componente o menú en el tiempo t, tal y como se
secuencia de RV independientes distribuidos idénticamente definieron en el apartado anterior. Suponga que estos
{Yt , tÿ 0}, donde E(Yt )= E(Y)= ÿ y Var
la (Yt)=
mediaVar(Y)=
y la varianza
ÿ2 son RV conformaron un vector aleatorio bivariado (Xt, Yt)
del DPUT, respectivamente. Suponer con PDF conjunta fx,y, con dependencia entre Xt e
Yt descrita por el coeficiente de correlación de Pearson
92
[-1,1].
viene dada porEntonces, la PDF
la ecuación (4) Yt condicional a Xt =x it ÿX,Y ÿ la función objetivo correspondiente a los CM, en función de cada
modelo. Esta función objetivo contiene indicadores del modelo
de inventario probabilístico dependiente que la convierten en
programación matemática estocástica.
= ÿ ÿ
(4)
fxx
YX x =y R
/R () XY, ( , ) / ( ), fyfX xy Y
,x En todos los modelos utilizados, se considera que el inventario
es un grupo de componentes con el fin de minimizar la CT anual
Donde RX y RY son las posibles relaciones de RVs Xt e Yt , esperada en el supuesto de escasez. El CT esperado para el
respectivamente. Así, de 4, obtenga el valor esperado como componente i expresado como la suma de los costos (en
ecuación (5) unidades monetarias): (i) compra por el total del componente
(Ci ) ofertado anualmente, dado por la multiplicación de la
demanda anual del componente costo unitario (ci ) ; (ii)
(5)
E(Yt / X tx=) = ÿ sifYX/ x = (y) dy generación de órdenes de compra por el total de pedidos (Oi ) al
RY
año, dado por la multiplicación del número de pedidos emitidos
Además, se sabe que Var(Yt /Xt =x)= E(Yt 2/ en un año por el costo unitario de cada pedido (oi ); (iii)
Xt =x)-(E(Yt2 /Xt =x))2. Entonces, para esta varianza componente de medio de almacenamiento (Ai ) al año, obtenido
condicional se debe calcular como la ecuación (6) al multiplicar el número promedio de unidades anuales
almacenadas por el componente de costo anual de la unidad de
(6) almacenamiento (ai ); y (iv) del componente total de escasez
E(Yt2/ x xt = =) ÿ 2
yfy dy
/ x=
YX
()
RY (escasez o rotura) (Si ) al año, dada la cantidad esperada de
escasez por ciclo multiplicada por el número de ciclos de escasez
Para el caso donde (Xt , Yt ) siguen una distribución
y en un año por el costo unitario de escasez del componente (si ).
normal bivariada con medias ÿX y ÿY, varianzas ÿ2 X
ÿ2y, y coeficientes de correlación ÿX,Y, de la ecuación Se supone que en el servicio de alimentación tiene una demanda
permanente los 365 días del año.
(5) y la ecuación (6) el valor esperado condicional se
calcula como la ecuación (7)
Para el modelo de control de inventarios que se indica a
ÿ Y 2
ey(/x)t x t
== ÿ
µÿY XY , (X ÿ
µX ), Var YX
( /t x t
== ÿ
) ÿ Y (1 ÿ XY, ) continuación, el problema de programación estocástica se formula como:
ÿ X
(7) Perecedero en single

Perecedero en single
Continúa revisión modelo periodo modelo
Como se muestra en la ecuación (7), el valor esperado y la Continúa revisión modelo periodo modelo
(comestibles)
(frutas, (frutas,
verduras verduras y (comestibles)
y carnes)
varianza de DPUT Yt de un componente dependen del valor a
carnes)
condicionar Xt = x, el cual puede tomar varios valores. Sin cc _ CC
embargo, a efectos prácticos se necesita un único valor. Para Función

Función objetivo
objetivo min min ÿ EETC
(TC ((Q
( Q ,k,))k
)) yo
yo
ii (minÿÿ(ETC
min ETCP((P))))
ii
yo
= ii==11
yo 11
=
resolver este problema, se propone tomar los valores muestrales > > 0,
Sujeto
Sujeto a a Qi kk>00,
Q 0> 0,
0, i
i i
PAG
PAG >
i >
i
µµi
i
de Xt para encontrar el valor esperado condicional. Al utilizar costas0,>>>>0,> 0, 0,µ0 0,
costas
yo yo yo
yo yo yo
>>>> > 0, 0µ
este procedimiento en la optimización estocástica de la función
objetivo, se obtendrán diferentes valores óptimos para un rango donde Qi es la cantidad óptima a ofertar del componente i (en
de posibles valores de Xt . Luego, puede usar el valor de Xt para unidades), ki es un percentil estandarizado de la distribución
condicionar como un valor determinista, proporcionando el valor probabilística de DLT del componente i (sin unidad), Pi es la
óptimo de la función objetivo. Así, la expresión dada en la cantidad óptima a ofertar del componente i (en unidades),
ecuación (7) sirve para establecer la tasa de demanda condicional mientras que ÿi y ÿi son media condicional y desviación estándar
de un componente a ser utilizado en el modelo de control de (SD) da en (7).
inventario en servicio de alimentos con demanda estadísticamente
dependiente.
Indicadores financieros aplicando modelos de control de
inventarios en el servicio de alimentos
Programación estocástica de modelos de control de Los ingresos obtenidos durante un año a través de los
inventarios en food service componentes utilizados en los menús se pueden calcular
El problema de programación estocástica a formular debe con la metodología propuesta por [33]. Para este modelo
constar de: (i) variables de decisión involucradas en cada modelo se consideró que el CM máximo anual es la diferencia
asociado al control de inventario para optimizar el componente; entre el ingreso anual y el TC mínimo anual generado
y (ii) maximizar por los modelos de control de inventarios aplicados a cada uno.
93
componente. El valor esperado del informe anual para donde m es la máxima DLT, fDj, la PDF dada en (1) y rj el
optimizar un conjunto de componentes para i = 1, . . , C, punto de reorden donde se debe realizar una nueva orden
CM viene dado por la ecuación (8) de compra definida como ecuación (11)
cc c
ÿ ÿÿ (8) r l klµ= + jj j ÿ
máximo
ÿ ÿÿmi ÿ(ÿcm
ÿ yo yoÿÿ = IE( ) min ÿ
ÿ
ETC
() j jj (11)
= 11
yo yo 1 ) ÿ ÿÿ= =
Donde E(TCi )=E(Ci +Oi +Ai +Si ) y CMi , Ii y CTi con lj como el LT del componente jy asumido como una
denotaron el CM, el ingreso y el TC del componente i del constante. Nótese que para modelar los desabastecimientos
inventario surtido del servicio de alimentación, respectivamente. producidos por la DLT se ha asumido que la variable En este
La ecuación general cinco en (8) debe especificarse para Dj tiene una distribución gaussiana [46] . caso y
cada tipo de modelo de control de inventario de acuerdo con suponiendo un nivel de servicio del 95%, las expresiones
la declaración a continuación. dadas en la ecuación (10) y la ecuación (11) se reducen a la

ecuación (12) y la ecuación (13), respectivamente
Continúa el modelo de revisión. Para este modelo se
considera un subconjunto del total de c componentes del S(R) =ÿÿ
ÿ (1,96) 1,96 yo ÿ yo
ÿ (1,96) (12)
jjj jj
inventario surtido del servicio de alimentación. Este
subconjunto tiene componentes correspondientes a
comestibles tomados del conjunto I= {1, . . . , c} y componentes
rl l = +µjjj 1,96 jj
ÿ
(13)
indicados poresperado
j= 1, . . . ,para
a <c.que
Porun
lo componente
tanto, el TC anual
j se minimice
bajo este modelo se expresa como la ecuación (9)
Modelo perecedero en un solo período. De manera similar
al modelo anterior, este modelo considera un subconjunto
ÿ qÿ j ( ) ÿ r ED 365 µj 365µ del total de c componentes correspondientes a productos
)) =
j
ETC
( ( ,k Q 365 µ acj +
+ÿ jjj 2 +j o S+ r ( ) s
j
jj
ÿÿ ÿ qj
j j
qj perecederos como frutas, verduras y carnes del conjunto I=
(9) {1, . . . , c} y que los componentes indicados por j= 1, . . . , p
donde E(Dj) es el valor esperado de DLT del < c. Este modelo utiliza el enfoque Qj ÿPj , correspondiente
a una cantidad del componente j a ordenar, capaz de cubrir
componente j dado en (2), que depende de ÿj,
corresponde a la tasa de DPUT condicionada a la un solo período. Según Geunes et al. (2001), en modelos de
demanda de otro componente o menú. Por un lado, control de inventarios de este tipo el punto de reorden rpj se
nótese que ÿj se multiplica por 365 porque el TC se calcula considerando que la probabilidad del componente en
stock j corresponde a una razón crítica dada por la relación
define en forma anual y ÿj en forma diaria. Por otro
lado, E(Dj ) no necesita multiplicarse por 365 porque entre los costos unitarios para ordenar una unidad menos
su alcance se verifica dentro de cada stock de para satisfacer la demanda (Cuj
seguridad del ciclo. Para el CT esperado dado en = costo por debajo) en relación a la suma de Cuj y
la ecuación (9), se considera un stock de seguridad el costo de sobreofertar la demanda con una unidad
(SS) dado por SSj =rj -E(Dj )=kj (Var(Dj )1/2. El SS más componente j (Coj = costo por exceso), dado
ÿ ( / rp =
) CCC por + ( )
corresponde a la multiplicación de (3) para el factor de seguridad
j uj kj uj do
asociado a un nivel de servicio de q% (o cantidad de SDs

DLT) para 0<q<1- Nótese que kj es un percentil q%
En este caso, Cuj=sj - aj Pj / (365ÿj ) y Coj= aj Pj /
estandarizado asociado a la distribución de probabilidad del (365ÿj ), así la ecuación (14)
componente j de DLT, establecido para asegurar un nivel de
servicio que suele ser del 95 % y está predeterminado por el
CCC
uj ( /( + =ÿ ) (
s Pa
uj
/ 365 do jjj µ j j ))/ s (14)
inventario del administrador.

También tenga en cuenta que (qj /2)+SSj es el componente Aplicando la función cuantil estándar normal ÿ-1 a (14),
promedio almacenado j. Además, S(Rj ) es la función de la obtenemos el punto de reordenamiento en la ecuación (15)
escasez del componente j definida como la ecuación (10)
metro
(15)
(=) ÿ ( ( j)d
1 1
ÿ oj jjjj(CCC/ (s PA / 365 /))= +=ÿµÿ ( ) s
ÿ ÿ
señor drfdd
) rp j uj uj
ÿ
j
j r jd j j j (10)
j
94
La interpretación es equivalente a rj en la revisión continua dada solo detecta una correlación entre las demandas de componentes
en (13), que indica que la reposición del componente j debe o menús:
realizarse cuando el nivel de stock esté justo por debajo de este 2.2 Sugiera distribuciones normales univariadas para demandar
valor, considerando un stock de seguridad comprendido por la datos para componentes y menús que estén significativamente
diferencia entre este punto y el DLT esperada, dada por rpj – ÿj lj . correlacionados.
Por lo tanto, el TC anual esperado para el componente que se 2.3 Estimar los parámetros de las distribuciones propuestas en el
minimizará en la ecuación (16) paso 2.2.
2.4 Estimar la media condicional y la DE de la variable de interés
j
)) j = dada en (7), condicionando en todos los valores muestrales de la
ETC
( P (365 µ jj c P +rp
+ÿ +( / 2)
j jjjj µ la )
variable asociada.
(365 µ jj j ) + rp
/ ( o PS j ) 365
(( /
µ jj js pag ) (dieciséis)
2.4 Para demanda no condicionada de componente solo se
(dieciséis)
considera parámetro de distribuciones normales univariadas.
En la TC expresada en la ecuación (16), S(rpj ) corresponde a la

función de escasez del componente j producido por 3: Al modelo de control de inventario:
DLT en el modelo, y definido como en la ecuación (12) y dado 3.1 Seleccione el modelo de inventario apropiado según el tipo de
para la ecuación (17) componente j, con j = 1, . . . , para comestibles, y j = 1, . . . ,un

p << cc
para componentes perecederos (como carnes, frutas y verduras).
Maryland
S (rp j ) = ÿ ( ( j )d
jd j d rp)fddj
ÿ
j (17) 3.2 Encontrar los elementos óptimos de los inventarios de los

rp j
modelos seleccionados , con base en los parámetros estimados
de las distribuciones condicionales establecidas en el paso 2.4, y
donde mD corresponde a la DLT máxima en un solo
suponiendo normal para DLT.
período y fdj es la PDF normal para la DLT. En este
3.3 Encontrar los elementos óptimos de los inventarios de los
caso, y asumiendo un nivel de servicio dado por (Pj – ÿj
modelos seleccionados, con base en los parámetros estimados de
lj )/(ÿj (lj )1/2 ), la expresión da en la ecuación (17) y la ecuación
las distribuciones normales univariadas establecidas en el paso
(15) transformada en la ecuación (18)
2.5, y suponiendo normal para DLT.
ÿÿPlÿÿ ÿ ÿ = ÿ ÿÿ ÿ ÿÿ ÿÿ ÿ ÿ Pljjj 4: Al análisis de indicadores financieros:
µ µ
ÿ ÿ
jjj
S( rp
) ÿj ÿ
j yo
j (rpjjj _ µ yo
)1ÿ ÿ
ÿÿ ÿÿ ÿ ÿ ÿ
jj yo ÿ
j yo
j
4.1 Calcular el TC esperado para el componente según la política
(18) óptima establecida en el paso 3.2 para demanda con dependencia

Resumen de la metodología estadística y el paso 3.3 para demanda sin dependencia estadística.
El algoritmo 1 resume la metodología propuesta en seis pasos
divididos en 13 subpasos. Estos pasos se basan en aspectos 4.2 Obtener los CMs por componente, restando los TCs del paso
revisados previamente en esta sección. 4.1 a los ingresos por componente obtenidos según [33].
Algoritmo 1. Metodología para optimizar un 4.3 Repita el paso del 2.4 al 4.2, y seleccione el valor óptimo de
inventario de servicio de alimentos CM para el componente en forma condicionada a la demanda de
otro componente o menú y formado de forma independiente.
1: Recolectar datos de demanda diaria del componente i
durante un período. 5: iterar el paso 1-4 para completar los componentes c .
2: Al análisis estadístico: 6: Establecimiento de los CM óptimos con y sin dependencia
2.1 Realizar un estudio de correlaciones y autocorrelaciones de estadística y comparación con los no óptimos.
los datos obtenidos en el paso 1, examinando la matriz de
correlación de Pearson y las gráficas de funciones de CASO DE ESTUDIO
autocorrelación (ACF) y autocorrelación parcial (PACF).

Esto se hace para detectar una posible dependencia estadística y Datos
estructura temporal de los datos. Si se detecta autocorrelación , 36 demandas de datos para 7 menús que requerían 9
debe eliminarse utilizando técnicas apropiadas. Si no existen componentes, recolectados durante 6 meses en un SAN de
correlaciones significativas con otros componentes o demandas Valparaíso, Chile. Los datos se refieren al servicio de alimentación
de menús, ni autocorrelación relevante, proceder según [33]. Si a trabajadores que atienden un hospital regional chileno anónimo.
Esto muestra el promedio de servicio de alimentos de CM
95
alrededor del 30% de las ventas, en base a un nivel Tabla 2. Coeficientes muestrales de correlación de Pearson
socioeconómico medio-bajo . Los datos pertenecen al entre componentes y menús.
proyecto DIUV 14/2009 , financiado por la Investigación de c1 c2 c3 c4 do 5 c6 c7 c8 c9
la Universidad de Valparaíso, Chile. c3 0,76

m1 0,99
m2 0,95 0,91
Análisis estadístico y resultados
m3 0,65
m4 0,75
Un análisis gráfico de autocorrelación detectó que las m5 0,82

m6 0,99
autocorrelaciones correspondientes son muy pequeñas, por
m7 0,99
lo que también se puede descartar la dependencia en el
tiempo . Este análisis gráfico se puede corroborar mediante
Las tablas 4 y 5 muestran indicadores comparativos y
la prueba de Durbin-Watson y su valor p de arranque para
resultados financieros de ingresos, costos y MCs anuales de
examinar la independencia de estos datos.
j componentes subconjunto de modelos de control de
La Tabla 1 presenta una estadística descriptiva basada en
inventarios de revisión continua y perecederos en un solo
la media, SD y coeficiente de variación (CV) del componente
período, según la consideración de dependencia estadística
o menú DPUT indicado al eliminar los ceros de la muestra.
de DPUTs de componentes. Para obtener estos resultados
La Tabla 2 proporciona las correlaciones de la muestra que
son válidos los siguientes costos para todo el conjunto de
son significativamente mayores que cero (valor p < 0,05)
componentes: ai = 0,042 USD/ciclo×unidad, ci = 0,6 USD/unidad si = 0,33 USD/
entre un componente y otro componente o menú. Estas
unidad y oi = 0,86 USD/ciclo. Las políticas de abastecimiento
correlaciones son el valor más alto entre todas las
propuestas producen un MC anual de 238.770,79 USD/año,
correlaciones entre un componente y otro componente o
aplicando modelos de control de inventarios de revisión
menú. La Figura 1 muestra las distribuciones marginales
continua y perecederos en periodo único para los
normales ajustadas a los datos de los componentes DPUT
componentes, considerando la dependencia estadística de DPUT.
de los gráficos de cuantil-cuantil (QQ) . Debemos resaltar
Si bien no se considera la dependencia de los DPUT de los
que en general la distribución normal parece ser un modelo
componentes, solo el CM alcanza los 218.635,67 USD/año.
razonable para describir estos datos. La Tabla 3 proporciona
Comparando estos CM optimizados para servicio de
las tasas DPUT para cada componente del conjunto I =
alimentos, obtenido con las metodologías propuestas
{1, . . . , 9} condicional a la demanda de otro componente o
respecto al CM real anual que muestra este servicio de
menú correlacionado (ÿi ) y SDs condicional (ÿi ).
alimentos, el cual es de 201805.9 USD/año, se obtuvo una
optimización de 18.32% y 8.34%, aplicando allí modelos de
Tenga en cuenta que la media y las DE sin considerar la
control de inventario con y sin dependencia de DPUTs de
dependencia estadística se muestran en la Tabla 1.
componentes, respectivamente.
Tabla 1. Estadísticos descriptivos de DPUTs del componente

o menú indicado.
compensación Máx.
Media mínimo Dakota del Sur
/Menú (un/ CV
(un/día) (un/día) (un/día)
(un/día) día)
c1 67,94 24 135 29,32 0,43
c2 22,56 12 31 6,64 0,29
c3 46,5 38 55 5,76 0,12
c4 43,45 24 51 11,69 0,26
c5 10,79 2 42 10,69 0,99
c6 25,07 5 44 15,54 0,62
c7 8,68 4 14 3,19 0,37
c8 34,57 4 sesenta y cinco
19,27 0,56
c9 33,69 5 68 28,37 0,84
m1 443,5 398 481 26,84 0,06
m2 389,63 276 444 65,07 0,17
m3 387,63 230 497 99,28 0,26
m4 375 187 469 113,92 0,3
METRO 197 86 410 97,31 0,49
m6 419,1 380 460 28,53 0,07 Figura 1. Gráfica QQ de distribuciones
m7 383,88 160 490 138,93 0,36 marginales normales ajustadas a datos de 9
componentes
96
Tabla 3. Tasa condicional de DPUT del componente i (ÿi) y SD

condicional (ÿi).
Indicador estadístico
Componente ÿi (un/día) ÿi (un/día)
c1 35,21 14,49
c2 10,71 2,85
c3 38,32 2,84
c4 34,49 0,83
c5 3,18 6,36
c6 12,74 3,47
c7 23,09 1,59
c8 19,91 5,78
c9 24,79 2,83
Cuadro 4. Indicadores comparativos y resultados financieros al componente indicado a perecedero en

modelo de control de inventarios de un solo periodo según dependencia estadística de DPUTS.
Tabla 5. Indicadores comparativos y resultados financieros a componente indicado a

Continúa revisión del modelo de control de inventarios según dependencia estadística
de DPUT.
97
CONCLUSIONES ocurre con alta frecuencia en la demanda y los datos

necesarios para modelar con distribuciones de probabilidad
La metodología propuesta mostró una forma óptima de cero infladas [21]; y (iii) el uso de componentes de promedio
márgenes de contribución de alimentos entre componentes o móvil autorregresivos y para modelar la dependencia temporal.
menús, y la programación de modelos estocásticos de
inventario. Para describir los parámetros utilizados en la
programación de los modelos estocásticos de inventario AGRADECIMIENTOS
utilizados, se utilizaron distribuciones probabilísticas para
demandas conjuntas de componentes y menús, asumiendo Esta investigación fue parcialmente financiada por “Becas
una distribución normal bivariada. Esta elección se sustenta CONICYT” de la Comisión Nacional de Investigaciones
en que la gran mayoría de los modelos de inventario estudiados Científicas y Tecnológicas (CONICYT) gobierno de Chile.
en la literatura para optimizar los TC de inventario, se han
basado en el supuesto de distribuciones de modelos
probabilísticos univariados de variables aleatorias normales REFERENCIAS
de demanda por unidad de tiempo y demanda durante el
tiempo de entrega [16]. [1] ML Ahlstrom, D. Bartlett, C. Collier, J.
Duchesne, D. Edelson, A. Gesino y J.
Los resultados en el estudio de caso de esta revisión muestran O'Sullivan. “El conocimiento es poder: integrando
una mejora significativa en la contribución de los márgenes en eficientemente la energía eólica y las previsiones eólicas”.
el servicio de alimentos. En el caso de la demanda dependiente Revista de potencia y energía, IEEE. vol. 11 N° 6,
los márgenes de cotización aumentaron del 30% al 35,5%. págs. 45-52. 2014.
Los resultados del estudio de caso concuerdan con los autores [2] M. Barros, V. Leiva, R. Ospina y A.
mencionados en [29], quienes, ocupando modelos de programación Tsuyuguchi. “Pruebas de bondad de ajuste para la
lineal, relacionaron minimizar los costos totales de los inventarios distribución Birnbaum-Saunders con datos de
maximizando los márgenes de contribución en la variedad de confiabilidad censurados”. Transacciones IEEE sobre
productos críticos del inventario. En ambos casos comparados, confiabilidad. vol. 63, págs. 543-554. 2014.
los montos fijados para abastecer componentes tales como tiendas [3] M. Ben-Daya y A. Raouf. “Modelos de inventario que
mediante modelos de inventarios de revisión continua, fueron involucran el tiempo de entrega como variable de decisión”.
considerablemente superiores a las tasas de demanda condicional estimadas. Revista de la Sociedad de Investigación Operacional.
Esto se explica de la siguiente manera: los comestibles se vol. 45, págs. 579–582. 1994.
pueden almacenar por un tiempo y luego prolongar el [4] R. Botter y L. Fortuin. “Estrategia de
inventario . Los modelos RC utilizan esta condición para almacenamiento de piezas de servicio: un
disminuir el costo de generar un pedido, y que este costo no estudio de caso”. Revista Internacional de
dependa de las cantidades ordenadas. Los componentes que Gestión de Operaciones y Producción . vol. 20, págs. 656–674. 2000
ocupan el modelo de inventario de perecederos en un solo [5] M. Braglia, A. Aleros y B. Kingsman.
período presentaron una cantidad optimizada a ofertar similar “Previsión para el pedido y mantenimiento de stock
a la cantidad demandada. Este de debe caducar rápidamente de repuestos”. Revista de la Sociedad de Investigación
tales materiales (incluyendo frutas, verduras y carnes), con un Operacional. Vol. 55, págs. 431–437. 2004.
período de almacenamiento que no permita prolongado. Por
lo tanto, este modelo de inventario debería ser bastante [6] M. Braglia, A. Grassi y R. Montanari.
exitoso para este tipo de componentes, con unas reposiciones “Método de clasificación multiatributo para la gestión
acotadas y unos niveles mínimos de existencias en de inventarios de repuestos”. Revista de Calidad en
almacenamiento. Esto contribuye a reducir los costos de Ingeniería de Mantenimiento. vol. 10, págs. 55–65.
almacenamiento en comparación con lo que ocurría en la 2003
práctica antes de realizar la optimización [16]. En futuros [7] BG Brown, RW Katz y AH Murphy.
estudios es posible obtener mejoras en la metodología “Modelos de series temporales para simular y
propuesta en este trabajo en cuanto a : (i) modelado pronosticar la velocidad y potencia del viento”. Revista
multivariado ocupando distribuciones de probabilidad de Clima y Meteorología Aplicada. vol. 23, págs.
marginales planteadas distintas a la gaussiana o normal; (ii) la 1184-1195. 1984
consideración de valores cero en la modelización de los [8] P. Carter, J. Carter, R. Monczka, T. Slight. y A. Swan.
componentes de la demanda, algo que “El futuro de las compras y
98
suministro: un pronóstico de diez años”. Revista de [21] V. Leiva, M. Santos-Neto, FJA Cysneiros y M. Barros.
gestión de la cadena de suministro. vol. 36, págs. 14–26. 2000. “Una metodología para modelos estocásticos de
[9] B. Cobb, R. Rumí y A. Salmerón. “ Gestión de inventario basados en una distribución de Birnbaum-
inventarios con demanda logarítmica normal por Saunders ajustada a cero”. Modelos Estocásticos
unidad de tiempo”. Informática e Investigación de Operaciones. Aplicados en Negocios e Industria.
vol. 40, págs. 1842–1851. 2013 vol. 32, págs. 74–89. 2016
[10] G. Eppen, F. Gould, C. Schmidt, J. Moore y L. Weatherford. [22] O. Lorenzo. "Una revisión exhaustiva de la
“Investigación Operativa en Ciencias de la Gestión”. investigación del sistema empresarial (ES)".
Prentice Hall, México. 2004. Academia Revista Latinoamericana de Administracion.
vol. 33, págs. 34–51. 2004.
[11] G. Giebel, R. Brownsword, G. Kariniotakis, M. Denhard y [23] JK Møller, HA Nielsen y H. Madsen.
C. Draxl. “El estado del arte en la predicción a corto “Regresión cuantil adaptativa en el tiempo”.
plazo de la energía eólica: una revisión de la literatura”. Estadística computacional y análisis de datos.
Informe técnico, ANEMOS. Más. 2011 vol. 52, págs. 1292-1303. 2008.
[24] S. Nahmias. “ Análisis de Producción y Operaciones
[12] J. Geunes, R. Ramasesh y J. Hayya. (2001). ”. McGrawHill, Nueva York, Estados Unidos.
“Adaptación del modelo de vendedor de periódicos 2001.
para sistemas de inventario de horizonte infinito”. [25] K. Namit y J. Chen. “Soluciones al modelo de inventario
Revista Internacional de Economía de la Producción. para la demanda de tiempo de entrega gamma”.
vol. 72, págs. 237–250. 2001 Revista Internacional de Distribución Física y Gestión
[13] J. Gjerdrum, N. Samsatli, N. Shah y L. Logística. vol. 29, págs. 138–154. 1999
Papageorgiou. “Optimización de parámetros de
política en aplicaciones de cadena de suministro”. [26] J, Nicolás. “Apalancamiento del beneficio del ratio de
Revista Internacional de Investigación y Aplicación coste fijo variable: El caso de los nuevos hoteles en
Logística. vol. 8, págs. 15–36. 2005. España”. Gerente del viaje. vol. 26, págs. 105–111.
[14] D. Grant, C. Karagianni y M. Li. 2009
“Previsión y obsolescencia de existencias en la [27] P. Pedregal. “Introducción a la optimización”
producción de whisky”. Revista Internacional de Springer Science & Business Media. vol. 6.2006 _
Investigación y Aplicación Logística. vol. 9, págs. 319–
334. 2006 [28] KV Price, RM Storn y JA, Lampinen.
[15] J. Hayya, U. Bagchi, J. Kim y D. Sun. “Sobre cruce “Evolución diferencial: un enfoque práctico para la
de orden estocástico estático”. Revista optimización global”. Springer, Berlín, Alemania. 2006.
Internacional de Economía de la Producción.
vol. 114, págs. 404–413. 2008 [29] R. Ramanathan. “Clasificación de inventario ABC con
[16] F. Hillier y G. Lieberman”. Introducción a la Investigación criterios múltiples usando optimización lineal
Operativa”. McGrawHill, Nueva York, Estados Unidos. ponderada”. Informática e Investigación de
2005. Operaciones. vol. 33, págs. 695–700. 2006.
[17] N. Johnson, S. Kotz y N. Balakrishnan. [30] A. Ramírez. “Un sistema polietápico de demanda casi
“Distribuciones univariadas continuas”, Wiley, Nueva ideal : El caso de la demanda de carne bovina en
York, EE. UU. Volúmen 1. 1994 Colombia”. Revista Colombiana de Estadística. vol.
[18] N. Johnson, S. Kotz y N. Balakrishnan. 36, págs. 23–42. 2013.
“Distribuciones univariadas continuas”, Wiley, Nueva [31] F. Rojas. “Dependencia temporal en reemplazo articular a
York, EE. UU. Vol.2. 1995 multiproductos agrupados. el caso del servicio de
[19] K. Kogan y H. Tell. “Suavización de la producción alimentación hospitalaria”. Ingeniería Cogente. vol. 3.
equilibrando la utilización de la capacidad y los DNI 1251029. 2016.
pedidos anticipados”. Revista de Logística Empresarial. [32] F. Rojas y V. Leiva. “Gestión de inventarios en empresas
vol. 41, págs. 223–231. 2009 de alimentos con demanda estadísticamente
[20] S. Kotz, N. Balakrishnan y N. Johnson. dependiente”. ARLA: Academia Revista Latinoamericana
“Distribuciones multivariantes continuas”, Wiley, de Administración, Vol.29, pp.450–488. 2016.
Nueva York, EE. UU. Volúmen 1. 2000
99
[33] F. Rojas, V. Leiva, P. Wanke y C. Marchant. [41] P. Wanke. “Relaciones de producto, operación y demanda
“Optimización de los márgenes de contribución en los entre fabricantes y minoristas”. Investigación de
servicios de alimentación mediante la modelización de transporte Parte E: Revisión de logística y transporte
la demanda de componentes independientes ”. Revista vol. 48, págs. 340–354. 2008.
Colombiana de Estadística vol. 38, págs. 1–30. 2015.
[34] A. Shapiro, D. Dentcheva y A. Ruszczynski. [42] P. Wanke. “Gestión de Inventarios en la Cadena de
“Conferencias sobre programación estocástica: Suministro: Decisiones y Modelos Cuantitativos (en
modelado y teoría”, SIAM, Filadelfia, EE. UU. Vol.16. portugués)”. Atlas, Brasil. 2011.
2014. [43] P. Wanke. "Efectos de consolidación: evaluación del impacto
[35] E. Silver, D. Pyke y R. Peterson, (1998). de la dependencia de la cola en la agrupación de
Gestión de inventario y planificación y programación de inventario mediante cópulas". Revista internacional de
la producción. Wiley. Nueva York, EE. UU. investigación de inventario. vol. 2, págs. 174–188. 2014.
[36] PJ Salomón. “Componentes de la varianza”. En Armitage, P.
y Colton, T., editores, Encyclopaedia of Biostatistics. [44] P. Wanke, R. Arkader y A, Rodrigues. Un estudio sobre los
Wiley, Chichester. 2005. impactos en el desempeño de las operaciones minoristas
[37] T. Speh y G. Wagenheim. "Incertidumbre de la de las decisiones estratégicas clave de la cadena de
demanda y el tiempo de entrega: los impactos en suministro . Revista internacional de simulación y
el rendimiento y la gestión de la distribución física". modelado de procesos. vol. 4, págs. 106-118. 2008
Revista de Logística Empresarial. vol. 1, págs. 95–113.
1978. [45] P. Wanke, H. Ewbank, V. Leiva y F. Rojas.
[38] J. Tastu. “Predicción de energía eólica a corto plazo: “Gestión de inventarios para nuevos productos con
aspectos probabilísticos y espacio-temporales”. demanda y tiempo de entrega distribuidos
Tesis doctoral, Universidad Técnica de Dinamarca. 2013. triangularmente”. Informática e Investigación de
Operaciones. vol. 69, págs. 97–108. 2016.
[39] R. Thangaraj, M. Pant, P. Bouvry y A. Abraham. [46] P. Wanke y V. Leiva, “Explorando el uso
“Resolución de problemas de programación potencial de la distribución Birnbaum-
estocástica multiobjetivo mediante evolución diferencial”. en b Saunders en la gestión de inventarios”.
Panigrahi, S. Das, P. Suganthan y S. Dash, editores, Problemas Matemáticos en Ingeniería.
Swarm, Evolutionary, and Memetic Computing. vol. ID de artículo 827246:1–9. 2015.
6466, págs. 54–61. Springer, Berlín-Heidelberg, [47] A. Zaldaña y M. Ayala. “Plan de Negocios para la Elaboración
Alemania. 2010. de Jugos Naturales a Base de Frutas y Hortalizas”.
[40] P. Wanke, “Efectos de consolidación y carteras de inventario”. Tesis de doctorado, Universidad de Chile, Facultad de
Investigación de Transporte Parte E: Revisión de Ciencias Físicas y Matemáticas. Departamento de
Logística y Transporte. vol. 45, págs. 107–124. 2008. Ingeniería Industrial, Chile. 2011.
100
Revista de ingeniería Ain Shams 13 (2022) 101575
Listas de contenidos disponibles en ScienceDirect
Revista de ingeniería Ain Shams
página de inicio de la revista: www.sciencedirect.com
Ingeniería Mecánica
Planificación de la producción agregada considerando el aprendizaje organizacional con

análisis basado en casos
C
El-Awady Attia a,b,ÿ , Ashraf Megahed , Ali AlArjani
a
, Ahmed Elbetar d
, Felipe Duquenne
mi
a
Departamento de Ingeniería Industrial, Facultad de Ingeniería de Al Kharj, Universidad Prince Sattam Bin Abdulaziz, Al Kharj 16273, Arabia Saudita
b
Departamento de Ingeniería Mecánica, Facultad de Ingeniería de Shoubra, Universidad de Benha, El Cairo 11672, Egipto
C
Grupo Elaraby, Gobernación de Qalubia, Egipto
d
Departamento de Ingeniería Mecánica, Facultad de Ingeniería (Benha), Universidad de Benha, Benha, Egipto
mi
Departamento de Ingeniería Industrial, INPT / ENSIACET, Universidad de Toulouse, Toulouse, Francia
información del artículo resumen
Historial del artículo: Responder rápidamente a las necesidades de los clientes es uno de los principales objetivos de las organizaciones industriales que quieren
Recibido el 6 de junio de 2020 sobrevivir en la competencia del mercado actual. Este objetivo se puede lograr mediante una planificación sólida.
Revisado el 29 de marzo de 2021
La productividad de la mano de obra se considera una de las entidades importantes en la planificación de la producción. De todos modos, eso
Aceptado el 4 de septiembre de 2021
tiene un carácter dinámico, es decir, la productividad crece gracias al fenómeno de la formación o aprendizaje en el puesto de trabajo.
Disponible en línea el 20 de octubre de 2021
La consideración de este hecho en la planificación de la fabricación mejora la solidez de los planes desarrollados. El presente documento
presenta un modelo matemático para la planificación de la producción a mediano plazo que se utiliza para encontrar la
Palabras clave:
plan óptimo de producción de agregados. El modelo tiene como objetivo optimizar los costos totales de producción respetando la mayoría
Planificación de la producción agregada
de las restricciones operativas y considerando el proceso de aprendizaje organizacional. El modelo presentado se construye apoyándose en
Curvas de aprendizaje
las prácticas industriales reales; el resultado es un entero mixto lineal
Aprendizaje organizacional
Programación lineal entera mixta
programa. El modelo fue validado y comprobado utilizando datos reales recogidos de una fábrica egipcia que
Fabricacion de motores electricos produce motores eléctricos para electrodomésticos. El modelo matemático propuesto se resolvió de forma óptima
utilizando ''ILOG-CPLEX 12.6". Al comparar los resultados obtenidos con los del método adoptado en el
fábrica, se logra una reducción de costos del 6.3% para el conjunto de datos presentado. Un conjunto de aspectos gerenciales son
concluyó después del análisis del modelo. Además, se discute el impacto del uso de tasas de aprendizaje detalladas en el costo de
producción.
2021 LOS AUTORES. Publicado por Elsevier BV en nombre de la Facultad de Ingeniería, Universidad Ain
Shams. Este es un artículo de acceso abierto bajo la licencia CC BY (http://creativecommons.org/licenses/by/4.0/).
1. Introducción logra mediante el desarrollo de un sólido plan de producción. Un plan que considere con
precisión las capacidades disponibles para ejecutar con éxito
Responder rápidamente a las necesidades del cliente es uno de los principales objetivos las actividades de producción. Nivel de planificación táctica o mediano plazo
de organizaciones industriales que quieren sobrevivir en la competencia actual del mercado. La planificación es considerada como uno de los aspectos esenciales de la planificación industrial.
Una de las necesidades más cruciales es entregar la Para este nivel, las diferentes capacidades de producción deben ser
productos requeridos a un tiempo de entrega y precio mínimos, respetando las evaluado para satisfacer la demanda requerida. Este nivel de planificación es
especificaciones preestablecidas. Estos objetivos estratégicos pueden ser conocido como Planificación de Producción Agregada (APP). La aplicación se encuentra
entre la planificación estratégica y la planificación operativa muy detallada. Como se sabe,
hay tres niveles de planificación de la producción:
ÿ Autor para correspondencia. En: Departamento de Ingeniería Industrial, Facultad de Ingeniería de Al Kharj, estratégico, táctico y operativo. Estos tres niveles están interrelacionados con un carácter
Universidad Prince Sattam Bin Abdulaziz, Al Kharj 16273, Arabia Saudita jerárquico. Esta naturaleza debe ser consistente,
Arabia. Tel.: +966507712484.
en el que las decisiones del nivel superior imponen restricciones
Direcciones de correo electrónico: e.attia@psau.edu.sa (E.-A. Attia), ashraf-megahed@elara bygroup.com (A.
sobre las decisiones del nivel inferior. Mientras que el nivel inferior proporciona
Megahed), a.alarjani@psau.edu.sa (A. AlArjani), ahmed.elbetar@b hit.bu.edu.eg (A. Elbetar),
Philippe.Duquenne@ensiacet.fr (P. Duquenne).
la retroalimentación requerida para regular las decisiones del nivel superior,
Revisión por pares bajo la responsabilidad de la Universidad Ain Shams.

por ejemplo, las estrategias de la alta dirección de utilizar trabajadores a tiempo parcial o
los subcontratos externos imponen restricciones a los modelos APP. En consecuencia, el
programa maestro de producción y la planificación de necesidades de material dependen
de los resultados del APP. Con respecto a
Producción y alojamiento por Elsevier duración del horizonte de planificación de APP, la literatura proporciona una
https://doi.org/10.1016/j.asej.2021.09.002
2090-4479/ 2021 LOS AUTORES. Publicado por Elsevier BV en nombre de la Facultad de Ingeniería de la Universidad Ain Shams.
Este es un artículo de acceso abierto bajo la licencia CC BY (http://creativecommons.org/licenses/by/4.0/).
El-Awady Attia, A. Megahed, A. AlArjani et al. Revista de ingeniería Ain Shams 13 (2022) 101575
Nomenclatura
OTn / OTnmax(t) Números reales positivos, representan la cantidad de

Índices horas extraordinarias trabajadas durante un día normal de trabajo
metro
Representa la familia de productos/modelo, m = 1,2,...,M, desde el período t, respectivamente, los montos permitidos y máximos,
donde M es igual al número total de productos,
t Representa el período de planificación, t = 1,2,...,T, donde T es Prav. Número positivo real, representa el promedio de la máquina
el número total de períodos de planificación. productividad,
PWmax Número entero, representa el número máximo de
Parámetros trabajadores a tiempo parcial durante t,
RWmax Número entero, representa el número máximo de
Aav. Número positivo real, Aav 2 [0,1] representa el promedio
trabajadores permanentes durante t,
disponibilidad de la máquina
RWmin Número entero, representa el número mínimo de
cogeneración Número entero, representa el costo de contratación de un trabajador
trabajadores permanentes durante t,
a tiempo parcial,
VRW Número entero, representa el máximo permisible
CIm,t Número real positivo, representa el costo promedio de inventario de
diferencia en el tamaño de la fuerza de trabajo durante dos períodos sucesivos.
m, durante t,
CLP La constante representa el costo de despedir a un trabajador a tiempo parcial.
ejem. Variables auxiliares
CMm,t Número real positivo, representa el material estimado OTPht / OTPnt Número real positivo, representa el total de horas extras
costo por m, durante t, horas para los trabajadores a tiempo parcial durante respectivamente el
COPWh / COPWn Número real positivo, representa respectivamente el

días libres y días laborables normales para t,
costo promedio por hora de horas extras durante un día libre, normal OTRht / OTRnt Número real positivo, representa el total de horas extras
jornada laboral para un trabajador a tiempo parcial, horas para los trabajadores permanentes durante respectivamente el
CORWh / CORWn Número real positivo, representa respectivamente el

días libres y días laborables normales para t,
costo promedio por hora de horas extras durante un día libre, normal
jornada laboral para un trabajador permanente, Variables de decisión
CRW / CPW Número real positivo, representa respectivamente el Ht Variable entera, representa el número de trabajadores a tiempo parcial
salario promedio por período para un trabajador permanente y trabajadores a contratar en t, Ht 0,
el salario medio por período de un trabajador a tiempo parcial, yo soy Variable entera, representa el nivel de inventario del producto m, al
CR m, t Número positivo real, representa el costo de operación estimado de m final de t, Im,t 0,
durante t, Teniente Variable entera, representa el número de trabajadores a tiempo parcial
Csubm,t Número real positivo, representa la subcontratación trabajadores a ser despedidos al final de t, Lt 0,
costo por unidad de m, durante t, OTPhm,t / OTRhm,t Variables reales, representan las horas extra requeridas de
Dm, t Número entero positivo, representa el pronóstico de demanda del los trabajadores a tiempo parcial y permanente, respectivamente.
modelo m, durante t, trabajadores por el producto m durante los días libres del período t,
hora Número entero positivo, representa el número de OTPhm,t 0, OTRhm,t 0,
días libres durante t, OTPnm,t / OTRnm,t Variables reales, representan las horas extra requeridas de
soy,0 Número entero positivo, representa el inventario inicial los trabajadores a tiempo parcial y los trabajadores permanentes
de m justo antes del primer periodo de t = 1, respectivamente para el producto m durante el trabajo normal
KI max / KI min Fracción, representa respectivamente el máximo y días del período t, OTPnm,t 0, OTRnm,t 0
nivel de almacenamiento mínimo permisible como una relación de la p. m., t Variable entera, representa la cantidad de producción de
demanda, KImáximo
y KI min 2 [0,1]. m que se producirá durante t, Pm,t 0,
MDm,t Número real positivo, representa la cantidad de días-hombre necesarios PWm,t Variable entera, representa el número de trabajadores a tiempo parcial
para completar una producción de 1000 unidades trabajadores asignados a m durante t, PWm,t 0,
del modelo m durante t, Om, t Variable entera, representa la cantidad de subcontratación
ns Número entero positivo, representa el número de del modelo m, en el periodo t, Om,t 0,
horas de trabajo por turno, RWm,t Variable entera, representa el número de
Nuevo Testamento Número entero positivo, representa el número de días hábiles normales trabajadores asignados a m durante t, RWm,t 0,
durante t, pequeño Variable real, representa el número de producción
OTh / OThmax(t) Números reales positivos, representan la cantidad de desplazamientos necesarios para m durante t, Sm,t 2 [0,3].
horas extraordinarias trabajadas durante un día libre del período t,
respectivamente las cantidades permitidas y máximas,
variación para este atributo de planificación. Es de naturaleza subjetiva, es decir, cantidades de ción. Para cada período, proporciona los niveles de producción
puede variar de una empresa a otra, o más exactamente de un tipo de producción de cada producto, tamaño de la fuerza de trabajo permanente, número de
a otro. Según la literatura, puede variar mano de obra a tiempo parcial, la existencia de jornadas extraordinarias,
desde los tres meses hasta los dieciocho meses: podemos encontrar periodos los niveles de subcontratación y el tamaño del inventario. los objetivos de
de tres meses [1,2], seis meses [3], ocho períodos [4], de 2 a el modelo APP no se limita a maximizar los resultados de la empresa, sino que
8 períodos de planificación [5], trece períodos de planificación [6], dieciocho también se pueden utilizar para lograr muchos otros objetivos
meses [7]. Otros como [8] lo consideraron en términos de semanas. Sin embargo, por ejemplo, maximizar la utilización de recursos, minimizar la producción
la duración del horizonte de planificación debe especificarse con anterioridad a la cambios, minimizando la variación del tamaño de la fuerza de trabajo permanente,
ejecución del plan de producción. Durante esto y minimizando la subcontratación. Por lo tanto, es importante exactamente
horizonte de planificación, la APP se utiliza para evaluar la relación entre identificar la función objetivo del modelo APP. Según Chen
las capacidades disponibles y la demanda para adaptarse a la producción requerida y Liao [6], se pueden usar múltiples objetivos para obtener una visión más realista
2
modelo. Minimizar el costo total de producción es el objetivo común de los modelos El resto de este documento está organizado de la siguiente manera. La siguiente
APP que incluyen costos que incluyen producción regular, inventario, retrasos, sección presenta la revisión de la literatura relacionada
subcontratación, mantenimiento de capacidad y trabajar. La sección 3 presenta la descripción del problema. El modelo matemático se
pronto. El objetivo de la APP puede formularse como una función de maximización de discute en la Sección 4, mientras que el estudio de caso se presenta en la Sección 5.
beneficios (p. ej . [9]), función de minimización de costes La metodología de solución y los resultados son
(p. ej ., [10]) o una combinación de objetivos múltiples (p. ej ., [2,5,11–14]). discutidos en la Sección 6. Los aspectos gerenciales son discutidos y
Como es bien sabido, el número de trabajadores requeridos analizado en la Sección 7. Las conclusiones y perspectivas se presentan al final del
depende de su productividad laboral. Además, la fabricación documento. Además, hay dos apéndices; El apéndice A contiene el conjunto de datos
la productividad tiene un carácter dinámico, es decir, la productividad manufacturera para un plan de producción.
crece gracias a la experiencia de la mano de obra adquirida a lo largo de y el Apéndice B contiene los resultados óptimos asociados.
tiempo. Tal experiencia se gana debido a muchas razones, por ejemplo, en el trabajo
formación de la mano de obra directa, dominio de los métodos de producción
y procedimientos, desarrollo de plantillas y accesorios, implementación 2. Revisión de la literatura
de herramientas de mejora del rendimiento como la gestión de la calidad total,
producción ajustada o seis sigma, etc. Este fenómeno de evolución es La literatura proporciona un enorme trabajo sobre el tema de APP.
conocida como función de evolución de fabricación o curvas de aprendizaje. modelos y metodologías de solución. El problema fue formulado
En consecuencia, la mejora de la productividad de la mano de obra como modelo de programación por objetivos en [2,14,21]. Prádenas et al. [9] creó el
puede ser modelado en función de la formación en el puesto de trabajo o el trabajo problema con variables binarias y restricciones cuadráticas,
repeticiones Como descubrió Wright [15], se puede ganar un porcentaje del 20 por luego lo resolvió usando un algoritmo basado en heurística. Zhang et al. [10]
ciento como mejora cada vez que la producción introdujo un modelo de programación lineal de enteros mixtos para un
se duplica la cantidad. Este fenómeno de la curva de aprendizaje podría haber Problema de APP con expansión de capacidad. Ramezanian et al. [22] consideró el
un impacto significativo en la programación de los trabajos de producción, la dotación tiempo de configuración y el costo asociado en el problema y
de personal y la minimización de las horas extraordinarias Badiru [16]. lo resolvió usando algoritmos genéticos y algoritmos de búsqueda tabú. En
Este concepto a menudo se considera utilizando la tasa de aprendizaje promedio planificación táctica de la producción, la configuración se puede considerar cuando el
que se pueden encontrar en la literatura. Además, algunos consideraron cambio entre familias de productos incorpora sistema alto
la tasa de aprendizaje como constante para todos los productos en la producción sanciones (en términos de tiempo y/o costo), para más detalles sobre
plan. Sin embargo, la tasa de aprendizaje puede variar entre productos. la consideración de la configuración en el modelo de aplicación se puede ver el trabajo
Esta práctica contamina los resultados obtenidos. Por ejemplo, de [8,22–24]. Wang y Yeh [25] resolvieron un modelo de programación lineal de enteros
Zhang et al. [10] consideraron una tasa de aprendizaje del 85% en su trabajo. mixtos utilizando un algoritmo de enjambre de partículas modificado.
Attia et al. [17] consideró una tasa de aprendizaje del 80% para todas las actividades. Otros consideraron la incertidumbre en los parámetros del problema.
Tirkolaee [18] consideró la pendiente de la curva de aprendizaje como (-0.3) Por ejemplo, Wang y Liang [26] formularon el problema como un
correspondiente a una tasa de aprendizaje de alrededor del 81%. para el mosquito modelo de programación lineal posibilista. Chakrabortty et al. [27]
productos propulsores, Chen et al [19] utilizaron tres categorías de tasas de aprendizaje, considerado también la demanda imprecisa, los costos operativos y la capacidad
una para cada línea de producción dentro del intervalo [0.985, parámetros en su modelo y utilizaron una variante modificada de un posible enfoque
0,995]. Sin embargo, los valores de estas tasas de aprendizaje son muy altos. de optimización de enjambre de partículas basado en el entorno
que indican que el efecto del aprendizaje es muy pequeño y puede ser para resolverlo Baykasoglu y Gocken [11]; Wang y Liang [28] formularon el problema
descuidado. como un modelo difuso multiobjetivo. Zhu et al.
El artículo actual presenta un modelo APP que fue formulado [29] modelaron el problema como una programación basada en intervalos considerando
basado en la práctica industrial real. Considera multiproducto y la incertidumbre y resolviéndola usando el software Lingo. Es más,
planificación de la producción agregada de varios períodos. Minimiza los diferentes Jamalnia et al. [30] evaluaron el desempeño de los diferentes
costes de fabricación respetando la mayoría de las limitaciones operativas. Minimiza estrategias de la APP. Para más detalles sobre la formulación matemática, el trabajo
los costes de material, máquina, de [31] presenta un estudio de los diferentes aspectos de fabricación considerados en
mano de obra (permanente, a tiempo parcial, horas extra), inventario y subcontratación. la formulación matemática de
Respeta muchos tipos de restricciones, por ejemplo, satisfacción de la demanda, el problema. Recientemente, Cheraghalikhani et al. [32] revisó las diferentes
niveles de mano de obra permanente, niveles de trabajadores a tiempo parcial, características y estructura de los modelos de App mientras que [33]
límites de horas extras, capacidad laboral, niveles de stock de seguridad y niveles estudió las diferentes consideraciones de la incertidumbre de APP
máximos de subcontratación, además de algunos de los modelos
aspectos, por ejemplo, trabajar durante las vacaciones o los días libres. Los pedidos pendientes son El concepto de evolución de la experiencia fue considerado en muchos
no permitido en este estudio para asegurar altos niveles de satisfacción del cliente. aplicaciones que incluyen APP [5,34,35], implementación de ERP [36],
Además, se consideró el progreso dinámico de la productividad de la fuerza de trabajo flexibilidad de la fuerza laboral [17], asignación de la fuerza laboral [37] y orden
con base en el concepto de organización planificación de picking [38]. Recientemente, Tirkolaee [18] consideró la
aprendizaje. La curva de aprendizaje organizacional de cada producto fue efecto de aprendizaje para la asignación y programación de rescate de desastres
considerado basarse en datos reales. Esta práctica no está bien abordada. unidades. Además, [39] consideró el efecto de aprendizaje para las operaciones de
en la literatura. Los investigadores a menudo asumen una tasa de aprendizaje promedio fundición. Wei et al. [40] estudió el impacto del aprendizaje en el inventario
según el comercio. Otros usan una tasa de aprendizaje del 80% independientemente gestión con una tasa de aprendizaje estocástica. Las curvas de aprendizaje
de la aplicación. El artículo actual propone estimar la evolución de la productividad de pueden clasificarse en tres grandes tipos: aprendizaje individual, grupal
la fuerza laboral basándose en la curva de aprendizaje de de los individuos y el aprendizaje organizacional [41]. El individuo
Wright [15]. Esta proposición ha sido validada después de investigar la curva de aprendizaje refleja el desarrollo del desempeño en la función de replicación
las curvas de aprendizaje más monovariables presentadas en la literatura del trabajo de un trabajador específico. La principal diferencia
(método y resultados se pueden encontrar en uno de los autores actuales entre el aprendizaje grupal y el aprendizaje individual es la existencia de
trabajo que se presentó en [20]). La matemática propuesta transferencia de conocimientos entre personas que trabajan en un
El modelo fue codificado y resuelto usando ILOG-CPLEX 12.6. El resultado grupo [42]. Las curvas de aprendizaje organizacional se recomiendan cuando
ha sido validado basándose en datos de estudios de casos reales y el desarrollo de la productividad de un producto específico es una función de
análisis detallado por expertos en planificación. Además, el impacto de toda la fuerza de trabajo en lugar de un trabajador o trabajadores específicos. En el
Se han investigado diferentes aspectos de gestión sobre el costo del plan. nivel táctico de APP, las curvas de aprendizaje organizacional son racionales para
y se proporcionan conclusiones. utilizarse que las curvas de aprendizaje individuales o grupales por razones de
3
agregación de los datos de planificación. En cuanto a la incorporación de o el tiempo de producción acumulado. Y los dos de los dos independientes
función de progreso de fabricación y planificación de producción agregada, el trabajo de son importantes para predecir el avance de la productividad. Pueden aparecer algunas
[35] investiga el impacto del efecto de aprendizaje preocupaciones que afectan el patrón de aprendizaje organizacional
en la planificación agregada de los requisitos de la máquina. ellos mostraron por ejemplo, trabajadores a tiempo parcial, subcontratación y horas extraordinarias. De nuestros
la importancia de integrar dichos factores humanos. El pionero experiencia en el estudio de caso de aplicación, los trabajadores a tiempo parcial
trabajo en este tema es el trabajo de [34], aunque los inconvenientes de no puede afectar el patrón de aprendizaje de la organización, donde los trabajadores a
su modelo fueron reportados en el trabajo de [43]: informaron que tiempo parcial comúnmente trabajan como asistentes o trabajadores de servicios públicos.
''el modelo no incorpora adecuadamente el efecto de aprender''. Además, los niveles de subcontratación y horas extraordinarias tienen un efecto
Lamentan el uso del fenómeno del aprendizaje en promedio insignificante en nuestro caso para una producción media mensual de alrededor de
base. Sugirieron representar el desarrollo de la productividad 17.000 unidades. Para las curvas de aprendizaje individuales, este número de trabajo
sobre una base de grupo, apoyándose en grupos de trabajadores. Recientemente, Algu replicaciones es muy grande, es decir, es suficiente para colocar la productividad en la
liyev et al. [44] desarrolló un algoritmo de agrupamiento eficiente que etapa de meseta de la curva de aprendizaje de cualquier trabajador directo.
puede adoptarse para agrupar trabajadores. Según nuestro punto de Para esta producción masiva, el desarrollo de organizaciones
vista, en el nivel táctico de la planificación todos los datos se agregan y el aprendizaje se basa principalmente en los otros determinantes no directamente a
es más conveniente considerar el desarrollo de la productividad la experiencia de la mano de obra directa. La literatura proporciona evidencia de un bajo
sobre una base organizativa en lugar de un individuo o grupo efecto de la fuerza de trabajo directa en la organización.
base. Además, la consideración del efecto del aprendizaje humano aprendizaje como se demostró en la producción continua, por ejemplo, petróleo refinado
en un nivel detallado complica el modelo matemático. Esta complejidad se destacó en [46] y productos químicos [47]. El desarrollo continuo es esencial para la supervivencia
el trabajo de [35], dondequiera que esta incorporación transforme el problema APP en de una empresa. Como se sabe, una de las técnicas que son
un problema mixto no lineal utilizado en la gestión del desempeño de las empresas es el Cuadro de Mando Integral
programa que es difícil de resolver de manera óptima en un tiempo de cómputo (BSC). Una de las cuatro dimensiones de BSC es la capacidad de la empresa
aceptable, especialmente para problemas industriales. Al mejor de los para seguir mejorando y creando valor. Esta medida se basa
conocimiento de los autores, hay una escasez en la literatura para la consideración del dos aspectos: la capacidad de innovación de la empresa y la mejora
efecto de aprendizaje en los modelos de APP que se basan en el taller de los procesos existentes. Según Kaplan & Norton [48], muchos
datos y consideraciones gerenciales reales. La investigación actual intenta empresas establecen objetivos de mejora continua, por ejemplo, ''Milliken &
para cubrir esta escasez con una aplicación en la fabricación de Co." implementa un programa de mejora que mejora periódicamente el desempeño con
motor electrico. un factor específico. Recientemente, Seleem,
et al. [49] presentó una aplicación industrial que logró
mejorar la productividad con 6.22% luego de la implementación de algunos
3. Descripción del problema herramientas de mejora del desempeño, por ejemplo, capacitación de la fuerza laboral, procesos
estandarización, aplicación del programa 5S, aplicación autónoma
Uno de los problemas que enfrentan las empresas manufactureras es el irregular mantenimiento, equilibrar la línea de montaje, aplicar Kaizen, etc. Con base en esta
pedir; esta irregularidad lleva a aumentar los niveles de inventario en discusión, la mejora continua es uno de los factores de éxito de las organizaciones que
períodos de baja demanda, especialmente para una capacidad de producción uniforme. se puede lograr a través de todos.
En consecuencia, el costo del plan de producción aumenta lo que provoca determinantes del aprendizaje organizacional. El problema era
menor rentabilidad, y aumenta el espacio de almacenamiento requerido. los modelado matemáticamente en cooperación con la industria
El problema es satisfacer la demanda irregular requerida con la cantidad óptima. expertos Posteriormente, se codificó y resolvió mediante ILOG-CPLEX.
combinación de recursos de producción al mínimo costo. Para resolver este problema plataforma 12.6. La figura 1 muestra los pasos principales para modelar y resolver el
de la planificación a medio plazo, se puede adoptar la planificación de la producción problema.
agregada. Para cada período de planificación, los diferentes atributos
del plan de producción debe determinarse de manera óptima a un costo mínimo, 4. Modelo matemático
respetando las diferentes restricciones operativas. Estas
Los atributos contienen la fuerza de trabajo permanente, la cantidad de tiempo parcial Modelo matemático
trabajadores, horas extras, subcontratación de repuestos, niveles de inventario, Minimizar:
y cantidades de producción. Por otro lado, las restricciones operativas contienen las
capacidades disponibles de la fuerza de trabajo, el inventario, los niveles máximos de F ¼ F1 þ F2 þ F3 þ F4 þ F5 ð1Þ
horas extras, el tamaño máximo de los trabajadores a tiempo parcial, etc. En el problema
actual, las penalizaciones por desconectarse entre familias de productos son muy
pequeña. Por lo tanto, configura F1 ¼ EX XM CMm;t Pm;t ð2Þ
t¼1 m¼1
el costo puede despreciarse por simplicidad para este nivel táctico. Es más,
este trabajo se basa en el hecho de que la productividad es una propiedad progresiva,
es decir, la productividad de la empresa se desarrolla continuamente a lo largo de F2 ¼ EX XM CRm;t Pm;t ð3Þ
tiempo. Para implementar este supuesto, el aprendizaje organizacional t¼1 m¼1
Se considera curva en lugar de curvas de aprendizaje individuales o grupales.

F3 ¼ ADELANTE þ FPT ð4Þ
En el aprendizaje organizacional, el desarrollo se obtiene de muchos
fuentes: basándose en el trabajo de [45], los determinantes del aprendizaje organizacional
se pueden clasificar en tres clases: -la primera es
DELANTERO ¼ XT ðCRW RWt þ CORWn OTRnt þ CORWh OTRhtÞ
la mayor competencia de los trabajadores de producción directa, ingenieros, t¼1
y gerentes; -el segundo grupo son las mejoras en la tecnología de la organización; -el
tercero son las mejoras en la estructura de la empresa, rutinas de productos y métodos
de coordinación. Para FPT¼XT _ _ ðCPW PWt þ COPWn OTPnt þ COPWh OTPht þ CHP Ht
t¼1
considerando todos estos determinantes, el progreso del aprendizaje se considera en
función del período de producción acumulado en lugar de þ CLP LtÞ
que la cantidad de producción acumulada. Argote [45] afirmó que
existe un debate entre investigadores para la consideración de la
curva de aprendizaje basada en el número acumulado de unidades producidas
4
comienzo
Identifique las características del problema entrevistando

a los expertos de la industria.
Construya el Recoger los

modelo matemático datos de producción.
Predecir la curva de aprendizaje de la

Recopilar los datos de organización para cada producto mediante
los parámetros del modelo. el análisis de regresión no lineal
Codificación del modelo

usando OPL de CPLEX
¿Se validó No
el modelo?
Sí
Desarrollar el plan de producción agregado

del caso de estudio
Investigue los resultados con los

expertos de la compañía
inviable
máximos
Viabilidad defactibles
resultados
Factible
Extraer implicaciones gerenciales
Final
Fig. 1. Diagrama de flujo general de la metodología de investigación.
RWt ¼ XM RWm;t8t OTPht ¼ XM OTPhm;t8t

m¼1 m¼1
Im;t þ Im;t 1
OTRnt ¼ XM OTRnm;t8t CIm;t ð5Þ
F4 ¼ EX XM 2
m¼1 t¼1 m¼1
OTRht ¼ XM OTRhm;t8t F5 ¼ EX XM Csubm;t Q monte

ð6Þ
m¼1 t¼1 m¼1
Sujeto a:
Pwt ¼ XM PWm;t8t Dm;t þ Im;t ¼ Pm;t þ Om;t þ Im;t 18t; 8m ð7Þ
m¼1
RWmín 6 RWt 6 RWmáx8t ð8Þ
OTPnt ¼ XM OTPnm;t8t
m¼1 jRWt RWt 1j 6 VRW 8t ð9Þ
5
0 6 PWt 6 PWmáx8t ð10Þ de trabajadores a tiempo parcial (FPT). La fuerza de trabajo permanente representa
los trabajadores regulares o asalariados. Los costes asociados a la mano de obra
PWt ¼ PWt 1 Lt 1 þ Ht8t ð11Þ permanente se calculan en función de las horas de trabajo
y horas extraordinarias durante los días laborables semanales normales y los días libres.
OTRnt þ OTPnt 6 OTnmaxðtÞ8t ð12Þ Para la mano de obra permanente no se consideran los costos de contratación y cesantías.
Se asumió que el número de permanentes
OTRht þ OTPht 6 OThmaxðtÞ8t ð13Þ los trabajadores pueden ser variados dentro de una cantidad especificada. Esta variación
es el resultado de ausentismo, consideraciones sociales o transferencia
OTnmaxðtÞ ¼ OTn nt ðRWt þ PWtÞ8t ð14Þ entre fábricas. Además, el plan de contratación es un plan estratégico que
depende de la visión y objetivos de la empresa. para tiempo parcial
trabajadores, se consideraron tres fuentes principales de costo: - el costo
OThmaxðtÞ ¼ OTh ht ðRWt þ PWtÞ8t ð15Þ
de las horas normales de trabajo durante los días laborables semanales y los días libres,
- el coste de las horas extraordinarias trabajadas durante los días laborables semanales
OTRnt 6 KO:T ð Þð RWt þ PWt ntÞ8t ð16Þ
y días libres, - los costes de contratación y despido de una mano de obra a tiempo parcial.
Estos tipos de costos laborales se pueden formular como en las ecuaciones (4-
OTRht 6 KO:H ð Þð RWt þ PWt nhÞ8t ð17Þ
a) y (4-b). Estas ecuaciones contienen muchos parámetros que no pueden
OTPht 6 OTRht8t ser considerados específicamente para cada trabajador, pero pueden ser considerados a
ð18Þ
través de valores promedio. Dado que APP proporciona planificación de la capacidad en un
forma agregada durante un horizonte de planificación de mediano plazo
MDRt 6 MDAt8t ð19Þ
(por ejemplo, un año en este estudio) y no proporciona programación de trabajo
y asignación de recursos de manera detallada. Al contrario, el
Pm;t MDm;t
8t ð20Þ los valores detallados de tales parámetros para cada trabajador deben ser considerados
MDRt ¼ XM 1000
m¼1 en el horizonte de planificación a corto plazo. Con respecto a
recompensas de las horas extraordinarias, a menudo se considera como uno más una
b
MDm;t ¼ MDiniðAPT þ tÞ 8t ð21Þ fracción de las tarifas estándar. El coste de contratación puede considerarse como
los costos inducidos por el trabajo de administración y capacitación de los trabajadores a
OTRnt þ OTRht tiempo parcial. El costo del despido del trabajador depende de la
MDAt ¼ ðRWt nt þ ÞþðPWt nt estrategia de la empresa; se puede establecer en un valor especificado o cero. Ecuación
ns
(5) representa el costo de inventario que resulta del almacenamiento de partes,
OTPnt þ OTPht
þ Þ8t ð22Þ productos semielaborados o terminados. Los costos de inventario son
ns
agregados de muchos atributos incluyen la utilización del espacio, el deterioro del material,
los seguros, la inmovilización del capital, etc.
Pm;t ¼ MCm;t8m ; 8t ð23Þ
filosofía lean, el inventario es una de las principales fuentes de
desechos En consecuencia, los niveles de inventario deben minimizarse.
MCm;t ¼ Sm;t ð Þ nt þ ht ns Prav: Aav: qav: ð24Þ
En la práctica, el costo del inventario se puede estimar como un porcentaje periódico del
valor de la pieza/producto. Se supone aquí que; La firma
KI;mín: Dm;t 6 Im;t 6 KI;máx: Dm;t8t; 8m ð25Þ
tiene el costo de inventario por producto. La subcontratación de repuestos es fundamental
para casi todas las empresas manufactureras. La ecuación (6) representa
Om;t 6 Máx Subm;t8m; 8t ð26Þ
los costes de externalización. Las empresas recurren a la subcontratación para resolver el problema
La función objetivo del modelo APP actual expresa la de alta demanda de producción que inducir una escasez en la máquina o
suma de los diferentes costos; por lo tanto, tendrá que ser minimizado. capacidad laboral. Es frecuente externalizar o subcontratar las piezas no críticas o
Aquí, hay una diferencia entre los costos de horas extras de trabajar durante los días estándar. Sin pérdida de generalidad, aquí se supone que la subcontratación se considera
laborables semanales o los días libres. Además, los pedidos pendientes son al nivel de los productos. Para transformar este nivel de subcontratación del nivel de
no se permite satisfacer las necesidades del cliente. La función objetivo producto al de piezas, el porcentaje de subcontratación
es una suma de cinco subfunciones representadas por ecuaciones
(1 a 6). Donde F1 es el costo de material, F2 es el costo de operación, Se puede calcular el trabajo Om,t a la cantidad total de producción. Este
F3 es el costo de mano de obra, F4 es el costo de inventario y F5 es el costo de El porcentaje se puede utilizar para calcular la cantidad de contenido de trabajo.
subcontratación. La ecuación (2) significa el costo del material que es que podría externalizarse y, en consecuencia, la cantidad de contenido de trabajo puede
necesarios a lo largo del horizonte de producción para la fabricación externalizarse a nivel de piezas.
la mezcla de productos requerida. Para cualquier producto dado, el costo del material Debe respetarse un conjunto de restricciones operativas. Aquí, estos
se puede calcular en función de su lista de materiales. Este costo puede diferir Las limitaciones se pueden agrupar en cinco categorías principales. cuales son
de un período a otro dependiendo de la tasa de inflación o satisfacción de la demanda, capacidad de mano de obra, instalaciones de producción,
tasa de cambio de dinero entre monedas. La cantidad total de capacidades de inventario y decisiones que gobiernan los niveles de inventario o las
los costos de materiales se calculan simplemente agregando todos los costos de materiales cantidades de subcontratación. La ecuación (7) representa la demanda
de todos los productos elaborados durante el horizonte de planificación, considerando restricciones de satisfacción. Para cada período de tiempo t, la demanda puede
que CMm,t es constante a lo largo del período t, pero puede variar del período t al t+1. La ser cumplido tanto por la producción (Pm,t) como por los productos almacenados
ecuación (3) representa los costos de operación que contienen todos los costos resultantes (Im,(t-1)). La restricción asegura que al final de cada planificación
del uso de los diferentes procesos de producción. período t, el stock de seguridad del período final (Im,t) más la demanda requerida
instalaciones: incluye costos de máquinas y servicios públicos, etc. Este conjunto de debe ser igual al nivel de producción más la seguridad del período de inicio
Se suponía que los gastos debían conocerse de antemano. Para un producto dado, se stock (Im(t-1)), además de la subcontratación, si la hubiere. Normalmente,
puede estimar a partir de la ruta de fabricación y el Las organizaciones industriales dependen de trabajadores permanentes para satisfacer sus
tiempo estándar para cada operación. El planificador puede considerar estos demanda de producción. Puede ser un punto de interés para las organizaciones.
factores como constantes durante todos los períodos t = 1, 2,..., T, o variando para conocer su número óptimo de trabajadores permanentes mientras se minimiza el
de un periodo a otro. En cuanto a los costes laborales (ecuación costo total del plan. En realidad, el tamaño de la permanente
conjunto 4), aquí se consideran dos tipos de trabajo: el primero es el los empleados directos pueden fluctuar diariamente por motivos de vacaciones, ausentismo,
mano de obra directa o trabajadores permanentes (FRW), el segundo resulta factores sociales, bajas por enfermedad, etc. Sin embargo, en algunos
6
maneras, debe permanecer entre los límites máximo y mínimo. aprendizaje organizacional (ecuación (21)). en el que la variable
En consecuencia, el planificador debe desarrollar un plan de producción que APT representa el número de períodos de producción realmente trabajados, b representa
es capaz de acomodar esta variación. Aquí, estos máximos una constante que se puede calcular en la función
y los umbrales mínimos son respectivamente (RWmax, RWmin), como de la tasa de aprendizaje promedio (LR) para el producto m como (b = Ln(LR)/Ln(2)).
expresado por la ecuación (8). Esta propuesta es diferente a las anteriores. La tasa de aprendizaje = 1- Relación de progreso. La relación de progreso es la relación
trabajos de investigación que permiten la contratación y despido reiterado de entre la reducción de esfuerzo debido a la replicación del trabajo y la inicial
trabajadores permanentes. Hay tres razones para adoptar la idea. esfuerzo requerido en la primera ejecución. El esfuerzo se representa a menudo
de utilizar límites mínimos y máximos para la fuerza de trabajo permanente en lugar de en términos de tiempo, costo, hora-hombre o día-hombre (en el actual
contratar y despedir trabajadores continuamente. El primero investigar). Mientras que MDini es el hombre-día inicial que se encuentra en el primer
razón es la naturaleza de la variabilidad de los trabajadores permeables en razones período de producción. Los dos factores MDini y b pueden predecirse en base a
de ausencia por factores sociales, licencias por enfermedad, vacaciones de en los datos reales de producción. En este modelo, el fenómeno del aprendizaje se
entretenimiento, etc. La segunda razón es la capacidad de las empresas para transferir representa en función de la producción acumulada
empleados entre sus sectores de producción de acuerdo con la periodos en lugar de las unidades acumuladas producidas. Este concepto es
planes de producción. La tercera razón es la naturaleza estratégica de la decisión de adoptado para superar la complejidad planteada por la incorporación de la
contratación y despido, no podría aplicarse mensualmente. Eso efecto de aprendizaje: es decir, integrando el efecto de aprendizaje en función de
se supone que los valores de RWmax y RWmin se pueden estimar la producción acumulada cambia el modelo matemático a un
basado en los datos reales del piso de producción. La fluctuación de lo permanente. uno no lineal. Esta no linealidad complica la posibilidad de obtener una solución óptima
mano de obra de un período a otro debe ser tan suave como al problema, especialmente para problemas de
posible. Por esa razón, la diferencia absoluta entre el el tamaño industrial real. Por otro lado, se demuestra que la formulación presentada de
el número de trabajadores permanentes durante dos períodos de trabajo sucesivos debe la ecuación (21) es más relevante que la mayoría de
mantenerse en un nivel máximo de variación (VRW) determinado las curvas de aprendizaje monovariables [20]. En cuanto a lo disponible
eso debe ser evaluado por el comité de gestión, representado por las limitaciones (9). número de días-hombre, se puede determinar basándose en todos los
Por otro lado, el número máximo mano de obra y todas las horas de trabajo, representadas por la ecuación (22).
debe especificarse el tiempo parcial. Como es bien sabido, las principales habilidades Las máquinas tienen capacidades limitadas. Por lo tanto, el disponible
de la empresa debe confiarse a los trabajadores permanentes, para preservar las máquinas tienen que cumplir con la capacidad requerida por la producción
desempeño y desarrollando una mejora continua. Como ecuación (10), el número de plan. Al adoptar el trabajo por turnos, la capacidad de la máquina se puede duplicar o
trabajadores a tiempo parcial para cada período t debe triplicar según el volumen de producción.
tienen un límite predefinido. Este límite se puede especificar de acuerdo con requerido. Estos tipos de restricciones se modelan mediante la Ecuación (23).
las estrategias de gestión – por lo general, se puede considerar como una fracción de La ecuación (24) se utiliza para determinar la capacidad de las máquinas por
los trabajadores permanentes. Durante los períodos de producción, el período t (MCm,t) basándose en la productividad por hora (Prav), la
continuidad de las cantidades de mano de obra a tiempo parcial limitaciones disponibilidad media (Aav), el índice de calidad media (qav) y el
debe ser satisfecha, como lo modela la ecuación (11). las horas extraordinarias horas de trabajo máximas permitidas (número de turnos (Sm,t) número de días de
se adopta aquí para superar la escasez de capacidad de producción trabajo permitidos por período (nt + ht) de trabajo
para satisfacer la demanda. Las horas extraordinarias se pueden trabajar durante horas por turno (ns)). La multiplicación de los tres términos (productividad, disponibilidad
días laborables semanales normales o días libres. Por supuesto, compensaciones e índice de calidad: (Prav. Aav. qav) formula
por trabajar en días libres son superiores a los de los días semanales. la efectividad general promedio del equipo (OEE) de las máquinas
Las horas extraordinarias están permitidas para todos los trabajadores con límites especificados durante utilizado en la producción del producto m. Finalmente, el inventario también
días semanales (ecuación (12)) y días libres (ecuación (13)). Estas impone otro conjunto de restricciones como lo demuestra la ecuación
los lmites se calculan como se representa en la ecuacin (14) para semanal (25). Limita el nivel de almacenamiento para estar dentro de un rango preespecificado
días y ecuación (15) para días libres. Según la industria que se encuentra entre Min. (Im,t) y Máx. (Im,t). el stock de seguridad
práctica común, el número total de horas extraordinarias trabajadas Es muy importante que funcione como cobertura contra la incertidumbre. Estas
por un período determinado (por ejemplo, un mes) durante los días normales de trabajo debe los límites se consideran como una proporción (KI) de Dm,t. Como resultado de
ser menor que una fracción preespecificada (KO.T) de las horas estándar práctica industrial común, la proporción del nivel mínimo
que se trabajaron en ese período, según nuestra experiencia, este porcentaje puede del stock de seguridad puede regularse al 20%, y que para el máximo
estimarse en torno al 15%. Esta restricción industrial fue el nivel puede alcanzar el 40%. Estas fracciones pueden variar de una empresa a otra.
también considerada en el modelo como ecuación (16). el mismo concepto otro de acuerdo a muchas variables incluyendo la gestión
también se considera para trabajar en días libres con una proporción preestablecida estrategias, confiabilidad de las máquinas, disponibilidad de recursos, fluctuaciones
(KO.H), según la ecuación (17). También existen restricciones imprevistas en la demanda, etc. Las empresas deben minimizar el
sobre el número de trabajadores a tiempo parcial durante los días libres, expresando número de elementos subcontratados y limitarlo a estándar o auxiliar
que no es cómodo depender demasiado de trabajadores a tiempo parcial, partes, sin embargo, el subcontrato ofrece soluciones cuando hay escasez en
para garantizar problemas de seguridad o calidad. La ecuación (18) expresa esto capacidad de la máquina o de la mano de obra. Como se mencionó anteriormente, la subcontratación
restricción asegurando que, las horas extraordinarias de los trabajadores permanentes a nivel de producto se considera en esta investigación. Pero, la cantidad subcontratada
trabajadores es superior o igual a la de los trabajadores a tiempo parcial. está restringida por un límite máximo permisible, como
Para presentar las limitaciones asociadas con la fuerza de trabajo ecuación (26). Además, el modelo considera la no negatividad
capacidad, el término "hombre-día" debe aclararse. Un "día-hombre" representa el restricciones para todas las variables de decisión.
número de trabajos necesarios para producir un conjunto de 1.000
unidades de un producto o artículo determinado durante un solo turno de producción
estándar. La ecuación (19) asegura que para cada periodo t, el 5. Estudio de caso
número de días-hombre necesarios para fabricar el plan de producción
(MDRt) es inferior o igual al número de días hombre disponibles (MDAt). La ecuación El estudio de caso real se llevó a cabo en una empresa manufacturera egipcia que
(20) se usa para calcular el número requerido de días-hombre para todos los productos. se especializa en la producción de electrodomésticos y se llama "El-Araby Group". Esta
MDm,t se puede predecir basándose en empresa es una sociedad anónima
en la curva de aprendizaje organizacional. En consecuencia, el número empresa familiar fundada en 1964 y dedicada a la producción
de los días-hombre requeridos para cada producto se desarrolla con el tiempo. productos de alta calidad que integran alta tecnología para
Basándose en el estudio de investigación de Attia et al. [20], el aprendizaje satisfacer las necesidades o expectativas de los clientes. Produce alrededor de 890
curva de Wright [15] se puede utilizar de manera competente para representar productos diferentes a través de 21 fábricas. Además, se basa en más de
7
20.000 empleados. Este estudio considera una sola fábrica que produce motores formado. Que utiliza un conjunto de datos de producción real de 42 meses, con un
eléctricos. La producción de motores eléctricos ha tasa de producción mensual promedio de alrededor de 17,000 unidades. el conjunto de datos
comenzó a crecer en esta empresa desde 1992. La fábrica bajo consideración fabrica 29 utilizado se refiere a 110 procesos de fabricación y los diferentes estilos
productos diferentes suministrados a la de productos finales. Después de realizar el análisis de regresión no lineal utilizando diez
otras fábricas de la organización, más algunas otras referencias suministradas a otros fórmulas para curvas de aprendizaje monovariable, el
clientes externos. La empresa tiene un buen mercado. Se evaluó la calidad de cada curva de aprendizaje utilizada para ajustar los datos.
compartir y se enfrenta a una demanda muy alta de algunos tipos de productos: Se adoptaron cinco criterios para esta evaluación de la calidad: regresión
la producción de motores para ventiladores de techo es de 1.800.000 unidades/año, coeficiente R2 , la estabilidad del modelo de aprendizaje para ajustarse a los datos,
motores de ventiladores de mesa 800.000 unidades/año y motores de ventiladores de ventilación es suma de cuadrados de los errores (SSE), la variación de R2 , y variación
750.000 unidades/año. La fabricación de estas diferentes familias de ESS. Priorizar estas curvas de aprendizaje apoyándonos en lo anterior
de los productos involucran 110 procesos de producción que se deben realizar para dar cinco criterios, se adoptó el procedimiento de jerarquía analítica (AHP)
forma a las piezas requeridas. Estos procesos se pueden clasificar en seis grupos con el objetivo de encontrar la curva de aprendizaje más adecuada para el
principales. El primer grupo de procesos es el estudio de caso actual y las alternativas son las diez monovariables
operaciones de troquelado y perforado de las tiras de acero que producen curvas de aprendizaje. El análisis muestra que la curva de aprendizaje de
las laminaciones de acero que dan forma a la parte del estator de la eléctrica Wright [15] es la curva más relevante a utilizar. El aprendizaje
motores El segundo grupo son las operaciones de fundición a presión, que producen curva para cada producto se enumera en la tabla A-3 del apéndice A, en el
algunas partes diferentes, como las cubiertas delantera y trasera del última columna. Para cada producto, la tasa de aprendizaje se puede calcular
motores, y la cubierta de engranajes de transmisión para algunos otros modelos. utilizando la pendiente de la curva. Como ejemplo, para Producto-1, la pendiente
Después de los procesos de fundición a presión, existe la necesidad de procesos de corte de la curva de aprendizaje (-0.05632). Sabiendo que: Pendiente = ln(aprendizaje
de metal, por ejemplo, operaciones de torneado, taladrado, escariado y roscado que tasa)/ln(2), uno puede calcular la tasa de aprendizaje = e(-0.05632ln
(2)
estructuran la tercera categoría. El cuarto grupo se reúne = 0,9617. En porcentaje, la tasa de aprendizaje = 96,17% para
las operaciones de cableado que incorporan el estator con el requerido Producto-1. La descripción detallada de este estudio de investigación es
bobinas eléctricas, y luego el aislamiento y el tratamiento de las bobinas deben presentado en el trabajo actual de los autores de [20].
tener lugar. Existen algunos otros procesos como el prensado, esmerilado, moleteado,
roscado de ejes, etc. Estos procesos, conocidos en este
6.2. Metodología de solución
empresa como "acabado", caracterizan la quinta categoría. Finalmente,
la sexta categoría es el proceso de ensamblaje que reúne todas las partes
El modelo de APP presentado se resolvió de manera óptima utilizando ILOG
juntos para formar el producto final. Siguiendo la producción
CPLEX-12.6. Primero, el modelo se codificó a través del lenguaje OPL.
pasos, encontramos las operaciones de inspección y prueba. La figura 2 muestra
Los conjuntos de datos de los planes de producción se ingresaron en el modelo.
una ilustración de dos productos: un motor de ventilador de mesa y el estator
Después de ejecutar el modelo, las siguientes estadísticas promedio de la
de un motor de ventilador de techo.
se obtuvieron tres planes: variables totales = 1.545, variables enteras = 1.124, variables
reales = 421, restricciones = 3.017 y coeficientes distintos de cero = 5.769. Para validar el
6. Resultados computacionales modelo, el
autores organizaron algunos talleres con los expertos en planificación de
6.1. Datos básicos la fábrica para investigar la calidad y la aplicabilidad de la
resultados obtenidos. Primero, la misma práctica real de la fábrica fue
Después de identificar los parámetros requeridos, la fábrica completa considerados: los trabajadores a tiempo parcial no fueron considerados para el Plan I.
Los conjuntos de datos se recopilaron durante tres años consecutivos, conocidos aquí como Además, se actualiza la evolución de la productividad de la plantilla
Plan-I anual, Plan-II anual y Plan-III anual. Estos tres planes semestralmente con los valores reales. El modelo se ejecuta para obtener resultados.
se dedicaron a producir un total de veintinueve productos. los para cada plan con un tiempo promedio de computación de aproximadamente 31 segundos
El conjunto completo de datos para Plan-I se presenta en el apéndice A. También se utilizando una máquina con un procesador Core i3. Los resultados de cada carrera
proporcionan las curvas de aprendizaje que expresan la evolución del esfuerzo requerido son extremadamente investigados, todas las restricciones son satisfechas, y todos
en días-hombre. En cuanto a la predicción de estos aprendizajes las variables obtuvieron los valores esperados. Además, los costos de la
curvas: Para la misma fábrica, el comité de dirección fue los planes obtenidos son inferiores a los de los planes reales que se enumeran
motivados para conocer la curva de aprendizaje más adecuada que puede en la Tabla 1. Basándose en los exámenes de los expertos, los resultados de
utilizarse para estimar la evolución de la productividad de la mano de obra a lo largo se validó el modelo y se garantizó su aplicabilidad.
tiempo. En respuesta a este incentivo, se realizó un estudio de investigación Después de la adopción del efecto de aprendizaje sobre una base mensual confiando
Fig. 2. Ilustración de (a) motor de ventilador de mesa (b) estator bobinado de motor de ventilador de techo en proceso.
8
en la curva de aprendizaje de Wright [15], los resultados óptimos fueron producto no afecta el proceso de aprendizaje porque para cada
obtenidos para los tres planes. La función objetivo obtenida para estación de trabajo cada trabajador está trabajando continuamente en el mismo
cada plan se muestra en la Tabla 1. máquinas, pero sólo la configuración inicial de la máquina se puede cambiar para
Al comparar los costos totales de los planes óptimos obtenidos y producir el segundo producto. Por otro lado, el fenómeno de aprendizaje tiene un
las ya ejecutadas, la trascendencia de aplicar la propuesta efecto indirecto sobre la capacidad requerida de la máquina.
modelo fue concluido. La Tabla 1 presenta la comparación entre Este efecto indirecto proviene de la reducción del tiempo de inactividad de la máquina,
planes óptimos resultantes del modelo y los correspondientes valores de la empresa. procesos de preparación, utilizando velocidades de trabajo adecuadas, etc. En otros
Basándose en la Tabla 1 , el modelo da esperanza a un costo Es decir, el impacto del aprendizaje proviene de la experiencia adquirida por
reducción de alrededor del 7% para un tiempo de cálculo inferior a un minuto. los trabajadores.
Además, el impacto de considerar el efecto de la organización La Tabla B-5 muestra la distribución del número de trabajadores a tiempo parcial.
el aprendizaje mensual y el semestral es muy trabajadores utilizados por el modelo durante el horizonte de planificación. Uno puede
pequeño alrededor del 0,2% en promedio, pero puede contribuir al ahorro total de Nótese que el modelo siempre usa el número máximo de trabajadores a tiempo parcial
costos de producción. cuando se permite el tiempo parcial y el número mínimo de trabajadores permanentes
Los resultados completos del "Plan-1" se presentan en el Apéndice B. no es suficiente para producir el plan de producción. Para cada período de producción
Al investigar la tabla B-1, se puede descubrir que la producción t, los trabajos requeridos
de un producto específico Pm,t tiene lugar para satisfacer la demanda prevista del (permanente o a tiempo parcial) depende de la cantidad de producción Pm,
cliente Dm,t presentada en la tabla A-1. En consecuencia, hay un t. En el caso de alta demanda, el modelo privilegia las opciones que
discontinuidad en la producción de algunos productos. Como se muestra, el están disminuyendo el costo total. Al comparar el salario mensual de
cantidad de producción Pm,t = 0 para algunos períodos específicos, por ejemplo, para un trabajador a tiempo parcial al salario medio mensual de uno de los
los productos 1, 16, 17, 18 y 24. La pregunta que se puede plantear aquí: trabajadores permanentes, se puede notar que el modelo debe privilegiar
¿Esta interrupción en la producción tiene un efecto en la el part-time porque tiene el mínimo coste. En consecuencia, como
tasa de aprendizaje para un producto específico? Para responder a esta pregunta, Como se muestra en la tabla B-5, el modelo siempre utiliza el número máximo
debemos considerar dos situaciones. La primera situación es la producción de todos permitido de trabajadores a tiempo parcial para reducir costos. Esta tendencia puede
los productos requiere los mismos procesos con específicos notarse en el horizonte de producción excepto el último trimestre de
habilidades. En la fábrica actual, la producción de todos los productos requiere el año (septiembre, octubre, noviembre y diciembre). Como estrategia de trabajo en el
procesos como corte y perforación, fundición a presión, torneado, taladrado, empresa, los trabajadores a tiempo parcial no están permitidos durante el cuarto
escariado, roscado, prensado, esmerilado, moleteado, roscado de ejes, cableado, trimestre del año. Adoptaron esta estrategia en razón de la demanda.
aislamiento, tratamiento de bobinas y montaje. En tal trabajo estacionalidad en las demás fábricas de la empresa por lo que prefieren
medio ambiente el efecto de la interrupción de la producción en la tasa de aprendizaje redistribuir a los trabajadores permanentes en lugar de utilizar a tiempo parcial
es muy pequeño y la justificación de utilizar el olvido trabajadores Como se mencionó anteriormente, los trabajadores a tiempo parcial a menudo son
la curva es muy débil. El segundo caso se encuentra cuando la producción trabajando como trabajadores de servicios públicos o utilizados para las tareas más fáciles que pueden
de productos requiere diferentes procesos o diferentes habilidades. En esto ser realizado por cualquier persona con una mínima orientación y guía.
caso, se debe considerar que la curva de olvido representa la
naturaleza dinámica de la adquisición de experiencia durante los períodos de trabajo
y su pérdida por olvido durante los períodos de no producción. 7. Aspectos de gestión
Los niveles de inventario se presentan en la tabla B-2. Tal como se obtiene, el
cantidades máximas se dan a los productos 3, 6, 8, 11 y 13. Este Para concluir algunos aspectos gerenciales, un conjunto de modelos
la tendencia se iguala con las cantidades máximas enumeradas en la tabla B-1. Los parámetros se investigaron utilizando el conjunto de datos de Plan-I. los
Además, es consistente con la demanda pronosticada presentada en los resultados del Plan-I se mantienen como referencia (Tabla 1). Primero, la decisión
tabla A-1. de contar con una plantilla fluida de trabajadores permanentes (VRW) .
Al revisar la tabla B-4, se puede notar la alta variación de Sm,t La adopción de este factor en lugar de PWmax y PWmin obliga al modelo
en el intervalo [0, 3]. Esta variabilidad está altamente correlacionada con la suavizar la fuerza de trabajo apoyándose en la mano de obra inicial disponible
cantidad de producción Pm,t de la tabla B-1. Como la cantidad de producción en t0. La Fig. 3 muestra el efecto del límite máximo de permanente
Pm,t aumenta la capacidad requerida de la máquina está aumentando que variación de la fuerza de trabajo entre dos períodos de trabajo sucesivos en
se puede duplicar o triplicar trabajando en bases de turnos. Esta alta correlación entre el costo total. Parece que la relación entre el costo total
Sm,t y Pm,t puede descubrirse con base en las ecuaciones (23) y (24). Además, esta y VRW es una correlación inversa no lineal. A medida que crece esta variación
correlación puede ser gráficamente hacia arriba, el costo total se reduce hasta que alcanza un valor fijo en
notado al comparar el gráfico del plan de producción Pm,t con el VRW = 328 trabajadores. El costo de tener una fuerza de trabajo permanente
representación gráfica Sm,t. La variación en el número de turnos para cada constante representa 1.260.930 UM, o el 0,62% del costo del plan de referencia
203.5
tabla 1 millones
Comparación entre el coste óptimo y el obtenido por metodología firme.

203
plan yo Plano II Plano III
Costo total óptimo (UM) con 202.129.291 218.142.308 230.584.606

202.5
evolución mensual de
productividad de la fuerza de trabajo.
Costo total óptimo (UM) con 202.601.094 218.689.809 230.899.933 Costo
(UM)
total
plan
del 202
evolución semestral de
productividad de la fuerza de trabajo.
Costo real (UM) obtenido por 215.630.247 236.522.013 250.716.198 201.5
la metodología de la
fábrica.
201
Diferencia entre real y 13.500.956 18.379.705 20.131.592
0 5 10 15 20 25 30 35 40 45 50 55
costo óptimo (UM)
Porcentaje de reducción (%) 6.261 7.771 8.030 Alisado de trabajadores permanentes (VRW)
Tiempo de ejecución (seg) 31 44 47
Fig. 3. El efecto de suavizar los niveles de mano de obra permanente en el costo total del plan.
9
(Cuadro 1). Para reducir este impacto, las organizaciones deben encontrar un compromiso 204.5
entre tener trabajadores permanentes fijos y permitir
variación en el personal de la fuerza laboral total mediante el uso de trabajadores a tiempo millones 204
parcial, transferencia de trabajadores entre fábricas, o mediante la adopción de estrategias
de horarios de trabajo flexibles en caso de demanda variable en períodos.
203.5
La segunda decisión son los niveles de horas extras que se utilizan durante las horas normales.
días laborables. Manteniendo VRW = 0, discutido anteriormente, y cambiando el porcentaje
203
de tiempo extra permitido utilizado (variando KO.
T); el costo resultante puede reducirse. Como se muestra en la Fig. 4, el total Costo
(UM)
total
plan
del
el costo del plan disminuye con una mayor concesión de horas extras. los
202.5
la reducción en el costo total tampoco es lineal y está inversamente correlacionada con las
horas extra y muestra pocos cambios después de un porcentaje dado de (KO.T) que puede 202
considerarse como KO.T = 45%. Al adoptar el 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
estrategia de horas extras en KO.T = 45%, el efecto de utilizar una fuerza de trabajo Niveles de KO.H en porcentaje
permanente constante puede reducirse en un 66,2%.
Fig. 5. El efecto de KO.H en el costo total del plan.
La tercera decisión es sobre la oportunidad de trabajar durante
días de descanso. Se mantienen las estrategias de tener VRW = 0 y KO.T = 15%.
El efecto de trabajar durante los días libres puede investigarse variando el trabajo permitido
durante los días libres (es decir, variando KO.H). Este
factor tiene un efecto similar en el costo total del plan como el anterior 207
factores discutidos como se muestra en la Fig. 5. Se observó que no se nota una mejora
206
significativa para KO.T superior al 30%. adoptando millones
esta estrategia conduce a reducir el costo de tener constante permanente 205

mano de obra en un 30%. Es obvio que permitir horas extras durante los días normales de
204
trabajo trae mejores resultados que trabajar durante
días libres, ya que la tarifa horaria es menor. Trabajar durante los días libres 203
puede apreciarse en caso de no disponibilidad de trabajar con tiempo extra durante los
202
días laborables normales, por ejemplo, como en el caso de 3 turnos de trabajo en Costo
(UM)
total
plan
del
una instalación dada. 201

La cuarta decisión es sobre el número de trabajadores a tiempo parcial.
200
Aquí también, las estrategias de usar VRW = 0, KO.T = 15% y KO. 0 300 260
280 200
220
240 160
180 100
120
140 80 60 40 20
H = 15% se mantienen durante el estudio de esta decisión. En esa vista,
la restricción de tener cero trabajadores a tiempo parcial durante el 4º Nivel máximo de trabajadores a tiempo parcial
cuarto está relajado. La figura 6 muestra este efecto de los trabajadores a tiempo parcial.
Fig. 6. El efecto de variar los trabajadores a tiempo parcial en el costo total del plan.
sobre el coste total: este coste se reduce a medida que aumenta el número
de tiempo parcial hasta que alcanza un valor dado por encima del cual este efecto
parece insignificante (140 trabajadores) o nulo (160 trabajadores). Este
estrategia de aumentar los trabajadores a tiempo parcial hasta 140 trabajadores conduce pero no práctico. Por otro lado, maximizar el inventario (KI max)
a ahorrar el costo de tener un permanente completamente constante se prefiere por razones operativas, pero aumenta el asociado
personal. Además, reduce el costo total en aproximadamente un 0,26% de costo. Para investigar este factor, las estrategias de uso VRW = 0, KO.
el costo de referencia. La influencia de contratar trabajadores a tiempo parcial viene
T = 15%, KO.H = 15% y número de trabajadores a tiempo parcial PW = 80
desde dos aspectos: el primero es el salario por hora en comparación con el tiempo extra se mantienen durante la investigación. Como se muestra en la Fig. 7 , la reducción
o trabajando en días libres. El segundo es el efecto de la del costo está altamente correlacionado con el límite máximo de inventario
trabajadores a tiempo parcial que palia las variaciones en la fuerza de trabajo total niveles Como práctica óptima, esta limitación podría relajarse.
necesaria para hacer frente a las fluctuaciones de la demanda. La relajación de esta restricción práctica permite que el modelo
En cuanto a los niveles mínimos permisibles de inventario (KI min), hacer un trade-off entre periodos. Sin embargo, la mayoría de las organizaciones
es obvio que el inventario cero es suicida. Puede parecer óptimo tener límites de inventario.
205 205
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 204.5
millones
204.5 millones 204
203.5
204 203
202.5
203.5 202
201.5
203 Costo
(UM)
total
plan
del
201
Costo
(UM)
total
plan
del
200.5
202.5
200
100 60 55 50 45 40 35 30
95 90 85 80 75 70 sesenta
ycinco
202
Niveles de KO.T en porcentaje Niveles de KI máximo como un porcentaje
Fig. 4. El efecto de KO.T en el costo total del plan. Fig. 7. El efecto del KI máximo sobre el costo total del plan.
10
El último parámetro a investigar es la tasa de aprendizaje. Está interesado en el valor de edad, más fácil de manejar, en lugar de mediciones precisas realizadas
área de gestión de operaciones para medir el impacto del aprendizaje práctico en el para cada tipo de operación o familia de productos.
costo total de producción (ecuación (21)). Los siguientes escenarios se utilizan en En consecuencia, las empresas deben estimar los parámetros correspondientes de
esta investigación y se mantienen los parámetros del modelo como se enumeran en sus productos y, para simplificar el cálculo, pueden utilizar un valor promedio en lugar
el Apéndice A: de los detallados. Por otro lado, usar valores de la literatura para la tasa de
- Usar el valor real de la tasa de aprendizaje para cada modelo obtenido de la aprendizaje es engañoso, especialmente si las aplicaciones son diferentes.
aplicación del análisis de regresión a datos reales (el resultado es el mismo que se
presentó en la Sección 6.2 y se conoce aquí como "Referencia").
- Usando una tasa de aprendizaje promedio para todos los modelos (tasa de 8. Conclusión
aprendizaje = 95.45%).
- Usando algunos otros valores alrededor del promedio (Sin aprendizaje, 98, El artículo actual presenta un modelo matemático para el problema de la
96, 95, 94, 92...80%). Planificación de la Producción Agregada (APP). Este modelo considera una amplia
Después de resolver el problema utilizando todos los escenarios anteriores, se gama de fuentes de costos: máquinas, mano de obra, inventario, subcontratación.
puede desarrollar la Fig. 8 . Representa la relación entre la tasa de aprendizaje y el Además, considera el concepto de aprendizaje organizacional para pronosticar las
costo total del plan. Como se muestra, el aumento en la tasa de aprendizaje va tasas de productividad de la fuerza laboral en términos de carga de trabajo ("días-
acompañado de un aumento en el costo total del plan. Esta tendencia es normal, a hombre", donde un día-hombre es el número de trabajos requeridos para producir
medida que aumenta la tasa de aprendizaje, se desvanece la oportunidad de una cantidad de 1,000 unidades de un producto o pieza determinada). durante un
reducción de la capacidad de trabajo requerida. Confiando en la relación de (índice día”). Además, se consideraron las diferentes restricciones o condicionantes de
de aprendizaje = 1 – índice de progreso), un índice de aprendizaje alto significa un trabajo: demanda, almacenamiento, capacidad de mano de obra, horas extras de
índice de progreso pequeño. Por lo tanto, para una mayor tasa de aprendizaje, la mano de obra permanente o de medio tiempo, etc. Luego se resolvió el modelo
oportunidad de mejora en la productividad de la fuerza laboral será muy minúscula y utilizando el software ILOG-CPLEX luego de codificarlo con lenguaje OPL. Se utilizó
tiende a aumentar el costo del plan. Además, la forma de meseta de la curva de un estudio de caso real para validar el modelo. Los datos fueron tomados de una
aprendizaje se alcanza más rápido que el caso con una tasa de aprendizaje baja. En fábrica de motores eléctricos. Esta fábrica es una de "El-Araby Group" para la
otras palabras, para una tasa de aprendizaje del 100% no hay mejora en el tiempo. fabricación de electrodomésticos. Los resultados fueron analizados y validados por
El impacto de considerar el fenómeno del aprendizaje en APP es significativo, aquí las excesivas investigaciones de los expertos en planificación empresarial. Al
los ahorros representan 7,26 Millones (MU) o 3,59% del costo total. La reducción del comparar los resultados del estudio con la metodología de planificación adoptada por
costo del plan proviene del desarrollo de la productividad de la fuerza de trabajo la empresa, se logró un porcentaje promedio de 6,3% de reducción de costos. Esta
gracias a la experiencia adquirida de un período a otro. En el modelo actual, el día- proporción se puede transformar en unos 17,3 millones de libras egipcias. Además,
hombre requerido para producir un producto específico se reduce de un período a se investiga el impacto económico inducido por las siguientes decisiones gerenciales:
otro gracias al efecto de aprendizaje. En otras palabras, el número de trabajos tener una fuerza laboral permanente fluida, niveles de horas extra, trabajar durante
requeridos para producir un número de 1000 unidades de un producto determinado las vacaciones/días libres, niveles de trabajadores a tiempo parcial y tasas de
se reduce con el tiempo. Esta reducción se nota notablemente al comparar el costo aprendizaje. Las principales limitaciones del modelo propuesto son la asunción de la
de referencia con el caso de no aprendizaje que se muestra en la Fig. 8. Según este naturaleza determinista de los parámetros del modelo. Estos parámetros incluyen
conjunto de datos, considerar una tasa de aprendizaje promedio para todo el taller en demanda pronosticada, costos de materiales, costos de operación, etc. Además, no
lugar de valores específicos para cada producto induce una subestimación de la considera el costo de cambio entre modelos. Como perspectivas de este trabajo, se
costo: 0.3 Millones (MU), o 0.15% del costo total. Podemos retener de esta puede considerar que la incertidumbre de los diferentes parámetros refleja los
investigación que el impacto del efecto de aprendizaje es significativo en el costo de aspectos reales del problema. La incertidumbre se puede considerar utilizando
operación industrial. Desde ese punto de vista, tiene sentido utilizar un aver modelos estocásticos o difusos.
212
210
millones
208
206
204
202
200
198
Costo
(UM)
total
plan
del
196
194
sin Referencia
aprendizaje
Promedio
95 94 92 90 88 86 84 82 80 98 96
Tasa de aprendizaje
Fig. 8. El efecto de la tasa de aprendizaje en el costo total de producción del plan APP.
11
Declaración de interés en competencia Apéndice A:. Conjunto de datos de Plan-I
Los autores declaran que no tienen intereses financieros en competencia Los datos relativos al Plan-I se presentan en las tablas A1-A4.
conocidos ni relaciones personales que pudieran haber aparecido La tabla A1 representa la demanda de un total de 22 productos (numerados del
para influir en el trabajo informado en este documento. producto-1 al 24, con demanda cero para los productos 19
y 23) sobre un horizonte de producción anual de 12 meses. Además, presenta el
número de días hábiles por período.
Reconocimiento La Tabla A2 representa el costo de material por producto para cada período.
La Tabla A3 muestra los diferentes costos por producto: máquina, inventario y
Esta investigación fue apoyada por el Decanato de Ciencias subcontratación. La columna 4 proporciona el inventario inicial
Investigación en la Universidad Prince Sattam Bin Abdulaziz bajo la al principio del plano. La columna 5 presenta la productividad de la máquina para
proyecto de investigación con número de beca 2020/01/17181. cada producto. Las curvas de aprendizaje que expresan la
Los autores también quieren agradecer a los expertos industriales de la evolución del esfuerzo requerido en días-hombre se proporciona en el
última columna.
''El-Araby Group” por la alta cooperación brindada.
Cuadro A1
Pronóstico de demanda para la producción del Plan-I.
# Producto Ene. Feb. Mar. Abr. Mayo. Jun. Jul. Ago. Sep. Oct. Nov. Dic. TOTAL
1 Producto 1 2200 0 0 0 2200 0 0 0 0 0 0 0 4400

2 Producto 2 4400 6600 9900 660011.000 9900 53.000 6600 9900 6600 5500 7700 4400 89,100
3 Producto 3 55.000 64.000 64.00064.000
60.0002200 2200
3300 62,000 64,000 62,000 55,000 55,000 45,000 703,000
4 Producto 4 2200 2200 2200 22004400 37.000 13.000 2200 2200 2200 2200 2200 2200 26,400
5 Producto 5 4400 4400 4400 4400 4400 4400 4400 4400 4400 4400 51,700
6 Producto 6 37 000 31 000 40 000 40 000 47 000 47 000 47 000 40,000 40,000 47,000 31,000 484,000
7 Producto 7 13 000 13 000 11 500 11 500 13 000 13 000 11,500 11,500 13,000 13,000 9500 146,500
8 Producto 8 100 500 100 500 105 500 105 500 105 500 100 500 100 500 105 500 105 500 105 500 105 500 105 500 1 246 000
9 Producto 9 5100 5100 10,200 10,200
510010,200 10,200 5100 10,200 10,200 10,200 5100 96,900
10 Producto 10 5100 10 200 10 200 5100
10 200 5100 5100 5100 10,200 10,200 5100 5100 86,700
11 Producto 11 100 500 100 500 105 500 105 500 105 500 100 500 100 500 105 500 105 500 105 500 105 500 105 500 1 246 000
12 Producto 12 10.200 15.300 15.300
10,200 20.400 20.400 20.400 20.400 15,300 15,300 10,200 10,200 183,600
13 Producto 13 65.000 75.000 65.000
65,000 70.000 70.000 75.000 75.000 70,000 70,000 65,000 50,000 815,000
14 Producto 14 17.000 19.000 18.000
16,000 19.000 19.000 19.000 19.000 18,000 18,000 16,000 13,000 211,000
15 Producto 15 2200 4400 4400 2200 4400 2200 4400 4400 3300 4400 4400 1100 41.800
16 Producto 16 0 2200 2200 2200 1100 7700
17 Producto 17 0 8500 8500 8500 4200 29,700
18 Producto 18 0 2000 2000 2000 1000 7000
19 Producto 20 2200 2200 0 0 0 2200 0 0 0 2200 2200 0 0 0 2200 0 0 0 2200 2200 0 0 0 2200 0 0 0 2200 2200 0 0 0 2200 26,400
20 Producto 21 2200 2200 2200 2200 2200 2200 2200 2200 2200 2200 2200 2200 26,400
21 Producto 22 11,000 14.000 13.000 13.000 13.00011,000
0 0000 50.00012,000
24 26 11,000 11,000 10,000 11,000 8000 138,000
22 Producto 24 0 60,000 70,000 70,000 80,000 80,000 410,000
Días normales de trabajo 25 26 24 25 26 24 26 22 9 24 6 27 299
Días de descanso 6 4 5 6 6 4 5 7 4 4 66
Cuadro A2
Costo de material (en unidades monetarias) por unidad para los productos de producción Plan-I.
# Producto Ene. Feb. Mar. Abr. Mayo. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Producto 1 45,02 46,88 46,88 51,32 51,32 51,32 51.99 50,94 51,80 52,97 53,30 52.51
12 Producto 2 44,66 46,47 46,47 50,91 50,91 50,91 51.58 50,53 51,39 52,56 52,89 52.10
3 Producto 3 41.75 43.29 43.29 45.03 45.03 45.03 47.91 45.89 46.47 48.68 48.86 47.73
4 Producto 4 96,95 67.15 67,15 74,86 74,86 74,86 74,77 55,75 56,76 57,82 57,82 56.83
5 Producto 5 36,25 36,91 36,91 36,69 36,69 36,69 39,77 38,04 39,08 40,88 40,98 39.80
6 Producto 6 31,60 33,00 33,00 32,78 32,78 32,78 35,32 32,16 33,38 34,58 34,81 36.62
7 Producto 7 31,87 33,19 33,19 33,01 33,01 33,01 35,85 32,41 33,62 34,81 35,04 36.84
8 Producto 8 60,81 58,25 58,25 64,43 64,43 64,43 54,26 51,23 51,82 61,36 57,93 60.84
9 Producto 9 51,50 45,98 45,98 56,21 56,21 56,21 50,73 48,65 48,45 52,85 54,07 48.45
10 Producto 10 53.25 44.21 44.21 58.94 58.94 58.94 51.45 49.61 48.98 53.39 52.42 48.98
11 Producto 11 12,75 12,75 12,75 12,75 12,75 12,75 12,75 12,75 12,75 12,75 12,75 12.75
12 Producto 12 10,90 10,90 10,90 10,90 10,90 10,90 10,90 10,90 10,90 10,90 10,90 10.90
13 Producto 13 0,15 0,15 0,15 0,15 0,15 0,15 0,15 0,15 0,15 0,15 0,15 0.15
14 Producto 14 0,17 0,17 0,17 0,17 0,16 0,16 0,17 0,17 0,17 0,17 0,17 0.17
15 Producto 15 0,16 0,16 0,17 0,16 0,15 0,15 0,16 0,16 0,16 0,16 0,16 0.16
16 Producto 16 0,13 0,13 0,13 0,13 0,12 0,12 0,13 0,13 0,13 0,13 0,13 0.13
17 Producto 17 0,08 0,10 0,10 0,10 0,10 0,10 0,10 0,10 0,10 0,10 0,10 0.10
18 Producto 18 0,00 3,40 3,40 3,40 3,40 3,40 3,40 3,40 3,40 3,40 3,40 3.40
19 Producto 20 8.20 8.10 8.10 7.90 8.00 8.05 7.90 7.90 7.90 8.00 8.10 8.10
20 Producto 21 4,00 3,98 4,00 3,95 4,00 4,00 3,95 3,95 3,95 4,00 4,00 4.00
21 Producto 22 0,59 0,59 0,59 0,59 0,54 0,54 0,59 0,59 0,59 0,59 0,59 0.59
22 Producto 24 8,00 7,90 8,00 8,38 8,38 8,45 7,90 8,61 8,62 8,53 8,61 8.62
12
Cuadro A3
Otros datos por unidad de producción Plan-I.
# Producto Costos (unidades monetarias: UM) Inventario inicial Productividad de la máquina Curva de aprendizaje regresiva del historial
(Unidades / hora) datos de cada producto
Máquina Inventario Subcontratación
Producto 1 7,80 2,60 138,56 2050 57 DM1,t = 198,279((12 + t)-0,05632)

1 Producto 2 7,90 2,60 138,56 8053 57 DM2,t = 198,276((12 + t)-0,05632)
23 Producto 3 2,50 1,98 105,82 30,539 114 DM3,t = 154,368((12 + t)-0,08659)
4 Producto 4 39.80 2.70 144.00 4258 29 DM4,t = 344,260((12 + t)-7,356E-02)
5 Producto 5 1,50 1,98 105,82 8104 114 DM5 ,t = 122,607((12 + t)-0,05243)
6 Producto 6 1,50 1,60 85,40 21.410 191 MD6,t = 111,873((12 + t)-5,906E-2)
7 Producto 7 1,50 1,60 85,59 18.313 191 MD7,t = 111,846((12 + t)-5,904E-2)
8 Producto 8 0,30 2,15 114,40 70.549 295 DM8,t = 55,513((12 + t)-9,283E-02)
9 Producto 9 1,30 1,47 78,40 9051 114 MD9,t = 57.253((12 + t)-8.082E-02)
10 Producto 10 1,30 1,40 74,80 10.213 114 DM10,t = 57,277((12 + t)-8,093E-02)
11 Producto 11 0.30 0,56 30.00 36.588 214 DM11,t = 11,561((12 + t)-6,866E02)
12 Producto 12 0,30 0,41 22,00 10.970 43 DM12,t = 12,323((12 + t)-9,790E-02)
13 Producto 13 0,10 0,01 0,66 32.550 95 DM13,t = 2,492((12 + t)-6,425E-02)
14 Producto 14 0,20 0,03 1,46 4500 38 DM14,t = 6,836((12 + t)-5,339E-02)
15 Producto 15 0,20 0,03 1,46 25.500 38 DM15,t = 6,836((12 + t)-5,339E-02)
16 Producto 16 0,20 0,01 0,24 7000 38 DM16,t = 6,836((12 + t)-5,339E-02)
17 Producto 17 0,30 0,04 2,00 355 38 DM17,t = 5,014((12 + t)-0,147)
18 Producto 18 0.50 0.20 4.00 0 24 DM18,t = 4,854((12 + t)-8,355E-03)
19 Producto 20 20,10 0,68 36,00 3020 19 DM20,t = 61,343((12 + t)-4,200E-02)
20 Producto 21 13,20 0,30 16,00 833 33 DM21,t = 31,876((12 + t)-5,991E-02)
21 Producto 22 4,10 0,02 6,00 23.763 95 MD22,t = 9,013((12 + t)-5,887E-02)
22 Producto 24 0,30 0,39 20,77 1659 191 DM24,t = 28,636((12 + t)-7,302E-02)
Mesa A4
Datos de trabajadores fijos y a tiempo parcial.
Salario/Salario por Tarifas de horas extras (UM) por hora Costo de contratación el despido de Número inicial de Nivel mínimo de Nivel máximo de
mes (UM) (MU) costo (UM) trabajadores personal personal
Normal Días de descanso/
días laborables vacaciones
Permanente 3283 21.1 31.6 – – 800 600 977

trabajadores
Tiempo parcial 1600 10.3 15.23 500 0 0 0 80
trabajadores
Cuadro B1
La producción óptima Plan-I.
# Producto Ene. Feb. Mar. Abr. Mayo. Jun. Jul. Ago. Sep. Oct. Nov. Dic. TOTAL
Producto 1 1030 0 0 13.640 1760 0 0 2790

1 Producto 2 0 9460 52.200 59.103 0 6600 0 10.560 11.880 5280 65.892 0 0 0 0 83,820
2 Producto 3 46,461 2200 2200 3960 61,600 72.737 60.740 1826 1826 2640 6600 5060 7040 3740 681,461
34 Producto 4 0 60,497 1386 1826 62,231 2200 42,000 1826 55,000 1386 43,000 2200 21,516
5 Producto 5 0 2200 4620 4400 4400 5280 4400 4400 4400 3520 4400 4400 46,420
6 Producto 6 30.390 28.600 32.000 40.600 13.000 10.400 40,000 45,819 34,181 47,000 47,000 37,600 11,50057.800
13,800 9200 13,000 12,393 105,500 99,500 100,500 106,500 27.800 468.790
7 Producto 7 0 8 11.200 88.235 127.600 84.400
6120
4080 126,600 84,400 10,200
10,20010,200
10,20010,200
6120,200
12,240
10,200 15.900
10,200
10,200
10,200
10,200
10,200
12,240
6120,200
10,20010,200
10,20010,200
10,20010,200
6120 de 11.007
12,240
6120 8800
10,200 130.200
Producto 8 62.316 9 10.200 4080 13.260 8160 105.500 105.500 1.196.551
Producto 9 0 10,200 10,200 2040 5100 90,780
10 Producto 10 0 4080 4080 5100 5100 80,580
11 Producto 11 104.112 80.400 106.500 105.500 105.500 99.500 100.500 106.500 105.500 105.500 105.500 105.500 1.230.512
12 Producto 12 3310 8160 16.320 21.420 20.400 20.400 20.400 58.658 14.280 15,300 15,300 9180 60,614 10,200 174,670
13 Producto 13 58.450 54.748 60.614 15.600 58.658 60.614 60.614 19.000 22.800 60.614 58,658 58,658 18,000 4400
9280 47,000 697,900
14 Producto 14 19.300 16.400 2200 4400 0 22.800 15.200 4840 5280 0 0 0 0 0 17.600 18,000 2772 0 253 0 1640 0 12,400 206,380
15 Producto 15 0 0 9845 0 2060
1760
0 2200 5280 0 880 0 2200 2640 1826
2266 2860 4840 0 630 1826 13861386
1826 440 0 0 38,192
16 Producto 16 0 1826 1386 15.200
10.000 0 0 0 2200 1826 13.200 15.600
68.341
0 1826 0 0 2266 0 2200 3905
17 Producto 17 0 1826 8500 10.200 1826 1826 30,185
18 Producto 18 0 11.944 0 1660 1660 11,000 6010
19 Producto 20 60 2200 1386 72,000 22,324
20 Producto 21 1873 1826 1826 21,519
21 Producto 22 0 10.856 10.200 7900 7330 7400 120,630
22 Producto 24 0 0 0 52.000 84,000 68,000 80.000 424,341
Apéndice B:. Resultados detallados del Plan-I producto durante cada período de producción. La Tabla B2 muestra los niveles de
inventario al final de cada período. El cuadro B3 muestra los niveles de subcontratación
Después de resolver el conjunto de datos de Plan-I de manera óptima, el siguiente para cada producto, los demás productos no enumerados
se obtuvieron resultados. La Tabla B1 muestra el plan de producción para cada tienen niveles cero. La tabla B4 muestra el número de turnos necesarios
13
Cuadro B2
Los niveles óptimos de inventario para Plan-I.
Producto 1 2050 880 880 880 880 440 440 440 440 440 440 440
1 Producto 2 8053 1760 4400 3960 1320 1320 1980 3960 2640 2640 2200 1540
2 Producto 3 30.539 22.000 21,200 16,303 12,800 12,400 14.292 23,029 21,769 24.000 11 000 11,000
34 Producto 4 4258 880 880 660 880 880 440 880 440 880 440 440 880 880 880 880 440
5 Producto 5 8104 1760 12,400 7400 8000 8000 1760 1760 1760 1760 18 800 880
6 Producto 6 21.410 14.800 5200 13.819 8000 18,800 18.800 4593 9400
7 Producto 7 18.313 5200 2600 2300 2300 4600 2300 5200 5200 2600
8 Producto 8 70.549 32.365 20.100 42.200 21.100 21.100 20.100 20.100 21.100 42,200 21.100 21,100
9 Producto 9 9051 2040 1020 2040 2040 2040 2040 2040 2040 4080 4080 1020
10 Producto 10 10.213 2040 1020 4080 2040 2040 2040 2040 1020 2040 1020 1020
11 Producto 11 36.588 40.200 20.100 21.100 21.100 21.100 20.100 20.100 21.100 21,100 21.100 21,100
12 Producto 12 10.970 4080 2040 3060 4080 4080 4080 4080 3060 3060 3060 2040
13 Producto 13 32.550 26.000 18.792 17.156 17.714 20.228 16.636 15.000 14.000 14,000 13.000 13,000
14 Producto 14 4500 6800 6400 3800 7600 3800 3800 7600 7200 7200 7200 3200
15 Producto 15 25.500 880 880 880 1760 440 880 1760 1320 1760 1760 880
16 Producto 16 7000 7000 880 880 880 880 880 880 880 880 880 220
17 Producto 17 355 0 355 0 1700 1700 1700 1700 1700 1700 3400 3400 3400 840
18 Producto 18 3020 880 400 400 400 400 400 400 400 400 400 200
19 Producto 20 833 880 880 440 440 440 440 880 440 880 880 440
20 Producto 21 23.763 880 440 440 440 440 880 880 880 880 440
21 Producto 22 1659 4400 5600 2600 3544 2400 2600 5200 4400 4400 4000 2200
22 Producto 24 1659 1659 1659 1659 1659 1659 20,000 12,000 14,000 28,000 16,000
Cuadro B3
Los niveles de subcontratación obtenidos para el Plan-I.
Producto Ene. Feb. Mar. Abr. Mayo. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Producto 4 0 0 374 374 374 374 0 374 374 0

Producto 13 0 3044 0 12,750 11,900 0 11,900 0 12,750 0 12,750 0 8386 0 11,342 3386 6342 0
Producto 14 0 0 0 0 0 0 2720 0
Producto 15 0 0 0 0 0 0 0 0 0 0 748 0
Producto 16 0 0 0 374 0 0 374 187 0
Producto 18 0 0 0 0 340 0 0 340 170 0
Producto 20 0 340 0 0 0 0 0 374 00 00 374 0
Producto 21 374 0 374 374 374 374 374 374 374 374 374 374 374 374 374
Producto 22 0 0 0 0 0 0 0 0 0 1700 1870 0
Cuadro B4
Número de turnos a trabajar para el Plan-I.
1 Producto 1 0.085 0.000 0.000 0.000 0.145 0.000 0.000 0.000 0.000 0.000 0.000 0.000
2 Producto 2 0.000 1.246 0.780 0.338 0.544 0.900 0.980 0.436 0.563 0.417 0.600 0.309
3 Producto 3 1,916 2,384 2.438 2.578 2.541 2,808 3.000 2.505 2,652 1.732 2.344 1.774
4 Producto 4 0,000 0,395 0.357 0.232 0.296 0,306 0.296 0.428 0,369 0.296 0.232 0.357
5 Producto 5 0,000 0,100 0.191 0.188 0.181 0,225 0.181 0.181 0,188 0.145 0.188 0.181
6 Producto 6 0,748 0,779 0.788 1.033 0.985 1,166 0.841 1.423 1,196 1.157 0.956 0.684
7 Producto 7 0,000 0,354 0.256 0.285 0.283 0,351 0.226 0.391 0,331 0.305 0.280 0.217
8 Producto 8 0,993 1,557 2.034 1.390 1.682 1,639 1.602 1.698 2,085 1.345 1.738 1.682
9 Producto 9 0.000 0.186 0.252 0.435 0.421 0.435 0.421 0.421 0.522 0.421 0.087 0.210
10 Producto 10 0.000 0.186 0.547 0.348 0.421 0.435 0.421 0.168 0.261 0.168 0.217 0.210
11 Producto 11 2.288 1.956 2.340 2.395 2.318 2.259 2.208 2.340 2.395 2.318 2.395 2.318
12 Producto 12 0,362 0,988 1.785 2.420 2.231 2.305 2.231 1.562 1.729 1.673 1.037 1.115
13 Producto 13 2,893 3,000 3.000 3.000 3.000 3.000 3.000 3.000 3.000 3.000 3.000 2.326
14 Producto 14 2,388 2,137 2.029 2.915 1.881 2.429 2.821 2.178 2.301 2.227 1.187 1.534
15 Producto 15 0,000 0,301 0.544 0.675 0.109 0.619 0.653 0.354 0.619 0.544 0.354 0.054
16 Producto 16 0,000 0,000 0.000 0.000 0.226 0.000 0.000 0.226 0.000 0.000 0.032 0.000
17 Producto 17 0,000 1,349 0.000 0.000 1.052 0.000 0.000 1.262 0.000 0.000 0.210 0.000
18 Producto 18 0.000 0.447 0.000 0.000 0.325 0.000 0.000 0.325 0.000 0.000 0.128 0.000
19 Producto 20 0,015 0,603 0,436 0,563 0,544 0,563 0,653 0,343 0,579 0,452 0,354 0.544
20 Producto 21 0,267 0,288 0,197 0,269 0,260 0,269 0,323 0,260 0,269 0,260 0,204 0.260
21 Producto 22 0,000 0,833 0,495 0,611 0,537 0,675 0,772 0,505 0,563 0,391 0,375 0.366
22 Producto 24 0,000 0,000 0,000 0,000 0,000 0,000 1,682 1,280 1,832 2,068 1,730 1.969
para la producción de cada producto durante cada periodo t. Este número de En las tablas B3 y B4 , especialmente para el producto 13, se puede concluir que
turnos es real para ser utilizado en el cálculo de la carga total de la máquina del este producto tiene los niveles máximos de subcontratación en razones
producto para el período correspondiente. Por comparación de la escasez de capacidad de la máquina. Como se indica, el número de trabajos
14
Cuadro B5
Resultados de plantilla para el Plan-I.
Ene. Feb. Mar. Abr. May Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Trabajadores permanentes 760 720 760 747 0,0 0,0 623,9 787 805 845 885 906 866 826 786
Horas extraordinarias de los trabajadores permanentes trabajadas en condiciones normales de trabajo 586,3 610,5 689,0 689,0 6372,0 7047,9 5699,9 5929,7 0,0
días
Horas extraordinarias de los trabajadores permanentes trabajadas en días libres 0,0 0,0 0,0 0 80 80 0,0 0,0 0,0 80 80 0 0 0.0
0000 0 0.0 31.4 0.0 0.0 0.0
trabajadores a tiempo parcial 0 80 0 80 80 80 00 00 0
Contratación de trabajadores a tiempo parcial. 0
Despido de trabajadores a tiempo parcial 00 0 0 0 0 0 80 0 0 0 0
Horas extraordinarias de los trabajadores a tiempo parcial trabajadas en condiciones normales de trabajo 0,0 0,0 623,9 576,0 600,0 624,0 624,0 576,0 0.0 0.0 0.0 0.0
días
Horas extraordinarias de los trabajadores a tiempo parcial trabajados en días libres 0.0 0.0 0.0 0.0 0.0 0.0 0.0 31.4 0.0 0.0 0.0 0.0
turnos es el máximo (3 turnos). La Tabla B5 muestra los datos asociados a la fuerza [21] Tirkolaee EB, Goli A, Weber GW Producción de agregados multiobjetivo
Modelo de planificación que considera las horas extra y las opciones de subcontratación en el marco de Fuzzy
de trabajo permanente y no permanente.
Demanda estacional. En: Hamrol A, Kujawin´ ska A, Barraza MFS, editores. Adv.
Referencias Fabricación II. Cham: publicación internacional de Springer; 2019. pág. 81–96.
doi:10.1007/978-3-030-18789-7_8.
[22] Ramezanian R, Rahmani D, Barzinpour F. Una planificación de producción agregada
[1] Kogan K, Khmelnitsky E. Un método de control óptimo para la producción de agregados modelo para sistemas de producción de dos fases: resolución con algoritmo genético y
planificación en sistemas de fabricación a gran escala con expansión de capacidad y búsqueda tabú. Expert Syst Appl 2012;39(1):1256–63. https://doi.org/10.1016/j.
deterioro. Comput Ind Eng 1995;28(4):851–9. https://doi.org/10.1016/ eswa.2011.07.134.
0360-8352(95)00010-X. [23] Bitran GR, Haas EA, Matsuo H. Planificación de la producción de productos de estilo con alta
[2] Leung SCH, Chan SSW. Un modelo de programación por objetivos para la producción agregada Costos de configuración y revisiones de pronósticos. Oper Res 1986;34(2):226–36. https://doi.
planificación con restricción de utilización de recursos. Comput Ind. Ing. 2009;56 org/10.1287/opre.34.2.226.
(3):1053–64. https://doi.org/10.1016/j.cie.2008.09.017. [24] Hung YF, Shih CC, Chen CP. Algoritmos evolutivos para la planificación de la producción
[3] Nowak M. Un procedimiento interactivo para la planificación de la producción agregada. croata problemas con las decisiones de instalación. J Oper Res Soc 1999;50(8):857–66. https://doi.
Oper Res Rev 2013;4(1):247–57. org/10.1057/palgrave.jors.2600778.
[4] Masud ASM, Hwang CL. Un modelo de planificación de la producción agregada y [25] Wang SC, Yeh MF. Una optimización de enjambre de partículas modificada para agregados
aplicación de tres métodos de decisión objetivo múltiple. Int J Prod Res planeación de producción. Expert Syst Appl 2014;41(6):3069–77. https://doi.org/
1980;18(6):741–52. https://doi.org/10.1080/00207548008919703. 10.1016/j.eswa.2013.10.038.
[5] Mehdizadeh E, Niaki STA, Hemati M. Una producción agregada biobjetiva [26] Wang RC, Liang TF. Aplicación de la programación lineal posibilista a la agregación
problema de planificación con efecto de aprendizaje y deterioro de la máquina: Modelado planeación de producción. Int J Prod Econ 2005;98(3):328–41. https://doi.org/
y solución Comput Oper Res 2018;91:21–36. https://doi.org/10.1016/ 10.1016/j.ijpe.2004.09.011.
j.cor.2017.11.001. [27] Chakrabortty RK, Akhtar Hasin MA, Sarker RA, Essam DL. Un posibilista
[6] Chen YK, Liao HC. Una investigación sobre la selección de agregados simplificados optimización de enjambres de partículas basada en el medio ambiente para la producción de agregados
estrategias de planificación de la producción utilizando enfoques MADM. Int J Prod Res planificación. Comput Ind Eng 2015;88:366–77. https://doi.org/10.1016/
2003;41(14):3359–74. https://doi.org/10.1080/0020754031000118107. j.cie.2015.07.021.
[7] Bloemen R, Maes J. A DSS para optimizar la planificación de producción agregada en [28] Wang RC, Liang TF. Aplicación de la programación lineal difusa multiobjetivo
Monsanto Amberes. Eur J Oper Res 1992;61(1–2):30–40. https://doi.org/ a la planificación de la producción agregada. Comput Ind Eng 2004;46(1):17–41. https://
10.1016/0377-2217(92)90265-B. doi.org/10.1016/j.cie.2003.09.009.
[8] Aghezzaf EH, Sitompul C, Van den Broecke F. Una producción jerárquica robusta [29] Zhu B, Hui J, Zhang F, He Li. Un enfoque de programación de intervalos para la planificación de la
Planificación de un sistema de producción capacitado de dos etapas. Computación Ing. Ind. producción agregada de múltiples períodos y productos considerando el
2011;60(2):361–72. https://doi.org/10.1016/j.cie.2010.12.005. Preferencia del tomador de decisiones. Int J Fuzzy Syst 2018;20(3):1015–26. https://doi.
[9] Pradenas L, Peñailillo F, Ferland J. Problema de planificación de la producción agregada. A org/10.1007/s40815-017-0341-y.
nuevo algoritmo. Electronic Notes en Discrete Mathematics 2004;18:193–9. [30] Jamalnia A, Yang JB, Xu DL, Feili A, Jamali G. Evaluación del desempeño de
https://doi.org/10.1016/j.endm.2004.06.031. Estrategias de planificación de producción agregada bajo incertidumbre en refrescos.
[10] Zhang R, Zhang L, Xiao Y, Kaku I. La producción agregada basada en la actividad industria. J Manuf Syst 2019;50:146–62. https://doi.org/10.1016/j.
planificación con expansión de capacidad en los sistemas de fabricación. Computación Ing. Ind. jmsy.2018.12.009.
2012;62(2):491–503. https://doi.org/10.1016/j.cie.2011.10.016. [31] Martínez-Costa C, Mas-Machuca M, Benedito E, Corominas A. Una revisión de
[11] Baykasoglu A, Gocken T. Planificación de producción agregada multiobjetivo con modelos matemáticos de programación para la planificación estratégica de la capacidad en
parámetros borrosos. Adv Eng Softw 2010;41(9):1124–31. https://doi.org/ fabricación. Int J Prod Econ 2014;153:66–85. https://doi.org/10.1016/j.
10.1016/j.advengsoft.2010.07.002. ijpe.2014.03.011.
[12] Hahn GJ, Brandenburg M. Un modelo de planificación de producción agregada sostenible [32] Cheraghalikhani A, Khoshalhan F, Mokhtari H. Planificación de la producción agregada:
para la industria de procesos químicos. Comput Oper Res 2018;94:154–68. https:// Una revisión de la literatura y futuras direcciones de investigación. Cómputo Int J Ind Ing
doi.org/10.1016/j.cor.2017.12.011. 2019;10:309–30. https://doi.org/10.5267/j.ijiec.2018.6.002.
[13] Nobari A, Khierkhah A, Hajipour V. Un enfoque basado en Pareto para optimizar [33] Jamalnia A, Yang JB, Feili A, Xu DL, Jamali G. Planificación de la producción agregada
problema de planificación de la producción agregada teniendo en cuenta un proveedor confiable bajo incertidumbre: un estudio exhaustivo de la literatura e investigaciones futuras
selección. Int J Serv Oper Manag 2018;29(1):59–84. https://doi.org/10.1504/ direcciones. Int J Adv Manuf Technol 2019;102(1–4):159–81. https://doi.org/
IJSOM.2018.088473. 10.1007/s00170-018-3151-a.
[14] Goli A, Tirkolaee EB, Malmir B, Bian GB, Sangaiah AK. Un multiobjetivo [34] Ebert RJ. Planificación Agregada con Productividad de la Curva de Aprendizaje. Administrar ciencia
Algoritmo invasivo de optimización de malezas para una sólida producción de áridos 1976;23(2):171–82. https://doi.org/10.1287/mnsc.23.2.171.
planificación bajo una demanda estacional incierta. Informática 2019;101 [35] Behnezhad AR, Khoshnevis B. Los efectos de la función de progreso de fabricación
(6):499–529. https://doi.org/10.1007/s00607-018-00692-2. sobre los requisitos de la máquina y los problemas de planificación de agregados. Int J Prod Res
[15] Wright TP. Factores que afectan el costo de los aviones. J Aeronaut Sci 1936;3 1988;26(2):309–26. https://doi.org/10.1080/00207548808947861.
(4):122–8. https://doi.org/10.2514/8.155. [36] Plaza M, Ngwenyama OK, Rohlf K. Un análisis comparativo de las curvas de aprendizaje:
[16] Badiru AB. Estimación de costes de fabricación: una curva de aprendizaje multivariable Implicaciones para la gestión de la implementación de nuevas tecnologías. Eur J Oper Res
Acercarse. J Manuf Syst 1991;10(6):431–41. https://doi.org/10.1016/0278- 2010;200(2):518–28. https://doi.org/10.1016/j.ejor.2009.01.010.
6125(91)90001-I. [37] Attia EA, Duquenne P, Le-Lann JM. Consideración de la evolución de las habilidades en la
[17] Attia EA, Dumbrava V, Duquenne P. Factores que afectan el desarrollo de asignación de mano de obra multicapacitada con horarios de trabajo flexibles. Int J Prod Res
versatilidad laboral. Procedimiento de la IFAC 2012;45(6):1221–6. https://doi.org/10.3182/ 2014;52(15):4548–73. https://doi.org/10.1080/00207543.2013.877613.
20120523-3-RO-2023.00164.
[38] Grosse EH, Glock CH, Jaber MY, Neumann WP. Incorporación de factores humanos en
[18] Tirkolaee EB, Aydin NS, Ranjbar-Bourani M, Weber GW. Un bi-objetivo robusto modelos de planificación de preparación de pedidos: marco y oportunidades de investigación. Int J
modelo matemático para la asignación y programación de unidades de rescate de desastres con res
Producción 2015;53(3):695–717. https://doi.org/10.1080/
efecto de aprendizaje Comput Ind. Ing. 2020;149:106790. https://doi.org/10.1016/ 00207543.2014.919424.
j.cie.2020.106790. [39] Peng Z, Zhang H, Tang H, Feng Y, Yin W. Investigación sobre talleres de trabajo flexibles
[19] Chen Z, Sarker BR. Planificación de la producción agregada con efecto de aprendizaje y problema de programación en la fabricación sostenible verde basada en el aprendizaje
demanda incierta: un estudio basado en un caso. J Model Manager 2015;10:296–324. efecto. J Intell Manuf 2021. https://doi.org/10.1007/s10845-020-01713-8.
https://doi.org/10.1108/JM2-12-2012-0044. [40] Wei Q, Zhang J, Zhu G, Dai R, Zhang S. Inventario gestionado por el minorista frente al proveedor
[20] Attia EA, Megahed A, Duquenne P Hacia una curva de aprendizaje para electricidad considerando el efecto de aprendizaje estocástico. J Oper Res Soc 2020;71(4):628–46.
producción de motores bajo aprendizaje organizacional a través de datos de taller. IIFAC https://doi.org/10.1080/01605682.2019.1581407.
PapersOnLine 49(12):1086–1091. https://doi.org/10.1016/j.ifacol.2016.07.587.
15
[41] Levin N, Globerrson S. Generación de curvas de aprendizaje para productos individuales Ali AlArjani Es el presidente del departamento de ingeniería
a partir de datos agregados. Int J Prod Res 1993;31(12):2807–15. https://doi.org/10.1080/ mecánica e industrial de la facultad de ingeniería de la
00207549308956901. Universidad Prince Sattam Bin Abdulaziz, Alkharj, Arabia
[42] Christoph Glock H, Mohamad Y Jaber. Un modelo de curva de aprendizaje grupal con y Saudita. Está interesado en el análisis de datos y técnicas de
sin rotación de trabajadores. J Model Manager 2014;9:179–99. https://doi.org/10.1108/ clustering. Además, está trabajando en el software de simulación
JM2-05-2013-0018 . y modelado matemático.
[43] Khoshnevis B, Wolfe PM, Terrell MP. Modelos de planificación agregada que incorporan Es el asesor de la Facultad del Capítulo de Estudiantes de
la productividad: una descripción general. Int J Prod Res 1982;20(5):555–64. https:// Ingeniería Industrial y Gestión de Operaciones (IEOM) en la
doi.org/ 10.1080/00207548208947786.
Universidad Prince Sattam Bin Abdulaziz.
[44] Alguliyev RM, Aliguliyev RM, Sukhostat LV. Algoritmo eficiente para la agrupación de big
data en una sola máquina. CAAI Trans Intell Technol 2020;5(1):9–14. https://doi.org/
10.1049/trit.2019.0048.
[45] Argote L. Aprendizaje Organizacional - Crear, Retener y Transferir conocimiento. segunda
ed. Nueva York: Springer Science & Business Media; 2012.
[46] Hirschmann WB. Benefíciese de la curva de aprendizaje. Harvard Business Review
1964;42(1):125–39.
[47] Lieberman MB. La curva de aprendizaje y la fijación de precios en las industrias de Ahmed Elbetar es actualmente profesor asociado de ingeniería
procesamiento químico. RAND J Econ 1984;15(2):213. https://doi.org/10.2307/2555676. mecánica en la Universidad de Benha. Es el jefe del
[48] Kaplan RS, Norton DP. El cuadro de mando integral: medidas que impulsan el rendimiento. departamento de ingeniería mecánica. Desarrolló muchos
Harvard business review 1992;70(1):71–9. programas de cooperación entre las industrias y la facultad de
[49] Seleem SN, Attia EA, El-Assal A. Gestión de iniciativas de mejora del rendimiento utilizando ingeniería. Es revisor de muchas revistas internacionales y
el método DEMATEL con estudio de caso de aplicación. Plan de producción. locales.
Control 2016. https://doi.org/10.1080/09537287.2016.1165301.
El-Awady Attia actualmente es profesor asociado. Está cedido

para trabajar en el Departamento de Ingeniería Mecánica e
Industrial, facultad de ingeniería, Universidad Prince Sattam Bin
Abdulaziz, Alkharj, Arabia Saudita.
Además, es miembro del personal del departamento de
ingeniería mecánica, facultad de ingeniería (Shoubra),
universidad de Benha. Fue el responsable del departamento Philippe Duquenne fue el Jefe del Departamento de 'Ingeniería
técnico mecánico, Clúster Técnico Integrado Al-Ameeria, Fondo Industrial', ENSIACET, Institut National Polytechnique de
de Desarrollo Educativo (EDF), Gabinete del Ministro de Egipto. Toulouse, Toulouse, Francia. Como Profesor Asociado, sus
Obtuvo su doctorado en ingeniería de sistemas industriales de enseñanzas versan sobre gestión de proyectos, gestión de
la Universidad de Toulouse - INPT/ENSIACET- Departamento operaciones y economía industrial; sus trabajos de investigación
de ingeniería industrial, Francia. Es uno de los revisores de la incluyen dimensionamiento de proyectos y flexibilidad en la
revista internacional de investigación de producción. Es interesante en un conjunto de asignación de recursos.
direcciones de investigación que incluyen: - consideración de los factores humanos en la
industria, por ejemplo, flexibilidad del tiempo de trabajo, polivalente, aprender haciendo y
olvidando, la aplicabilidad de herramientas de mejora del rendimiento en la industria,
planificación de producción agregada, sistemas Kanban, optimización usando técnicas
heurísticas.
Ashraf Megahed es ingeniero en una empresa egipcia (Elaraby

Group) que produce electrodomésticos. Tiene un MSc. en
ingeniería industrial del Departamento de Ingeniería Mecánica
de la Universidad de Benha. Posee una amplia formación en el
campo de la planificación y gestión de la fabricación.
dieciséis
Acta logística Acta logística logística -Revista
RevistaCientífica
CientíficaInternacional sobre
Internacional Logística
sobre Logística
Volumen: 8 Edición 2021: 4 Páginas: 381-392 ISSN 1339-5629
PRONÓSTICO DE VENTAS PARA PLANIFICACIÓN AGREGADA: CASO DE ESTUDIO DE PRODUCTOS INDUSTRIALES
EMPRESA EN MÉXICO
Ignacio Álvarez Placencia; Diana Sánchez Partida; José-Luis Martínez-Flores; Patricia Cano Olivos
doi:10.22306/ al.v8i4.240 Recibido: 27 de julio de 2021; Revisado: 27 de septiembre de 2021; Aceptado: 26 oct. 2021
PRONÓSTICO DE VENTAS PARA LA PLANIFICACIÓN AGREGADA: ESTUDIO DE CASO

DE UNA EMPRESA DE PRODUCTOS INDUSTRIALES EN MÉXICO
Ignacio Alvarez Placencia Universidad

Popular Autónoma del Estado de Puebla AC, 17 Sur 901, Barrio de Santiago, 72410, Puebla, México, ignacio.alvarez@upaep.edu.mx (autor
para correspondencia)
Diana Sánchez-Partida
Universidad Popular Autónoma del Estado de Puebla AC, 17 Sur 901, Barrio de Santiago, 72410, Puebla, México, diana.sanchez@upaep.mx
José-Luis Martínez-Flores Universidad Popular Autónoma del Estado de Puebla AC,
17 Sur 901, Barrio de Santiago, 72410, Puebla, México, joseluis.martinez01@upaep.mx
Patricia Cano-Olivos Universidad Popular Autónoma del Estado de Puebla AC, 17 Sur 901, Barrio de Santiago, 72410, Puebla, México,
patricia.cano@upaep.mx
Palabras clave: planificación de la demanda, pronóstico agregado, precisión del pronóstico, series de tiempo, clasificación
SBC Resumen: Este caso de estudio presenta el análisis mediante el uso de herramientas de estimación de ventas para planificar la demanda a
nivel agregado como producto terminado en una empresa líder en productos industriales en el mercado. en Mexico. Primero, alineó el plan de
demanda y el plan de suministro, recomendando el mejor escenario de ejecución para aumentar la eficiencia operativa y reducir el costo de
operación de la cadena de suministro para aumentar la productividad de la empresa y mantenerse competitiva. Luego, luego de analizar el
comportamiento de la demanda de los productos seleccionados, los autores determinaron como principal afectación la inadecuada precisión del
método de pronóstico y la falta de una estrategia de pronóstico agregado que permita reducir la variación. Debido a esto, el esfuerzo más
significativo se concentró en determinar un modelo de mejor pronóstico y la decisión de agregar la demanda en base a tres criterios relevantes: el
patrón de demanda basado en el cuadrante Suave, Intermitente, Errático o Irregular, el mejor método de la pronóstico para cada producto y el
tiempo en trimestres. Como resultado, de lo anterior se puede obtener una reducción entre el 20% y el 46% en la variación del pronóstico.
1 Introducción La Es importante incorporar técnicas de pronóstico de series de

correcta alineación entre la demanda y la oferta tiempo para la estimación de ventas que apoyen las estrategias y
El plan es fundamental en toda la cadena de suministro de suministros acciones determinadas para satisfacer la demanda, posicionando los
de tal manera que toda la cadena de valor tenga visibilidad de la recursos necesarios y reduciendo la incertidumbre en los procesos que
demanda del cliente y esté sincronizada para cumplir con el nivel de componen la cadena de valor (Contreras-Juárez, Atziry-Zúñiga,
servicio al cliente y por ende lograr los objetivos estratégicos de la Martínez- Flores, & Sánchez-Partida, 2016).
empresa generar ventas, margen de utilidad y flujo de caja.
El correcto equilibrio entre oferta y demanda ayuda a la empresa a El alcance de este caso de estudio es una empresa de capital
mejorar su nivel de servicio a los clientes, permite una mejor visibilidad 100% mexicano, líder en el mercado dedicada a la producción y
de los requerimientos de suministro a los proveedores para garantizar comercialización de productos industriales ubicada en México con diez
la disponibilidad de materias primas así como operaciones para nivelar plantas de manufactura y tres centros de distribución con 800 empleados.
el plan de producción para la mejor planificación de recursos y correcta
ejecución del plan de producción, dando más certeza para el Este estudio de caso ayuda a la empresa a integrar un proceso
cumplimiento del plan de negocios (Entringer & Ferreira, 2018). formal de estimación de ventas en su Plan de Ventas y Operaciones
mediante el apoyo de series de tiempo para mejorar la precisión del
El plan de Ventas y Operaciones es el mecanismo que pronóstico a nivel agregado por familia de productos y a nivel de
varias empresas han utilizado para alinear la demanda y catálogo del producto terminado.
plan de abastecimiento para brindar un mejor servicio al cliente. Reduce
los tiempos de entrega, mejora el control de los niveles de inventario,
brinda visibilidad tanto a los proveedores como a las operaciones de la 2 Reseña literaria
empresa, estabiliza los niveles de producción, aprovecha mejor la Todo plan de negocios en una empresa inicia con la estimación y
capacidad productiva y se anticipa a cualquier desbalance entre el plan planificación de ventas de sus productos, y en base a esta estimación
de demanda y oferta para la correcta toma de acciones. para mitigar el se generan planes maestros en la empresa, plan financiero por
impacto en el plan de negocios de la empresa (Wallace & Stahal, 2014). mencionar algunos, para que la calidad de la
~ 381 ~
Copyright © Acta Logistica, www.actalogistica.eu
RevistaCientífica
sobre Logística
EMPRESA EN MÉXICO
estimación tiene un impacto en la calidad y ejecución de estos de herramientas y procesos de estimación. Por lo tanto, se
planes. proponen cuatro categorías para aumentar la precisión en la
La gerencia de la empresa debe considerar varios factores estimación, 1) Revisión del método de estimación estadística, 2)
para mantener niveles óptimos de inventario, como la liquidez Hardware y software para incrementar la capacidad de cómputo
financiera de la empresa, comportamiento de ventas como la de la información, 3) La elaboración de la estimación requiere de
estacionalidad, confiabilidad y disponibilidad de proveedores, herramientas, procesos, experiencia y capacitación del personal, y
recursos financieros disponibles. Además, un nivel de inventario 4) Análisis de las series de tiempo y métodos de estimación para
adecuado reduce los riesgos potenciales de pérdida de ventas por reconocer patrones, estructuras, que permitan predecir y mejorar
falta de disponibilidad de inventario y un aumento en el flujo de la precisión de la estimación (Rieg, 2010).
efectivo de la empresa, como la liberación de capacidad de En algunos casos, se recomienda considerar la combinación
almacenamiento (Malindzakova & Zimon, 2019). de métodos de estimación y evaluar los métodos para cuantificar
La variabilidad de la demanda se debe a diferentes factores, el sesgo y el error de la estimación (Klindokmai, Neech, Wu Ojiako,
como la heterogeneidad de los clientes, factores externos como la Chipulu & Marshall, 2014).
macroeconomía, las condiciones del mercado, factores
socioculturales y factores internos de la empresa, como el servicio, Se considera una metodología (Syntetos, Boylan, & Croston,
las condiciones de precios y las actividades promocionales. 2005) para posicionar la demanda de los diferentes
Además, las políticas de distribución contribuyen a generar este catálogos de productos terminados dentro de una categoría en
variabilidad. Se propone primero comprender el contexto en el que base a dos parámetros. Primero, el intervalo de demanda promedio
opera la empresa en cuanto a la cantidad de productos, los (ADI) mide qué tan constante es la demanda en términos de tiempo
principales problemas que enfrenta y el análisis de flujo raíz de la al calcular el intervalo promedio entre dos demandas y el coeficiente
variabilidad de la demanda. La estructura de la cadena de de variación al cuadrado (CV²) que permite medir la variación de
suministro y el comportamiento del cliente con el fin de recopilar las unidades.
procesar y analizar los datos, lo que se conoce como investigación Se describe a través de cuatro cuadrantes para ubicar cada
de datos y tener una mejor referencia para la correcta selección del categoría discreta de demanda considerando los parámetros de
modelo de estimación y en base a los resultados obtenidos por el ADI y CV², como se muestra en la Figura 1: 1. Demanda errática
modelo proponer una acción plan, implementación y evaluación de (ADI <1.32 y CV²> = 0.49).
contramedidas (Kalchschmidt, Verganti & Zotteri, 2006). La demanda muestra un alto grado de variación entre periodos.
Para los artículos ubicados en este cuadrante, se recomienda el
Las diferentes características del cliente inducen a la método de estimación de Syntetos y Boylan para pronosticar la
variabilidad en la calidad de la prestación de un servicio: Las demanda.
necesidades y deseos de un cliente son diferentes. Pueden solicitar 2. Demanda Irregular (ADI> = 1,32 y CV²> = 0,49). La demanda
el servicio en diferentes horarios. El conocimiento y la experiencia presenta una variación alta mayor o igual al 50%, y el intervalo
del producto o servicio varían entre los clientes, su voluntad de promedio entre demandas se considera alto; con esto podemos
apoyar en la prestación del servicio puede diferir, tienen diferentes deducir que hay algunos periodos en los que la demanda es cero.
opiniones sobre la prestación del servicio, la comunicación sobre Al igual que los elementos del cuadrante errático, se recomienda
la prestación del servicio puede ser ambigua, por lo que es esencial el método de Syntetos y Boylan para pronosticar la demanda.
considerar estas características para entender el desempeño
3. Demanda blanda: (ADI <1,32 y CV² <0,49).
línea de base, reconocer la oportunidad de mejora e implementar La demanda está en un nivel constante y los periodos en los que
un plan de acción para aumentar la calidad del servicio y la lealtad no están a la venta son escasos o nulos. En esta zona del
del cliente a la empresa (Yang, 2011). cuadrante se recomienda el método de estimación de Croston.
Se puede clasificar en dos tipos para medir el rendimiento de 4. Demanda Intermitente (ADI> = 1,32 y CV² <0,49). La
la estimación, 1) Sesgo o sesgo es la medida principal que evalúa demanda muestra una baja variación en unidades entre los
el grado en que un modelo de pronóstico genera una estimación períodos, pero una alta variabilidad en el intervalo de tiempo entre
por encima o por debajo de los datos actuales si el sesgo es cero. dos demandas indica períodos de demanda cero. En esta zona del
Aunque el modelo de estimación es bueno, si el sesgo es positivo, cuadrante se recomienda el método de estimación Syntetos y
los valores actuales tienden a estar en promedio por encima del Boylan.
estimado, en el caso de ser el sesgo negativo, el valor actual está
por debajo del valor estimado, 2) Hay tres mediciones para
cuantificar el error en los pronósticos: el error de desviación
absoluto medio (MAD), el error cuadrático medio (MSE) y el error
porcentual absoluto medio (MAPE) (Klimberg, Sillup & Tavva,
2010).
La precisión de la estimación generalmente se mide como la

variación de la estimación en comparación con el rendimiento actual.
Por lo general, esta variación se genera debido al uso incorrecto
~ 382 ~
RevistaCientífica
CientíficaInternacional
Internacional
sobre
sobre
Logística
Logística

EMPRESA EN MÉXICO
materiales, mano de obra y capacidad productiva para garantizar

la disponibilidad del producto, minimizando inventarios, capital
de trabajo y tiempo de entrega a lo largo de la cadena de valor
(Narusawa & Shook, 2011).
Una mala planificación de la demanda da como resultado cambios constantes en
niveles de producción, por lo que es fundamental suavizar la
demanda para optimizar los recursos de producción utilizando
la metodología de doble suavizado exponencial. Las proyecciones
de demanda se generan como parte de la evaluación de la
estimación se cuantifica. El error en los pronósticos a través de
tres mediciones: MAD, MSE y MAPE, como el error no disminuye
se decide ajustar la demanda promedio en vez de mensual a
trimestral, optimizando los parámetros de suavizado ÿ y ÿ, se
logró reducir el error en la estimación (Sánchez-Partida,
Rodríguez-Méndez, Martínez-Flores & Caballero-Morales, 2018).
Figura 1 Ilustración de categorías de demanda intermitente
(Syntetos, Boylan y Croston, 2005)
Al obtener el pronóstico de la demanda del cliente, es
fundamental evaluar si se cuenta con los niveles de inventario
Es fundamental entender el patrón de demanda considerando correctos a través de una correcta política de control de
los diferentes factores que influyen en su comportamiento, luego inventario utilizando la EOQ para determinar la cantidad óptima
determinar la categoría de demanda intermitente según la a ordenar con un punto de reorden a ordenar cuando el objetivo
clasificación SBC con el fin de seleccionar la metodología de ha alcanzado un punto en el inventario dentro del tiempo de
estimación adecuada para reducir el error de estimación (Van entrega para cumplir con el nivel de servicio deseado por el
der Auweraer, Boute , & Syntetos 2017). cliente o si se requiere más inventario, evaluar la capacidad
productiva para posicionar el inventario requerido para satisfacer
En la serie temporal de demanda intermitente, la demanda la demanda del cliente (Alvarez Socarras, Berrones, Moreno,
se clasifica teniendo en cuenta el intervalo medio de demanda y Rodrÿguez-Sarasty & Cabrera- Ríos, 2013).
el coeficiente de variación según el modelo de Syntetos, Boylan El análisis ABC en la gestión de inventarios es un método de
& Croston en su investigación Doszyÿ clasificar los inventarios con base en el valor en libros (costo o
propone en lugar del intervalo promedio de demanda recomienda adquisición) de los materiales almacenados que consideren
comparar el coeficiente de variación con respecto a la frecuencia utilizar el artículo a su valor en libros, clasificados de mayor a
de la venta para comprender mejor la naturaleza del menor (Richards, Grinsted, 2016).
comportamiento de la demanda (Doszyÿ, 2019). El control de inventario de repuestos en un sistema MRP es
Dentro de la metodología para implementar la estimación fundamental para analizar la demanda histórica que tiene la
de ventas, es necesario comprender la estructura de la cadena clasificación ABC en cuanto a costo de inventario y la reposición
de suministro de la empresa, comprender las características de de inventario a través de un punto de pedido donde se estima
la demanda y validar las causas que generan esta variabilidad la demanda de repuestos de alto valor A artículos con un
en la demanda. El siguiente paso es entender el patrón de coeficiente alto de variación se validan manualmente con un
demanda y clasificarlo según las categorías de demanda juicio de criterio. En este caso, los artículos clasificados como
intermitente, seleccionar el modelo de estimación correcto, B, el criterio de selección del estimador y sus parámetros se
realizar una simulación y, en base a los resultados positivos, basan en minimizar la MAD. En los artículos clasificados como
planificar una prueba piloto para su posterior implementación. C, se estudia el patrón de demanda para corregir la correcta
Esta metodología se implementó en el sector retail (Balderas, selección de la herramienta de estimación (Syntetos, Keyes & Babai, 2009).
Araiza, Peña & Villareal, 2019).
Como parte de la metodología de estimación de consumibles 3 Problema actual La
como repuestos donde la demanda es intermitente o lenta, es empresa actualmente utiliza una estimación del método
difícil pronosticar su consumo, por lo que se realiza un análisis lineal que implica considerar las ventas actuales a la fecha para
de la categoría de demanda en forma blanda, errática, proyectar la estimación de ventas del mes siguiente con base
intermitente e irregular utilizando estimación metodología de en el promedio de la demanda histórica de los últimos tres
acuerdo a los patrones de demanda para lo cual se propone meses, es decir, una media móvil de tres meses además de
una modificación al método de Croton como método de considerar las licitaciones públicas como requisitos del sector
aproximación para mantener un nivel de inventario requerido privado para proyectos especiales. El área Comercial propone
para un nivel de servicio de acuerdo a cada uno de los patrones la estimación de ventas por familia de productos ya nivel de
de demanda (Eaves, & Kingsman, 2004). catálogo de productos terminados por unidad de negocio. Solo
Una vez establecidos los niveles de inventario se procede a se calcula la estimación de ventas para los artículos clasificados
la nivelación de la producción en un periodo. Permite evitar A, que representa el 80-20 de los ingresos por la venta en valor
fluctuaciones para predecir el consumo de materias primas monetario, los productos B se producen en un
~ 383 ~
RevistaCientífica
Internacional
sobre
sobre
Logística
Logística

EMPRESA EN MÉXICO
entorno de fabricación “make to order”, y el caso de los artículos plantas que generaron los mayores ingresos para la empresa,
C que son proyectos especiales se producen como “design to para lo cual se recogieron las ventas históricas en términos de
order”. unidades de venta por familia de productos y a nivel de producto
Estas ventas estimadas se utilizan para la proyección terminado para productos clasificados como tipo A que representan
financiera del negocio y se evalúan contra el plan de negocios el 80-20 de los ingresos percibidos por la fabricación planta.
para determinar el plan de operaciones y ventas del mes con sus Se estratifican las ventas históricas por familia de productos
respectivos presupuestos para cada una de las áreas funcionales con sus respectivos productos terminados, y se procede a entender
de la empresa. Además, se determinan metas de inventario y el comportamiento de las ventas para graficar las series de tiempo
máximos y mínimos de inventario para cada uno de los productos para reconocer patrones y estructuras.
terminados clasificados A para efectos de control de inventario. La demanda de los diferentes catálogos de acabados
productos se categoriza en base a los coeficientes: Intervalo de
El entorno actual que enfrenta la empresa es muy desafiante demanda promedio (ADI) y el coeficiente de variación al cuadrado
si se considera la contracción del mercado, las políticas de (CV²).
mercado más proteccionistas que imponen aranceles a las La demanda de cada uno de los catálogos de productos
materias primas críticas para la producción de sus productos y los terminados se clasifica en cuatro categorías considerando estos
constantes aumentos en los precios de las materias primas. dos coeficientes: Suave, Intermitente, Irregular y Errática.
Sin dejar de lado una presencia más significativa de la competencia Los catálogos de productos terminados cuya demanda es
en el mercado, ha hecho que la empresa replantee su posición Irregular y Errática no se propone como un método de estimación
estratégica para generar una diferencia competitiva para de la venta, sino como una estrategia de pronóstico agregado que
mantenerse y crecer en el mercado con productos más innovadores, permite reducir el riesgo y la posibilidad de que estos catálogos
buscando eficiencias en los costos operativos y de producción y sean manejados en un ambiente “make to order”.
menores tiempos de respuesta a cumplir con los requisitos del cliente. Para los catálogos clasificados tanto en categoría Blanda
Como parte de la eficiencia en los costos de operación, como Intermitente, se seleccionará así el método de estimación
producción y distribución de sus productos, se requiere de un adecuado para generar la estimación de venta que muestre una
método formal de estimación de ventas que reduzca el error del reducción del error de previsión.
estimado de ventas para dar mayor certeza al plan de negocios. Para la evaluación del método de estimación, se considera el
También lo es, reducir la incertidumbre brindando visibilidad de la sesgo como la medida principal que evalúa el grado en que el
demanda tanto a las plantas de fabricación como del requerimiento modelo de pronóstico genera una estimación por encima o por
de abastecimiento a los proveedores de materia prima para debajo de los datos actuales, así como el error de la estimación,
asegurar la disponibilidad de los proveedores de materia y logística se cuantificará mediante tres medidas: Error MAD de la desviación
para la distribución de sus productos para determinar el absoluta media, error cuadrático MSE y error MAPE del porcentaje
requerimiento correcto de recursos de transporte para cumplir con absoluto medio.
el plan de entrega comprometido por el área comercial. Con base en el estimado producido por el modelo seleccionado
La precisión del pronóstico de ventas agregado en promedio con el sesgo y error más despreciables del estimado, el estimado
es del 71% como línea base de desempeño, destacando una de la venta recomendada a nivel agregado por familia de productos
oportunidad significativa para la generación y ejecución del Plan y es la base para la generación del plan de ventas. Además, la
Ventas y Operaciones, como se muestra en la Figura 2. estimación de venta propuesta a nivel de producto terminado se
actualiza en el plan maestro de producción de la planta de
fabricación para determinar los requisitos futuros de producción y
capacidad de producción.
El requerimiento neto propuesto por el plan maestro de
producción es la base del plan de requerimiento de materiales
para generar la estimación de los requerimientos futuros de
compra de los proveedores de materia prima, brindando así
visibilidad para asegurar el abastecimiento de materia prima.
Además, se evaluarán los resultados en el impacto en la eficiencia
operativa y reducción del costo operativo de la cadena de
suministro para aumentar la productividad de la empresa y ser
más competitiva en el mercado.
5 Resultado y discusión
Figura 2 Precisión del pronóstico agregado de la venta de los períodos de Considerando las ventas históricas de los últimos dos años,
enero de 2019 a abril de 2020 2018 y 2019 de los catálogos de productos terminados clasificados
A de la planta de fabricación, y luego se trazan con base en la
4 Metodología matriz Syntetos, Boylan, & Croston (SBC) para identificar la
El caso de estudio incluye el análisis de las ventas históricas categoría de demanda, con base en el intervalo promedio
de los dos últimos años de uno de los
~ 384 ~
RevistaCientífica
sobre Logística

EMPRESA EN MÉXICO
coeficientes de la demanda (ADI) y el coeficiente de variación al

cuadrado (CV²).
Tabla 1 Resultados de los coeficientes ADI, CV2 y clasificación Syntetos, Boylan, & Croston
PRODUCTO J-1 J-5 H-6 D-7 S/F-11 D-12 H-13 G-14
2018 y 2019 Total
Pedir 11484 4645 3145 791 2618 949 2086 908
Periodos sin
demanda 1 1 1 00
Constante/Intermitente 0 0 yo yo 0 yo CC
Periodos con demanda C 24 23 1.000
C 1.043 0.171
23 0.406 C 23 24 24
IDA 0.350 0.17024 1.000 1.043 24 1.043 1.000 1.000
CV2 1.000 0,085 0,228 0,143
CLASIFICACIÓN Suave Suave Suave Suave 0.234 Suave Suave suave suave
PRODUCTO A-15 H-18 S/F-20 A-23 F-24 S/F-25 D-26 F-28

2018 y 2019 Total
Pedir 3390 906 1056 2472 422 1566 332 428
Periodos sin
demanda 0 0 CC 24 24 1 0 IC 23 24 10 10
Constante/Intermitente 1.000 1.000 0 1.043 1.000 I CI

Periodos con demanda 0.456 0.226 C 0.404 0.282 14 23 24
IDA Suave 24 Suave Suave 1.071 1.043 1.000
CV2 1.000 0.336 0,325 0,370
CLASIFICACIÓN Suave 0.310 Suave Suave suave suave
PRODUCTO D-37 D-29 D-35 B-38 B-21 F-22 K-27

2018 & 2019 Demanda
Total Periodos 2074 75 110 672 2068 320 228
sin demanda
Constante/ 1 dieciséis dieciséis 8 0 1 0
Intermitente Periodos con yo yo yo yo C yo C
demanda 23 8 23 1.043 3.000 1.000 1.043 1.000 16 24 24
IDA 8 1.500
CV2 0,248 0,161 0,636
3.0000,989
0.4840,674 0.484
CLASIFICACIÓN Suave Intermitente Intermitente Intermitente Errático Errático Errático
PRODUCTO J3 C-9 H-10 B-16 G-34 C-19 J-4 B-30

2018 y 2019 Total
Pedir 4953 159 2266 1927 121 76 2906 633
Periodos sin
demanda 0 5 1 0 3 7 12 11
C constante/intermitente yo yo C yo yo yo yo
Periodos con demanda 24 19 23 24 21 17 12 13

IDA 1.000 1.2630.698 1.043 1.000 1.143 0.903 0.695 1.411 2.000 1.840
CV2 1.474 0.882 0.726 0.837 3.579
CLASIFICACIÓN Errático Errático Errático Errático Irregular Irregular Irregular
A partir de los resultados presentados en la Tabla 1, se puede cuadrante suave, 9.68% con demanda Irregular, 25.81% con demanda
determinar la proporción correspondiente a cada cuadrante, siendo el Errática y 9.68% con demanda Intermitente (ver Figura 3).
54,84% de los catálogos de productos terminados ubicados en el
~ 385 ~
RevistaCientífica
sobre Logística
EMPRESA EN MÉXICO
Figura 3 Clasificación de la demanda de Planta Manufacturera (Syntetos, Boylan, & Croston, 2005)
Como se describe en el porcentaje y se refleja en el Se muestran los resultados de la estimación de la demanda a

gráfico, varios productos se ubican en el área Errática e igual través del método utilizado por la organización y la propuesta de
número de productos en las áreas Irregular e Intermitente. Una un nuevo método que permita reducir el error de pronóstico. El
vez que cada artículo está ubicado en su cuadrante respectivo, valor de cada valor de los suavizantes necesarios del método
calculamos un mejor método de pronóstico para cada artículo. propuesto para cada producto.
En las Tablas 2 y 3, el resumen de
Tabla 2 Método propuesto para el cálculo del pronóstico de demanda de productos clasificados en el cuadrante Blando e Intermitente
PRODUCTO MÉTODO DE PRONÓSTICO DE CORRIENTE CV2 ADI MAD
J-1 Media móvil 0.171 1.000 162.143
J-5 Media móvil 0,406 1,000 121,556
H-6 Media móvil 0.350 1.043 88.175
D-7 Media móvil 0.218 1.043 13.206
S/F-11 Media móvil 0.234 1.000 45.889
D-12 Media móvil 0,085 1,043 9,651
H-13 Media móvil 0.228 1.000 29.937
G-14 Media móvil 0.143 1.000 12.381
A-15 Media móvil 0.456 1.000 78.810
H-18 Media móvil 0.226 1.000 15.476
S/F-20 Media móvil 0,310 1,000 18,630
A-23 Media móvil 0,404 1,043 79,048
F-24 Media móvil 0,282 1,000 6,730
S/F-25 Media móvil 0,336 1,071 50,980
PRODUCTO MÉTODO DE PRONÓSTICO DE CORRIENTE CV2 ADI MAD
D-26 Media móvil 0,354 1,043 6.860
F-28 Media móvil 0,370 1,000 9.380
D-37 Media móvil 0,270 1,043 41.390
D-29 Media móvil 4,357 3,000 1.587
D-35 Media móvil 1,452 3,000 2.540
B-38 Media móvil 1,089 1,500 30.300
PRODUCTO SBC MEJOR ESPARTO BETA ENOJADO
CLASIFICACIÓN PRONÓSTICO PARÁMETRO PARÁMETRO

MÉTODO
J-1 Suave Marrón 0.0001 159.841
J-5 Suave Marrón 0.0001 102.767
~ 386 ~
RevistaCientífica
sobre Logística
EMPRESA EN MÉXICO
H-6 Suave Marrón 0,0001 63.194

D-7 Suave Bosquecillo 0,0977 0.1867 12.166
S/F-11 Suave Bosquecillo 0,0001 0.0001 42.671
D-12 Suave Marrón 0,5545 10.793
H-13 Suave Marrón 29,1300 31.074
G-14 Suave Marrón 0,0004 10.414
A-15 Suave Bosquecillo 0,5310 0.1090 59.301
H-18 Suave Marrón 0,0020 13.821
S/F-20 Suave Media móvil 18.630
A-23 Suave Marrón 0,0004 61.696
F-24 Suave Marrón 0,3989 6.470
S/F-25 Suave Bosquecillo 0,5740 0.0040 47.580
D-26 Suave Marrón 0,3091 6.080
F-28 Suave Bosquecillo 0,3240 0.0200 8.770
D-37 Suave Marrón 0,0004 38.590
D-29 Intermitente Bosquecillo 0,3420 0.0470 1.220
D-35 Intermitente Bosquecillo 0,3990 0.0510 2.190
B-38 Intermitente Marrón 0,9999 18.700
Tabla 3 Propuesta de método para calcular el pronóstico de demanda de productos clasificados en el cuadrante Errático e Irregular
PRODUCTO ACTUAL CV2 ADI MAD SBC
PRONÓSTICO CLASIFICACIÓN
MÉTODO
J3 Media móvil 0,698 1.000 144.905 1.263 Errático
C-9 Media móvil 1,474 6.238 1.043 70.079
1.000 Errático
H-10 Media móvil 0,903 52.492 1.0001.043
62.206 Errático
B-16 Media móvil 0,695 9.476 1.000 6.220
1.095 Errático
B-21 Media móvil 0,636 3.680 2.000 70.095
1.411 Errático
F-22 Media móvil 0,989 46.3406 3.8406 Errático
K-27 Media móvil 0,674 Errático
G-34 Media móvil 1,152 Errático
J-4 Media móvil 0,837 Irregular
C-19 Media móvil 0,726 Irregular
B-30 Media móvil 12,199 Irregular
PRODUCTO MEJOR ESPARTO BETA ENOJADO
PRONÓSTICO PARÁMETRO PARÁMETRO

MÉTODO
J3 Bosquecillo 0,3409 0,0001 134.321
C-9 Bosquecillo 0,0233 0,9999 4.743
H-10 Bosquecillo 0,0206 0,8819 63.331
B-16 Bosquecillo 0,5150 0,0210 45.712
B-21 Bosquecillo 0,0650 0,2490 47.281
F-22 Marrón 0,0004 8.428
K-27 Marrón 0,0004 5.330
G-34 Bosquecillo 0,3390 0,0001 3.570
J-4 Bosquecillo 0,4568 0,2287 69.297
C-19 Bosquecillo 0,0471 0,0001 2.660
B-30 Marrón 0,0004 35.900
En el 90,3% de los casos se encontró un mejor método para su pronóstico por el método de Holt, utilizando los suavizantes alfa y beta
reducir el error de previsión de la demanda; El 41,94% de los productos (ÿ, ÿ). Una vez identificado el mejor método de pronóstico para cada
se pronostican mejor a través del método de Brown, que producto, se clasificaron por cuadrante del método SBC, es el mejor
solo nos permite tener un alfa más suave (ÿ). En este caso, el mismo método de pronóstico utilizar la estrategia de un pronóstico agregado que
porcentaje del 48,3% de los productos mejora permite reducir
~ 387 ~
RevistaCientífica
Internacional
sobre
sobre
Logística
Logística
EMPRESA EN MÉXICO
la variabilidad relativa aumenta aún más la precisión de los Método de Holt y la demanda agregada total para cada período de
pronósticos, y eso permite reducir los requerimientos del stock de los artículos clasificados según su cuadrante y su mejor método.
seguridad en los inventarios.
En la Tabla 4 se describe la demanda para cada período de
2018 y 2019 de los artículos ubicados en el cuadrante Irregular y
Tabla 4 Clasificación irregular y método de pronóstico de Holt

PRODUCTO J-3 C-9 H-10 B-16 B-21 G-34 AGREGADO
enero 153 13 21 52169 1 48743
1 77 0 154 79
1 109 4 69 435426 2 219 1 325
Febrero 254 2 639 41373 4 40990 201 2 1678
4 487 6 89 41156 14 111 6 125
Marzo 138 9 6 0 4 20 7 0 17 56 88 333
Abril 1 0 30 42 561
2 Mayo 4 38 146 73 338
0 Junio 0 144 75 42 416
1 Julio 5 96 41 26 281
8 Agosto 0 130 78 102 383
Septiembre 6 11 52 82 579
Octubre 10 121 103 95 549
Noviembre 3 16 102 134 511
Diciembre 23 79 31 53 829
enero 2 134 144 72 729
Febrero 0 9 73 18 509
Marzo 5 161 29 301 699
Abril 0 62 15 1 98
2 Mayo 0 21 13 52 560
0 Junio 3 7 41 145
1 Julio 7 107 18 109 311
9 Agosto 14 144 160 135 570
Septiembre 8 84 106 203 561
Octubre 9 225 118 178 731
Noviembre 44 373 317 53 843
Diciembre 10 260 56 122 508
Figura 4 Gráfico de la demanda agregada de productos Irregulares y método de pronóstico de Holt
Posteriormente se realizó la estimación de la previsión de se puede observar que aún presenta una variación vital y una
demanda de los datos agregados para contrastar si hay una mejora tendencia lineal positiva, como se muestra en la Figura 4.
en la variación y la precisión de la previsión.
La Tabla 5 muestra la estadística principal de los datos agregados, y Tabla 5 Valor medio, desviación estándar, CV y CV2
la Tabla 6 detalla los resultados del cálculo de la estimación del Media 478.917
pronóstico. Desviación 208.818
Se realiza la gráfica de los valores de la demanda agregada, CV 0,436
permitiéndonos visualizar su comportamiento y patrón. Eso CV2 0.190
~ 388 ~
RevistaCientífica
sobre Logística
EMPRESA EN MÉXICO
Tabla 6 Resultados del pronóstico agregado para la clasificación Errática y método de Holt, valores de los ablandadores y su MAD
Producto SBC Mejor Esparto ENOJADO ENOJADO
Clasificación Pronóstico Parámetro Desagregado Agregado

Método
J3 Errático Bosquecillo
C-9 Errático Bosquecillo
H-10 Errático Bosquecillo

0.074 298.958 158.376
B-16 Errático Bosquecillo
B-21 Errático Bosquecillo
G-34 Errático Bosquecillo
Del resultado obtenido utilizando la demanda agregada También se consideró evaluar una estrategia de agregar la
pronóstico, se puede determinar un error MAD del pronóstico con clasificación SBC, el mejor método de pronóstico y los trimestres.
un valor de 158,376; esto se puede describir como una mejora La Figura 5 muestra únicamente los resultados de las estadísticas
del 47% con respecto al error MAD de 298.958 al tratar las básicas de la propuesta de considerar sumar las demandas en
demandas desagregadas. periodos trimestrales.
Figura 5 Demanda agregada considerando la clasificación SBC, el mejor método de pronóstico y los periodos en trimestres
La Figura 6, basada en datos de la Tabla 7 y la Figura 7,
En el gráfico se puede observar como la variación se reduce basada en datos de la Tabla 8, muestran los resultados de la
considerablemente, permitiendo reducir la variación en un 20,18% demanda agregada de productos en clasificación Blanda con el
respecto a la estrategia de sumar solo la clasificación SBC y el método Brown y los periodos en trimestres, así como para los
mejor método de pronóstico, pasando de 0,436 a 0,348 en el productos en clasificación Blanda e Intermitente, con el método
coeficiente de variación. Holt y los periodos trimestrales.
Cuadro 7 Demanda agregada trimestral

Producto SBC Mejor Esparto ENOJADO ENOJADO
Clasificación Pronóstico Parámetro Desagregado Agregado

Método
J-1 Suave Marrón
J-5 Suave Marrón
H-6 Suave Marrón
D-12 Suave Marrón
G-14 Suave Marrón
H-13 Suave Marrón 0.806 504.741 393.93
H-18 Suave Marrón
A-23 Suave Marrón
F-24 Suave Marrón
D-26 Suave Marrón
D-37 Suave Marrón
~ 389 ~
RevistaCientífica
Internacional
sobre
sobre
Logística
Logística
EMPRESA EN MÉXICO
Figura 6 Demanda agregada considerando la clasificación Soft SBC, el método de pronóstico Brown y los periodos en trimestres
Cuadro 8 Demanda agregada trimestral

Producto Mejor Esparto Enojado Enojado
Clasificación SBC Pronóstico Parámetro Desagregado Agregado

Método
D-7 Suave Bosquecillo
S/F-11 Suave Bosquecillo
A-15 Suave Bosquecillo
S/F-25 Suave Bosquecillo 0.515 173.898 104.416

F-28 Suave Bosquecillo
D-29 Intermitente Bosquecillo
D-35 Intermitente Bosquecillo
Figura 7 Demanda agregada considerando la clasificación SBC Suave e Intermitente, el método de pronóstico de Holt y los periodos en trimestres
Los resultados de la propuesta de clasificar los productos según su precisión que reducirá los requerimientos de los stocks de seguridad de
patrón de demanda, encontrar un mejor método de pronóstico que las materias primas, que en nuestro caso son los mismos para la
permita seguir el patrón de demanda, sumar la demanda por la mayoría de los productos.
clasificación propuesta por Syntetos, Boylan, y Croston. Además, su
mejor método, la previsión y por periodos trimestrales, permite reducir 6. Conclusiones
la variabilidad relativa, un incremento esencial en la previsión. La importancia de mantener niveles óptimos de inventario que
permitan a la empresa satisfacer las necesidades de sus
~ 390 ~
RevistaCientífica
sobre Logística
EMPRESA EN MÉXICO
clientes al menor costo requiere una comprensión de los factores Referencias

clave que describen el comportamiento de los patrones de [1] ENTRINGER, T., FERREIRA, A.: Propuesta de Modelo de
demanda. En estas circunstancias, la eficacia de los esquemas Referencia para la Planificación y
de previsión y gestión de inventarios se vuelve fundamental. Planificación agregada, Revista internacional de investigación
y ciencia de ingeniería avanzada, vol. 5, núm. 8, págs.
El caso de estudio descrito en este documento busca 277-284, 2018.
mejorar el nivel de pronóstico de demanda para una muestra de [2] WALLACE, T., STAHL, R.: Planificación de ventas y
artículos representativos de la planta de producción de productos operaciones, La guía del ejecutivo. 9ª ed. Estados Unidos
industriales, limitados bajo este estudio. La organización estaba de América: TF Wallace and Co.AIR, J.: Gestión eficaz del
lidiando con tener un nivel excesivo de variabilidad en el tiempo, cómo ahorrar tiempo y gastarlo sabiamente,
consumo de materias primas ante la falta de un método de Londres, Pan Books, 2014. doi:10555/al/article [3]
pronóstico, con mayor asertividad; esto provocó un alto manejo CONTRERAS JUÁREZ, A. , ATZIRY ZUÑIGA, C., MARTÍNEZ
de inventarios, lo que permitió la continuidad de la producción a FLORES, JL, SÁNCHEZ PARTIDA, D.: Análisis de series
un alto costo para evitar paradas por falta de insumos. de tiempo en el pronóstico de la demanda de almacenamiento
de productos perecederos,
Se llevó a cabo un análisis en profundidad de la contribución Estudios Gerenciales, vol. 32, No. 141, pp. 387-396, 2016.
a este exceso de variación y se encontró que el desempeño de doi:10.1016/j.estger.2016.11.002 (Original en
los pronósticos podría mejorarse para mejorar los niveles de Español)
inventario. Los resultados del análisis permitieron implementar [4] MALINDZAKOVA, M., ZIMON, D.: Diseño del ciclo de
una clasificación basada en la metodología de Syntetos, Boylan suministro para la gestión de inventario, TEM Journal, vol.
y Croston, para agrupar los productos analizados bajo afinidad 8, No. 3, pp 894-899, 2019. doi:10.18421/TEM 83 [5]
y un cambio en el método de cálculo del pronóstico para reducir KALCHSCHMIDT, M., VERGANTI, R., ZOTTERI, G.: Forecasting
el error. Una vez definido el método de clasificación y pronóstico
demand from heterogeneous clients, International Journal
para cada producto, se of Operations and Production Management , vol. 26, No. 6,
Se implementó la estrategia de pronóstico agregado para los pp 619-638, 2006. doi:10.1108/01443570610666975 [6]
productos encontrados en cada clasificación con cada método YANG, C.: Implementación y efectividad de acciones
de pronóstico, obteniendo una reducción de la variación entre estratégicas utilizadas para reducir la variabilidad del cliente,
20% y 46% en cada caso estimado. The Service Industries Journal, vol. 31, núm. 4, págs. 527-
Con base en los resultados encontrados en este estudio, la
organización implementará gradualmente los cambios en su 544, 2011.
sistema de gestión, las modificaciones requeridas para [7] KLIMBERG, RK, SILLUP, GP, BOYLE, KJ, TAVYA, V.:
establecer los métodos y parámetros sugeridos en este Pronóstico de medidas de desempeño: ¿cuál es su
documento, así como también incluirá el resto de los artículos significado práctico?, Avances en el pronóstico empresarial
producidos por la planta en el mismo tratamiento—además, y de gestión, vol. 7, pp. 137-147, 2010. doi:10.1108/
experimentación para analizar sus resultados. La descripción s1477-4070(2010)0000007012 [8] RIEG, R.: ¿Mejoran los
de la metodología utilizada en este caso de estudio ha sido pronósticos con el tiempo?, International Journal of
satisfactoria y muestra evidencia de mejorar la precisión de los Accounting & Information Management, vol. 18, núm. 3, págs.
pronósticos.
220-236, 2010. doi:10.1108/18347641011068974 [9]
Futuras investigaciones deberían involucrar la interacción
KLINDOKMAI, S., NEECH, P., WU, Y., OJIAKO, U.,
con el pronóstico de inventarios de productos terminados CHIPULU, M., MARSHALL, A .: Evaluación de modelos de
basados en el modelo de pronóstico propuesto en este estudio pronóstico para carga aérea, The International Journal of
para reducir notablemente la incertidumbre que se presenta en Logistics Management, vol. 25, No. 3, pp. 635-655, 2014.
el uso de pronósticos ya que los inventarios son el soporte que doi:10.1108/ijlm-05-2013-0049 [10] SYNTETOS, AA,
tiene el modelo de pronóstico ante cambios significativos por la BOYLAN, JE, CROSTON, JD: On the categorization of
demanda. En estas circunstancias, la eficacia de los esquemas demand patterns, Journal of the Sociedad de investigación
de previsión y gestión de inventario se vuelve importante en un operativa, vol. 56, No. 5, pp. 495-503, 2005. doi:10.1057/
entorno industrial, lo que puede conducir a reducciones palgrave.jors.2601841 [11] VAN DER AUWERAER., S.,
significativas de costos de inventario y producción y mejorar los BOUTE, RN, SYNTETOS, A.: Pronóstico de demanda de
niveles de servicio al cliente.
repuestos con base instalada Información, SSRN, vol.
2017, pp. 1-35, 2017. doi:10.2139/ssrn.3104452 [12] DOSZYN,
M.: Pronóstico de demanda intermitente en la empresa:
Agradecimiento El verificación empírica, Journal of Forecasting, vol. 38, núm.
autor de correspondencia quiere agradecer a la Universidad 5, págs. 459-469, 2019. doi:10.1002/for.2575
Popular Autónoma del Estado de Puebla (Universidad UPAEP).
~ 391 ~
RevistaCientífica
Internacional
sobre
sobre
Logística
Logística

EMPRESA EN MÉXICO
[13] BALDERAS, M., ARAIZA, A., PEÑA, M., VILLAREAL, B.: [17] ÁLVAREZ SOCARRÁS, AM, BERRONES, A., MORENO, GJ,
Improving Forecast Accuracy to Reduce Variability of Customer RODRÍGUEZ SARASTY, JA, CABRERA RÍOS, M.: Resumen
Service Level, Proceedings of the International Conference on práctico: Mejora de las capacidades de previsión y planificación
Industrial Engineering and Operations Management, Pilsen, de la capacidad en una
República Checa , 2019. Empresa de Telecomunicaciones, Interfaces, vol. 43, núm. 4,
págs. 385-387, 2013. doi:10.1287/inte.2013.0684
[14] EAVES, AHC, KINGSMAN, BG: Previsión para el pedido y
almacenamiento de repuestos, Journal of the Operational [18] RICHARDS, G., GRINSTED, S.: El conjunto de herramientas de
Research Society, vol. 55, No. 4, pp. 431-437, 2004. logística y cadena de suministro, 2.ª ed., págs. 123, 143, 161,
doi:10.1057/palgrave.jors.2601697 [15] NARUSAWA, T., Gran Bretaña: Kogan Page Limited, 2016.
SHOOK, J.: Kaizen Express: Fundamentals for your Lean [19] SYNTETOS, AA, KEYES, M., BABAI, MZ: Categorización de la
Journey, Cambridge MA. EE. UU.: Instituto Lean Enterprise, 2011. demanda en una red logística europea de piezas de repuesto,
International Journal of Operations & Production Management,
vol. 29, núm. 3, págs. 292-316, 2009.
[16] SÁNCHEZ-PARTIDA, D., RODRÍGUEZ MÉNDEZ, R., doi:10.1108/01443570910939005
MARTÍNEZ-FLORES, JL, CABALLERO-MORALES, S.-O.:
Implementación de Flujo Continuo en el Proceso de Gabinete
en la Planta Schneider Electric en Tlaxcala, México, Interfaces,
vol. 48, núm. 6, págs. 566-577, 2018. doi:10.1287/inte.2018.0966 Proceso de revisión
Proceso de revisión por pares simple ciego.
~ 392 ~
El registro de investigación de esta revista está disponible El número actual y el archivo de texto completo de esta revista están
en http://www.mcbup.com/research_registers disponibles en http://www.emerald-library.com/ft
BJ
8,2
Antecedentes de adopción de
MRP en pequeñas y medianas
empresas
144 Alberto Petroni y Antonio Rizzi
UniversitáÁ di Parma, Parma, Italia
Palabras clave MRP, Tecnología, Pequeñas y medianas empresas, Implementación
Resumen Esta investigación busca proporcionar una comprensión del proceso de adopción de MRP utilizando
modelos de adopción clásicos para la predicción. Con este fin, se utilizaron cuatro modelos de adopción
clásicos para proporcionar la base para las construcciones probadas en este estudio. El marco de la
investigación se esfuerza por investigar las relaciones entre el análisis de beneficios, los estudios de
factibilidad, la disposición organizacional y el constructo mediador, la evaluación positiva de MRP. Se llevó a
cabo un análisis estadístico en una muestra de 109 pequeñas y medianas empresas que reveló que estos
constructos juegan un papel importante en el proceso de toma de decisiones que conducen, en última
instancia, a la adopción de MRP. El análisis, por lo tanto, prestó apoyo a los modelos de adopción
considerados y podría proporcionar indicaciones útiles para los gerentes que buscan maximizar la inversión en paquetes MRP.
Introducción Los
sistemas de planificación de requisitos de materiales (MRP) ayudan a los fabricantes a determinar con
precisión cuándo y cuánto material comprar y procesar en función de un análisis en fases de las
órdenes de venta, las órdenes de producción, el inventario actual y las previsiones. Aseguran que las
empresas siempre tendrán suficiente inventario para satisfacer las demandas de producción, pero no
más de lo necesario en un momento dado. MRP incluso programará órdenes de compra y/u órdenes
de producción para recibirlas justo a tiempo.
Los módulos MRP eliminan las conjeturas de las compras al calcular automáticamente los
requisitos de materiales y coordinar las órdenes de compra y las órdenes de producción para recibirlas
a tiempo. Los planes de fabricación poco realistas se pueden identificar fácilmente, lo que puede
surgir cuando no hay tiempo suficiente para fabricar un producto intermedio para una fecha de
producción objetivo, o si es poco probable que un proveedor entregue los materiales en el momento
en que se requieren.
Dado que MRP determina los requisitos según el programa maestro de producción (MPS), los
módulos ofrecen varias formas de ayudar a mantener el programa actualizado.
Por ejemplo, las órdenes de producción se pueden programar en función de los pedidos actuales de
los clientes y/o los niveles de inventario, por lo que se adaptan tanto a los procedimientos de
"fabricación sobre pedido" como de "fabricación para stock". El MPS también puede incluir pronósticos
de productos, que pueden calcularse automáticamente utilizando datos del historial de ventas o producción.
A pesar de su simplicidad, los sistemas MRP tienen un gran potencial para realizar contribuciones
significativas en la búsqueda de la productividad que permitiría a las pequeñas empresas competir en
un mercado internacional. Sin embargo, en su afán por corregir rápidamente varias décadas de malas
prácticas de fabricación, muchas pequeñas empresas se apresuraron a introducir MRP, que
Evaluación comparativa: una revista

consideraban un método mágico y simplista de hacer negocios. En este contexto, los fabricantes
internacional, vol. 8 Nº 2, 2001, págs. pueden haber pasado por alto un aspecto muy importante de los sistemas MRP: la implementación. A
144-156. # Prensa de la Universidad
MCB, 1463-5771 pesar de
Debido al crecimiento de las ventas de sistemas MRP en todo el mundo, su implementación es, antecedentes de
de hecho, a menudo un proceso engorroso (Manthou et al., 1996; Ritter, 1992). Todavía hay
Adopción de MRP
muchos problemas relacionados con el funcionamiento eficaz de MRP/MRP II (Smith, 1993;
Turnipseed et al., 1992) y se informa con frecuencia de una falta general de confianza en el
sistema (Clode, 1993). Sin la adopción del software, los considerables recursos invertidos en MRP
serán, en el mejor de los casos, infrautilizados y, en el peor de los casos, desperdiciados.
Por lo tanto, la investigación busca proporcionar una comprensión del proceso de adopción 145
mediante la predicción de las etapas por las que es más probable que pasen las pequeñas y
medianas empresas antes de estar listas para la adopción de MRP. Equipados con el conocimiento,
los gerentes pueden emplear las estrategias necesarias para mover su organización de manera
eficiente a través del proceso de adopción para que no se pierdan fondos y otros recursos valiosos.
El propósito de este documento es utilizar cuatro modelos de adopción clásicos para predecir
el proceso de implementación de MRP. Con este fin, la investigación sigue un marco conceptual
de adopción de tecnología que se encuentra en la literatura de gestión.
El marco establece que los gerentes deben pasar por varias etapas, incluida la conciencia, la
identificación de aplicaciones específicas y sus beneficios, el compromiso y la evaluación antes
de que la tecnología se integre por completo en las operaciones de línea.
El documento se divide en cuatro partes. Primero, se explica una descripción del marco que
proporciona la base teórica para los constructos estudiados.
En segundo lugar, se describe la metodología utilizada para investigar las hipótesis.
En tercer lugar, se destacan los análisis utilizados para probar las hipótesis de investigación.
Finalmente, se presentan los resultados de la investigación de este estudio y se discuten las
sugerencias para futuras investigaciones.
Problemas en la implementación de MRP Las

dificultades encontradas por las empresas en el proceso de implementación de MRP pueden
atribuirse a una serie de factores.
El primero es la complejidad de los sistemas MRP, que, por supuesto, es un concepto relativo
que varía según el nivel de conocimiento y experiencia disponible dentro de la empresa antes de
la implementación (Wortmann, 1998; Wilson et al., 1994; Luscombe, 1994) . Por lo general, hay
varios parámetros que deben iniciarse cuando se implementa un software estándar (Bancroft,
1997).
En segundo lugar, se requiere una cantidad considerable de entrenamiento intensivo. De
hecho, aunque los usuarios finales suelen estar capacitados en una cantidad limitada de funciones,
los usuarios clave deben adquirir una competencia técnica considerable.
En términos generales, muchas reimplementaciones de sistemas MRP son el resultado de una
falla en la implementación de cambios comerciales junto con el software. Una de las principales
razones por las que MRP y otros grandes sistemas tecnológicamente sofisticados fallan es que
las organizaciones simplemente subestiman la medida en que tienen que cambiar para adaptarse
a su compra. La gestión eficaz del cambio tecnológico requiere un liderazgo transformacional
(Brown, 1994).
Por lo tanto, un factor crítico que hace que la implementación sea una tarea difícil es que la
implementación de paquetes MRP a menudo se combina con la reestructuración de
BJ Procesos de negocios. Es una característica común tanto a las empresas grandes como a
las pequeñas que la adopción de técnicas logísticas avanzadas va acompañada de una
8,2
mayor integración de diferentes áreas funcionales y unidades organizativas de acuerdo con
los flujos de trabajo de la empresa.
Uno de los temas considerados críticos en gran medida se refiere a la resistencia de los
gerentes y el personal al cambio organizacional que es inducido por la adopción de nuevas
146 tecnologías. En este sentido, varios autores han subrayado la importancia de una sólida
implicación de los trabajadores de planta (Sommer, 1998; Weill et al., 1991). Pasar de un
sistema básico a uno más moderno conlleva el peligro inicial de que las personas no entiendan
las capacidades y simplemente asignen los mismos procesos al nuevo sistema.
También se ha puesto una valiosa relevancia en la literatura referente a problemas

tecnológicos, como la inadecuación de los sistemas MRP para optimizar el flujo de trabajo
interno. De hecho, los cambios frecuentes en los horarios, un problema conocido como
nerviosismo de producción, es un obstáculo para la implementación exitosa de los sistemas
MRP (Duchessi et al., 1988).
En resumen, los sistemas MRP deben implementarse como un sistema total y la
implementación de cualquier parte sin el resto no será exitosa. Un enfoque fragmentado
puede crear "islas" de MRP, pero no lograr las mejoras en toda la empresa que aumentan la
competitividad de la empresa. Esto implica que hay factores críticos de la implementación de
MRP que no se pueden pasar por alto sin provocar una falla de MRP. Obviamente, la
implementación puede verse obstaculizada cuando una empresa no está muy segura
exactamente de lo que está tratando de implementar.
Marco de adopción de tecnología Debido a la

escasa cantidad de investigación académica relacionada con la tecnología MRP y la adopción
de metodología, la base de este estudio se basa en la literatura general de adopción de
tecnología. Se utilizaron cuatro modelos de adopción clásicos representados en la Tabla I
para proporcionar la base para las construcciones probadas en este estudio. El examen de
los modelos clásicos de adopción revela que hay cuatro constructos básicos que deben
probarse. A continuación se presenta una discusión de la justificación teórica para incluir
cada constructo en el modelo.
Modelo de Modelo de Modelo de

Etapas jerarquía de efectos Modelo `ÀIDA'' adopción de innovación comunicaciones
Etapa cognitiva Conciencia Atención Conciencia Exposición

Conocimiento Recepción
Cognitivo
Respuesta
Etapa afectiva Gusto Interés Interés Actitud

Preferencia Evaluación Intención
Convicción
Tabla I. Etapa de comportamiento Compra Deseo Prueba Comportamiento
Modelos de adopción Acción Adopción

El objetivo del proceso de adopción es lograr que la organización se comporte o actúe de antecedentes de
manera conducente a la adopción. Según los modelos clásicos, este objetivo se alcanza Adopción de MRP
después de que la empresa adoptante pasa por tres etapas que un panel de expertos ha
denominado: cognitiva, afectiva y conductual.
En la etapa cognitiva los gerentes y ejecutivos de la firma consideran mentalmente o están
expuestos a la tecnología. Una vez que los gerentes se dan cuenta de la existencia de la
tecnología, la empresa pasa a la etapa afectiva. Esta etapa se basa en los sentimientos de 147
los gerentes hacia la tecnología. Si los sentimientos son favorables, la empresa pasará a la
etapa de comportamiento y adoptará la tecnología. El modelo clásico `ÀIDA'' supone que la
empresa primero se da cuenta de la tecnología (Strong, 1925). Esta conciencia conduce al
interés. El interés en la tecnología alimenta el deseo por los beneficios que brinda la tecnología,
lo que finalmente conduce a la acción o adopción de la tecnología. El modelo de "jerarquía de
efectos" (Lavidge y Steiner, 1961) sigue un flujo similar pero más detallado. Este modelo
supone que la empresa que la adopta primero se da cuenta de la existencia de la tecnología.
El conocimiento de la tecnología conduce a la recopilación de hechos y al conocimiento de la

tecnología. A partir del conocimiento obtenido, los gerentes de la empresa desarrollan algunos
sentimientos acerca de la tecnología. El sentimiento positivo de agrado conduce a una
preferencia, lo que se traduce en una convicción que finalmente conduce a la compra o
adopción de tecnología.
El "modelo de adopción de la innovación" clásico, al igual que los dos modelos anteriores,
supone que la empresa atraviesa una etapa cognitiva (Rogers, 1962). Durante esta etapa, la
empresa se da cuenta de la nueva innovación o tecnología. Entonces la firma pasa a la etapa
afectiva. En esta etapa, el interés de la empresa que adopta alcanza su punto máximo y la
empresa comienza a evaluar los beneficios de la tecnología innovadora para sus necesidades
específicas. A continuación, la empresa pasa a la etapa de comportamiento en la que probará
o probará la tecnología. Finalmente, después de probar la tecnología, la empresa actuará
adoptando la nueva tecnología.
El cuarto modelo clásico presentado es el ``modelo de comunicaciones''. Este modelo fue
presentado por Kotler en su obra de 1984 (Kotler, 1984). En la etapa de concientización, la
empresa adoptante primero estará expuesta a la tecnología.
La exposición conducirá a la recepción de la tecnología. La recepción a su vez conducirá a
una respuesta cognitiva o mental. A medida que la empresa pasa a la etapa afectiva, se
formará una actitud hacia el producto. La actitud se manifestará en la intención de actuar de
una empresa. Según el modelo, esta intención conduce en última instancia a un comportamiento
de adopción.
Como se presentó anteriormente, los cuatro modelos de adopción clásicos representados
en la Tabla I se utilizaron para proporcionar la base para las construcciones probadas en este
estudio.
Las construcciones y definiciones derivadas de la literatura y utilizadas en este
estudio son los siguientes.
. Análisis de beneficios. La adopción e implementación descansan en un análisis
preliminar de los beneficios potenciales inducidos por la tecnología bajo consideración.
Cuanto mayor sea la medida en que se exploren estos beneficios, mayor será la
probabilidad de adopción.
BJ . Factibilidad. Este constructo se refiere al análisis de la compatibilidad de la

tecnología bajo escrutinio con el sistema técnico actual y una estimación
8,2
real tanto de los cambios requeridos para una buena adopción como del
tiempo requerido para que estos cambios ocurran.
. Voluntad organizacional. Esto se refiere a la apertura que muestran los
diferentes miembros de la organización hacia la tecnología y su aplicación.
148
. Evaluación. Esto considera el resultado positivo de las metodologías y
procedimientos de toma de decisiones en apoyo de un proceso de
evaluación formalizado o tácito.
Ahora que se ha presentado la justificación teórica para incluir cada constructo en el
modelo, a continuación se formularán hipótesis sobre los constructos y las relaciones
entre ellos.
Hipótesis de investigación
El modelo representado en la Figura 1 muestra las relaciones hipotéticas entre los
constructos teóricos. El modelo muestra las relaciones entre el análisis de beneficios,
la factibilidad, la disposición organizacional y el constructo mediador, la evaluación. Es
la evaluación positiva la que finalmente conduce a la adopción de MRP.
Las relaciones de construcción hipotéticas se presentan a
continuación: H1: El conocimiento del gerente de MRP conducirá a una evaluación positiva.
H2: Las percepciones del gerente sobre los beneficios de MRP conducirán a una
evaluación positiva.
Figura 1.
Relaciones
hipotéticas entre
constructos
H3: El conocimiento del gerente de los hitos de implementación y los requisitos previos de antecedentes de
implementación conducirá a una evaluación positiva.
Adopción de MRP
H4: Las percepciones del equipo del proyecto sobre la apertura de la organización a MRP
conducirán a una evaluación positiva.
H5: La evaluación positiva de MRP conducirá a la adopción.
149
Metodología de la investigación
Muestra El diseño de
investigación empleado en este estudio fue una encuesta postal. Los datos se recopilaron de
pequeñas y medianas empresas manufactureras (PYME) en todo el norte de Italia. El término
``PYME'' (pequeñas y medianas empresas) cubre una variedad de definiciones y medidas.
En los países miembros de la OCDE, el empleo es el criterio más utilizado para determinar el
tamaño de la empresa. Las pymes suelen definirse como empresas con menos de 500
empleados, aunque varios países, incluidos los de la Unión Europea, utilizan un punto de
corte más bajo de 300. Este último criterio se utilizó en la presente investigación. El
fundamento de esta elección es que pretendía reflejar el marco adoptado por la OCDE que
distingue entre:
. microestablecimientos (1-19 empleados): aquellas empresas que generalmente son de

propiedad familiar y realizan una actividad de tipo casi artesanal; . pequeños
establecimientos (20-99 empleados); y . establecimientos medianos (100-299 empleados).
Las empresas incluidas en la encuesta fueron seleccionadas dentro de la industria de

empaque y maquinaria de empaque, la cual fue elegida por la vitalidad mostrada en los
últimos años en la adopción de sistemas MRP. La elección de esta industria específica está
motivada por otras razones: . el hecho de que estos fabricantes representan la columna
vertebral de algunas economías locales del norte de Italia, con aproximadamente el 85
por ciento de la producción que se vende en el extranjero; y . la importancia que los
entornos de fabricación de construcción de maquinaria están ganando en términos
de problemas de planificación de la producción.
Los problemas que surgen al respecto son tan relevantes que la mayoría de los principales
paquetes comerciales de MRP y ERP se esfuerzan por diseñar e implementar nuevos
productos que incluyan módulos específicamente diseñados para este tipo de empresas.
La población objetivo inicial (590 empresas) se obtuvo de los listados proporcionados por
la Asociación Italiana de Fabricantes de Maquinaria de Envasado y Envasado Automático
(UCIMA) y de la base de datos CIBUS (una exposición internacional de alimentos que se
celebra anualmente en Parma, Italia). Estos fueron cuidadosamente verificados y cotejados
para asegurar una información completa y actualizada. También se utilizaron una carta de
seguimiento y una llamada telefónica para maximizar la tasa de respuesta. Un total de 119
empresas fueron identificadas como usuarias de MRP. El término ``MRP'' se utiliza como un término general
BJ término para incluir todas las versiones de MRP, a saber, MRP I (es decir, planificación de
necesidades de materiales), MRP de bucle cerrado (es decir, MRP I con planificación de
8,2
capacidad y planta) y MRP II (es decir, MRP de bucle cerrado integrado con otras funciones
como finanzas y marketing), como en Duchessi et al. (1988), Sum y Yang (1993) y Sum et
al. (1997). Todas las empresas fueron contactadas personalmente y diez se negaron a
participar en el proyecto de investigación. Así pues, un total de 109 empresas se incluyeron
150 en la muestra final. Las designaciones típicas de los encuestados incluían el programador
maestro, gerente de producción e inventario, gerente de producción, gerente de planta y
gerente de manejo de materiales.
Diseño y desarrollo del cuestionario Con el

fin de brindar información más completa para las hipótesis y hacer válida la versión
preliminar del cuestionario, se organizaron reuniones de ``mesa redonda'' con seis gerentes
directamente responsables de implementar los sistemas MRP en sus respectivas empresas.
Cada gerente revisó el cuestionario propuesto para aclarar cualquier término o concepto
confuso. Se pidió a los gerentes que identificaran, con base en sus experiencias, aquellas
preguntas que consideraban irrelevantes y que determinaran si podían revelar toda la
información solicitada en el cuestionario. Los seis revisores indicaron que encontraron el
cuestionario muy completo y que no tendrían ningún problema en proporcionar toda la
información solicitada siempre que se expresara en escalas ordinales. Después de revisar
los comentarios y sugerencias del panel, se perfeccionó el instrumento de la encuesta
agregando, eliminando y modificando elementos. Luego, el instrumento fue probado
previamente por una pequeña muestra de conveniencia de empresas. El instrumento fue
nuevamente modificado para reflejar la información obtenida. Esta etapa demostró ser
particularmente útil ya que proporcionó una visión directa de cómo los fenómenos
específicos que surgieron durante el estudio de la literatura encontraron una aplicación real
en la práctica industrial dentro del contexto bajo investigación.
Esta actividad perseguía dos objetivos distintos: primero, construir un marco para una
hipótesis de investigación estructurada sobre los determinantes, modos y efectos de las
prácticas de implementación de MRP y, segundo, decidir qué datos se deben recopilar en
la encuesta de cuestionario posterior. Los resultados de este proceso fueron editados para
superposiciones y repeticiones para producir un cuestionario final.
Se pidió a los encuestados que evaluaran hasta qué punto estaban de acuerdo con
cualquiera de las varias afirmaciones sobre los factores de implementación y las medidas
de éxito. Todos los ítems se formularon como declaraciones cortas y se pidió a los
encuestados que registraran en qué medida cada declaración se aplicaba a su propio caso
(en una escala de Likert de siete puntos).
Específicamente, el instrumento fue diseñado para abordar las hipótesis de investigación
y proporcionar datos para la prueba. Los ítems fueron escritos para operacionalizar los
cuatro constructos de interés. La Tabla II enumera los constructos y los elementos utilizados
para recopilar información para este estudio.
En lo que se refiere al constructo análisis de beneficios, algunos beneficios del MRP
tradicional fueron sometidos a consideración de los encuestados. Éstos incluyen:
Elementos Construir
antecedentes de
Adopción de MRP
Planificación y gestión de inventario Análisis de beneficios
Eficiencia operativa mejorada
Clima organizacional mejorado
Mejora de los conocimientos y la competencia
Estimación del tiempo requerido para la implementación Factibilidad 151

Definición inequívoca de los hitos del proyecto de implementación
Análisis de la precisión de los datos requeridos
Análisis de hardware y software.
Compatibilidad con los sistemas y procedimientos actuales de previsión,
planificación y programación
Participación y voluntad del personal de planta Voluntad

Implicación y disposición de otras áreas funcionales (compras, organizacional Tabla II.
mercadotecnia, finanzas, etc.) Construcciones consideradas
Participación y disposición de la alta dirección Participación y y
disposición de los miembros del equipo de proyecto designados operacionalización relativa
. la satisfacción del cliente, es decir, la calidad y personalización del producto

junto con una mayor flexibilidad de respuesta a las demandas de los clientes; .
planificación y gestión de inventarios, que son los indicadores tradicionales de
costo de inventario, rotación y programación de la producción;
. eficiencia mejorada tanto en términos físicos (es decir, trabajo en progreso) como
económicos (costo); . clima organizacional, que considera una mayor
cooperación a nivel de planta y una mejor moral y satisfacción de los trabajadores; .
conocimiento y competencia, que es el conjunto de capacidades a las que
podría conducir la implementación de sistemas MRP.
En el constructo de factibilidad se consideraron elementos como la definición del horizonte temporal

de implementación y la definición de hitos.
Además, se incluyó la precisión de los datos, ya que representa un elemento clave ampliamente
reconocido en el proceso de implementación de MRP. La precisión de los datos a menudo se refiere
a los datos de pronóstico del mercado, registros de inventario, registros de tiempos de entrega de
fabricación y número de artículos en las listas de materiales (BOM).
El constructo de voluntad organizacional enfatiza la importancia de involucrar y motivar a los
trabajadores, la alta dirección y otras áreas funcionales dentro de la organización. El personal de
planta debe, desde esta perspectiva, estar orientado a la resolución de problemas, ser capaz de
trabajar en equipo, tomar sus propias decisiones y adaptarse con flexibilidad a las nuevas situaciones
(Turnipseed et al., 1992). El apoyo de la alta dirección es necesario para generar aceptación y
aumentar la participación, facilitar la gestión de proyectos, fomentar el cumplimiento de la planificación
formal y promover el uso operativo. La participación de miembros de diferentes áreas funcionales
dentro del equipo de implementación también se ha destacado como un tema crítico (Duchessi et al.,
1988).
BJ Análisis de datos
Para verificar que cada elemento estaba agrupado en el factor adecuado, se utilizó un
8,2
análisis factorial confirmatorio. El análisis factorial confirmatorio requiere (como mínimo)
que el investigador formule una hipótesis de antemano sobre el número de factores
comunes. La hipótesis sobre el número de factores debe basarse en la comprensión de
la naturaleza de las variables consideradas y la expectativa de qué factor es probable
152 que cargue sobre qué variables (Long, 1994).
Este requisito fue satisfecho.
Los estadísticos han recomendado que los investigadores consideren solo aquellos
modelos de factores que requieren algunas restricciones empíricas en los datos. Una
fórmula general para determinar el número de restricciones que deben satisfacer los
datos (Kim y Mueller, 1982) arrojó 59 restricciones, que cumplieron más que
adecuadamente el requisito. Sin embargo, en la práctica, este proceso por sí solo no es
suficiente; el investigador también debe evaluar el ajuste.
Entonces se decidió emplear la medida de Kaiser para evaluar el ajuste del modelo
utilizado en este estudio. La medida resultante de la adecuación del muestreo fue
0,8865, que es totalmente satisfactoria. Por lo tanto, el número de restricciones empíricas
además de la medida de la adecuación del muestreo indican que los datos de esta
investigación son apropiados para el análisis factorial.
El paso inicial de factorización involucró el análisis de componentes principales y se
utilizó para determinar el número mínimo de factores que pueden explicar adecuadamente
las correlaciones observadas. El número resultante de valores propios mayor que uno
indicó que se extrajeron seis factores. La rotación de la matriz factorial agrupó las
variables en cinco grandes factores y dos factores que contenían solo dos variables.
Este resultado viola la especificación empírica de que debe haber al menos tres variables
claramente cargadas en cada factor. El esfuerzo inicial en el análisis factorial arrojó
resultados que eran inútiles.
A continuación, los datos se sometieron a un análisis factorial utilizando una rotación
ortogonal (Varimax), esta vez forzando una solución en tres factores. Si bien se cargaron
tres o más variables en cada factor y la rotación dio como resultado grupos claros, no
se separaron satisfactoriamente entre sí.
Se realizó un segundo análisis factorial, esta vez utilizando una rotación oblicua
(Oblimin). Las cargas factoriales resultantes fueron superiores a las logradas a través
de la rotación ortogonal. La confiabilidad de las puntuaciones de los factores para los
elementos de implementación de MRP y los criterios para los elementos de éxito se
calcularon de acuerdo con Kim y Mueller (1982). Los coeficientes de fiabilidad del alfa
de Cronbach también fueron satisfactorios y estuvieron todos por encima de 0,70 (Tabla III).
Las puntuaciones compuestas de los constructos se utilizaron como medidas en el
análisis de regresión múltiple. Se construyeron escalas factoriales para cada uno de los
Construir Alfa de Cronbach
Cuadro III. 0.75

Análisis de beneficios
Confiabilidad de los ítems
Factibilidad 0.83
de la escala utilizando alfas de
Cronbach Voluntad organizacional 0.81
factores que representan los elementos de las etapas de adopción. El método de regresión antecedentes de
se utilizó para ponderar cada variable en proporción a la fuerza de su relación
Adopción de MRP
al factor común. Las escalas factoriales se guardaron como puntajes factoriales en el
análisis. Estos puntajes factoriales se usaron para probar la hipótesis de causa-efecto
relaciones entre etapas de adopción, evaluación positiva y adopción.
Resultados de la investigación 153

Los datos se analizaron utilizando modelos de regresión múltiple. la estadistica
los resultados se informan en la Tabla IV y se resumen gráficamente en la Figura 2.
Medidas Coeficientes estandarizados
conciencia 0.198
Análisis de beneficios 0.654*
Factibilidad 0.407
Voluntad organizacional 0,678***
Evaluación positiva 0.781**
Coeficiente de determinación 0.695
Tabla IV.
Notas: * Significativo al nivel 0,01; ** Significativo al nivel 0,05; *** Significativo en el Regresión múltiple
0.1 nivel resultados
Figura 2.
Prueba de hipótesis
resultados
BJ El modelo, F = 9,47, fue significativo en el nivel 0,10 y explica casi el 70 por ciento de la
varianza asociada con la decisión de adopción de MRP.
8,2
H2, que refleja la percepción de los beneficios de MRP, fue significativo en el nivel 0.01
(valor p = 0.001), lo que sugiere que uno puede estar 99 por ciento seguro de que los gerentes
con una comprensión de los beneficios que brindan los sistemas MRP también tendrán una
evaluación positiva del software. .
154 La disposición organizacional, representada por H3, fue significativa en el nivel 0.10 (valor
p = 0.087), lo que indica que se puede estar 90 por ciento seguro de que los gerentes que
trabajan en organizaciones que están abiertas a adoptar nuevas tecnologías también tendrán
una evaluación positiva de la tecnología. .
Se encontró que el constructo mediador, evaluación (H4), era significativo al nivel 0,05 (valor
p = 0,038). Por lo tanto, como se planteó, tener una evaluación positiva del paquete MRP
conducirá a la adopción organizacional.
No se encontró apoyo estadísticamente significativo para H1 y H3, que, respectivamente,
vinculan el conocimiento y la factibilidad constructiva a la evaluación positiva del sistema MRP.
Conclusión En
conclusión, esta investigación proporciona información valiosa sobre el proceso de adopción
de MRP. Utilizando cuatro modelos clásicos de adopción como fundamento teórico del desarrollo
de hipótesis, se formuló un modelo de regresión múltiple que explica casi el 70 por ciento del
proceso de adopción. El análisis preliminar de los beneficios, la disposición de la organización
y la evaluación positiva de la tecnología son etapas importantes del proceso de adopción. Con
este conocimiento, los gerentes pueden establecer estrategias que ayudarán a la organización
a pasar por estas etapas de manera rápida y efectiva. La mayoría de los gerentes estarían de
acuerdo en que una de las mayores barreras para implementar nuevas tecnologías es vencer
la resistencia de los empleados al cambio organizacional. Este estudio puede ser
extremadamente útil para los gerentes porque los alerta sobre las etapas que deben atravesar
antes de la adopción, lo que les da tiempo para desarrollar estrategias para aliviar cierta
resistencia.
Es interesante notar que el conocimiento de la tecnología MRP no fue significativo y, por lo

tanto, no contribuye al proceso de adopción. Por lo tanto, solo informar a los gerentes sobre la
tecnología no conducirá a una evaluación positiva.
También parece que ser consciente del tiempo necesario y de las limitaciones técnicas
(viabilidad) tampoco es significativo y no conducirá a una evaluación positiva.
Por lo tanto, si bien el conocimiento de la existencia de la tecnología es necesario, no se
correlaciona con la evaluación o la adopción de MRP. Del mismo modo, comprender los
requisitos previos de la aplicación de tecnología, aunque es informativo, tampoco es significativo
para la adopción de MRP.
Investigaciones futuras
En cuanto a la posibilidad de generalización de los hallazgos, vale la pena señalar que tanto el
marco de investigación como los resultados obtenidos pueden ser representativos en general
de cualquier empresa perteneciente a las industrias de construcción de maquinaria (por ejemplo,
máquinas herramienta, fabricantes de maquinaria para la madera, etc.). Por otro lado, cuando antecedentes de
se trata de otros tipos de tipos de producción (por ejemplo, proceso, único en su tipo, lote,
Adopción de MRP
etc.) el énfasis en algunos de los elementos considerados en nuestro estudio probablemente
variará. Por ejemplo, los problemas relacionados con la precisión de los datos pueden diferir
en gran medida de un fabricante de maquinaria a una empresa de procesos.
Este estudio aplicó cuatro modelos de adopción clásicos para comprender la adopción de
155
la tecnología MRP en los principales ferrocarriles. Por lo tanto, solo se probaron las
construcciones incluidas en los modelos clásicos. Los estudios futuros podrían evaluar el
impacto del costo, la capacitación de los empleados, la competencia y otros factores
ambientales en el proceso de adopción organizacional.
Referencias
Bancroft, NH, Seip, H. y Sprengel, A. (1997), Implementación de SAP R/3: Cómo introducir un sistema grande en una
organización grande, Manning, Greenwich, CT.
Brown, AD (1994), `Ìmplementación de MRPII: liderazgo, ritos y cambio cognitivo'', Logística

Gestión de la información, vol. 7 N° 2, págs. 6-11.
Clode, DM (1993), "Una encuesta sobre el control de la fabricación en el Reino Unido durante los últimos diez años",
Production and Inventory Management Journal, vol. 34 núm. 2, págs. 53-6.
Duchessi, P., Schaninger, C., Hobbs, D. y Pentak, L. (1988), ``Determinantes del éxito en la implementación de la
planificación de requisitos de materiales (MRP)'', Manufacturing and Operations Management, vol. 1, págs.
263-304.
Kim, JO y Mueller, CW (1982) Introducción al análisis factorial: qué es y cómo hacerlo,

Sabio, Londres.
Kotler, P. (1984), Gestión de marketing: análisis, planificación y control, 5.ª ed., Prentice-Hall,
Acantilados de Englewood, Nueva Jersey.
Lavidge, RJ y Steiner, G. (1961) `Ùn modelo para la medición predictiva de la publicidad

efectividad'', Journal of Marketing, vol. 3, págs. 61-72.
Long, JS (1994), Análisis factorial confirmatorio: un prefacio a LISREL, Sage, Londres.
Luscombe, M. (1994), ``MRPII centrado en el cliente'', Gestión de la información logística, vol. 7

Núm. 5, págs. 22-9.
Manthou, V., Vlachopoulou, M. y Theodorou, P. (1996), ``La implementación y el uso de sistemas de planificación de
requisitos de materiales en el norte de Grecia: un estudio de caso'', International Journal of Production
Economics, vol. 45 N° 1-3, págs. 187-93.
Ritter, P. (1992), ``Hacer que MRP funcione'', Beverage World, vol. 111 núm. 1519, págs. 64-8.
Rogers, EM (1962) Diffusion of Innovations, Free Press, Nueva York, NY, pp. 79-86.
Smith, DA (1993), ``¡Es la implementación, no el software!'', Manufacturing Systems, vol. 11 núm. 10, págs. 46-52.
Sommer, DW (1998), ``Los suecos saben cómo hacerlo'', Industry Week, vol. 240 núm. 14, págs. 48-52.
Strong, EK (1925), La psicología de las ventas, McGraw-Hill, Nueva York, NY.
Sum, CC y Yang, KK (1993), `Ùn estudio sobre las prácticas de planificación de recursos de fabricación (MRPII)
en Singapur'', Omega, vol. 21 núm. 2, págs. 187-97.
Sum, CC, Ang, JSK y Yeo, LN (1997), "Elementos contextuales de los factores críticos de éxito en la implementación
de MRP", Production and Inventory Management Journal, vol. 38 núm. 3, págs. 77-83.
Turnipseed, DL, Burns, OM y Riggs, WE (1992), "Un análisis de implementación de los sistemas MRP: un
BJ
enfoque en la variable humana", Production and Inventory Management Journal, vol. 33 núm. 1,
8,2 págs. 1-6.
Weill, P., Samson, DA y Sohal, AS (1991), "Tecnología de fabricación avanzada: un análisis de la práctica",
International Journal of Technology Management, número especial sobre Estrategia de fabricación,
vol. 6 núm. 3/4, págs. 335-53.
Wilson, F., Desmond, J. y Roberts, H. (1994), "Éxito y fracaso de la implementación de MRP II", British
156 Journal of Management, vol. 5 núm. 3, págs. 221-40.
Wortmann, JC (1998) `Èvolución de los sistemas ERP'', Actas de la Conferencia de la
Cadena de valor de fabricación, Troon, Escocia.
Marco MRP para aumentar el rendimiento de las operaciones de producción….

Emad Elwy Habib
~
Marco MRP para aumentar la producción
Rendimiento de las operaciones. Un estudio aplicado

sobre las empresas farmacéuticas manufactureras
egipcias
Emad Elwy Habib
Profesor (Ph.D.), Departamento de Gestión y Sistemas,
Facultad de Ciencias de la Gestión, Universidad de Artes y
Ciencias Modernas MSA, Egipto.
Resumen:
La planificación de requisitos de materiales (MRP) es
actualmente uno de los marcos de fabricación más populares.
Basado en la encuesta de 13 empresas farmacéuticas de
fabricación en Egipto en el Gran Cairo, el investigador encontró
que el grado de
deimplementación de intenso
las operacionespositiva
producción
de MRPdel farmacéutico
El fabricante
rendimiento
garantiza la disponibilidad de materiales, componentes y productos.
Mejora la planificación y el control de las operaciones de
producción, la entrega al cliente, mantiene el nivel óptimo posible
de inventario y planifica las actividades de fabricación, los
programas de entrega y las actividades de compra. MRP crea
sinergia y logra un mejor rendimiento de producción y operaciones,
y resultó en una amplia aceptación en el campo farmacéutico de
fabricación de Egipto.
236
Año 2016 ÿÿÿÿÿÿ ÿÿÿÿÿÿ

Emad Elwy Habib
~
ÿÿÿÿÿÿ:
ÿÿÿ ÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿ ÿÿ ÿÿÿÿÿÿ ÿÿ ÿÿÿÿÿÿ ÿÿÿÿÿÿÿ ÿÿ ÿÿÿ ÿÿÿÿÿÿÿ

ÿÿÿÿÿÿós ÿÿ ÿÿÿÿÿÿ ÿÿÿÿÿÿÿavor ÿÿ ÿÿÿÿÿÿ mint ÿÿÿienen. ÿÿÿ ÿÿÿÿÿÿ ravor
ÿÿÿÿÿ ÿÿÿÿÿÿ ÿÿÿ porquedo adie ÿÿomin ÿÿÿÿ ÿÿÿÿÿÿÿ ÿÿÿ ÿÿÿÿÿ ÿÿÿomin
adie Nazar. ÿÿ ÿÿÿÿ ÿÿ ÿÿÿÿÿ ÿÿÿÿÿ ÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿ ÿÿ ÿÿÿÿ ÿÿÿÿ ÿÿÿÿÿ
ÿÿÿÿÿÿÿÿÿÿ
ÿÿÿÿ ÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿ. ÿÿÿÿ ÿÿÿÿÿÿ ÿÿÿÿ

ÿÿ ÿÿÿÿÿÿ ÿÿ ÿÿÿÿÿ ÿÿÿÿÿÿ ÿÿÿÿÿ ÿÿÿ ÿÿÿÿ ÿÿÿÿ ÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿ ÿÿÿ
ÿÿÿÿÿÿÿ, ÿÿÿÿÿ ÿÿÿÿ ÿÿÿÿÿÿÿ, ÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿ ÿÿÿÿÿÿ ÿÿ ÿÿÿÿÿÿÿ ÿÿÿÿ
ÿÿÿÿÿÿ ÿÿ ÿÿÿÿÿ ÿÿÿÿ ÿÿÿÿÿ ÿÿÿÿÿ, ÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿ, ÿÿÿÿÿÿ ÿÿÿÿÿÿÿ
ÿÿÿÿÿÿÿÿ, ÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿ. ÿÿÿÿ ÿÿÿÿ adie ÿÿÿÿÿÿÿÿÿÿ ÿÿ ÿÿÿÿÿÿ
adie ÿÿ ÿÿÿÿÿÿ ÿÿÿÿÿ ÿÿÿÿÿÿ ÿÿÿÿ, ÿÿÿ ÿÿÿÿ ÿÿÿÿ ÿÿÿ íf PLADO ÿÿÿÿÿ ÿÿÿÿÿ
ÿÿÿÿÿ ÿÿÿÿÿ ÿÿÿÿÿ ÿ ijadores.
233

Emad Elwy Habib
~
PALABRAS CLAVE Planificación de Requerimientos de

Material MRP/MRP II/MRP III, Lista de Materiales (BOM),
Desempeño de Planificación de Operaciones de Producción (POP),
Desempeño de Controles de Operaciones de Producción (POC),
Desempeño de Operaciones de Producción.
Metodología de investigación La investigación investiga el grado
de impacto de la implementación del marco MRP en la sinergia y el
rendimiento de producción de las empresas farmacéuticas de
fabricación a lo largo de la planificación y el control de la producción
en Egipto, se ha realizado en base a un estudio piloto en el sector
farmacéutico de fabricación en Egipto. La investigación cubre dos
secciones, la primera sección abarca una revisión detallada de la
literatura relacionada con los componentes de Planificación de
requisitos de materiales (MRP). La segunda sección investiga e
identifica los resultados de un estudio empírico a través de una
encuesta limitada que se ha distribuido a 13 empresas farmacéuticas
de fabricación en Egipto en el Gran Cairo.
La investigación estaba dirigida a 160 gerentes, y las

encuestas recibidas son 122 encuestados. Las preguntas del
cuestionario fueron respondidas en la escala de Likert de 5 puntos,
correspondiente al grado de acuerdo con el enunciado.
Se reconoció que se necesita más investigación para establecer la
naturaleza exacta de las relaciones causales entre el Modelo MRP
propuesto y las aplicaciones y otro
236

Emad Elwy Habib
~
sectores manufactureros en Egipto, con el fin de obtener información sobre la

práctica en otros lugares.
PROBLEMAS DE INVESTIGACIÓN
A lo largo del estudio piloto en la fabricación

Compañías farmacéuticas en Egipto, la investigación exploratoria
concluyó los problemas del sector de la siguiente manera:
1. Problemas de planificación de la producción de las empresas:
Es difícil saber la fecha de finalización de la producción de un
determinado componente lo que dificulta determinar el tiempo de
entrega del producto al cliente.
2. Control de inventarios y producción de las empresas
problemas:
La lista de problemas de materiales cuando hay una solicitud
de un cliente para producir una cierta cantidad de productos, se
realiza una orden de compra de materias primas y algunas materias
primas o componentes pueden olvidarse debido a la gran cantidad
de estas materias primas o componentes resultando en el retraso de
la producción de los productos solicitados. Y la orden de compra se
realiza directamente sin referencia al inventario de materias primas
para conocer la cantidad existente de materias primas y esto da
como resultado el almacenamiento de grandes cantidades de
materias primas que aumentan el costo de mantenimiento del
inventario de materias primas y, además, el inventario de materiales
se utiliza sin verificar. si esta cantidad es reservada por el
departamento de producción en beneficio de un cliente en particular, lo que lleva a
236

Emad Elwy Habib
~
retraso en la producción de materia prima para este cliente en particular

que le cuesta a la empresa el pago de la cláusula de penalización por este
retraso.
Investigar objetivos
1. Examen de las prácticas de gestión de las operaciones de producción
en las compañías farmacéuticas egipcias.
2. Revelar el progreso de la aplicación de MRP 3.
Investigar las relaciones entre los componentes de la técnica de MRP y
su impacto en el rendimiento de la planificación de las operaciones
de producción.
4. Investigar las relaciones entre los componentes de la técnica MRP y
su impacto en el desempeño del control de las operaciones de
producción.
5. Presentar recomendaciones perspicaces para mejorar aún más la
eficiencia.
Hipótesis de investigación
Varios investigadores han demostrado teóricamente que el sistema
integrado JIT y MRP es más efectivo debido a los efectos complementarios
(Lee, 1992). Benton y Shin (1998) creen que un sistema MRP y JIT
combinado refleja un entorno de fabricación más eficaz. Con base en la
literatura y entrevistas con gerentes y académicos, desarrollamos las
siguientes hipótesis.
H1: Las empresas farmacéuticas egipcias con un mayor nivel de

implementación de MRP tienen una mejor producción
232

Emad Elwy Habib
~
rendimiento de la planificación operativa que aquellos con un nivel más

bajo de implementación de MRP.
H2: La implementación de MRP en las empresas farmacéuticas
egipcias tiene un mayor impacto en el rendimiento de la planificación
operativa (POP) de la producción que el rendimiento del control de las
operaciones de producción.
H3: MRP tiene un impacto positivo significativo en el rendimiento de
las operaciones de producción en las empresas farmacéuticas egipcias.
Introducción
La planificación de requisitos de materiales (MRP) es un marco de
integración que funciona de manera eficiente para la programación de
producción, el control de inventario y la lista de materiales para reducir los
costos de pedido y configuración, mejorar la calidad de los procesos de
flujo de trabajo de producción, disminuir el tiempo de entrega general del
cliente que abarca el tiempo de entrega. , tiempo de ejecución y tiempo
de uso, y facilita el flujo continuo de las materias primas y los componentes
necesarios en las líneas de producción.
Dentro de las últimas 4 décadas, Fabricación
Los marcos de planificación de recursos (MRP) se han desarrollado
inmediatamente desde la organización de requisitos previos de materiales
esenciales hasta la organización de activos de esfuerzo de hoy en día,
paquetes coordinados de ERP que viven en la gestión de clientes/
estructura a través de marcos de integración hacia atrás para reforzar la
organización de activos de fabricación que se han desarrollado a pasos agigantados des
236

Emad Elwy Habib
~
la necesidad fundamental de materiales que organiza MRP para los paquetes de

combinación de esfuerzos expandidos modernos de hoy que viven de la gestión
estructural del cliente. El estudio empírico de la Planificación de Requerimientos de
Materiales (MRP) se ha enfocado históricamente en la identificación de factores que

impactan el desempeño general de la producción (Salaheldin, 2004). La planificación
de requisitos de materiales primero examinó los beneficios de MRP a principios de la
década de 1980, luego siguió estudios posteriores en las décadas de 1990 y 2000
que demostraron que MRP puede mejorar la calidad; acortar los plazos de entrega;
reducir WIP; mejorar la Planificación de la Producción (PP), la programación y el
control; menor nivel de inventario; aumentar la productividad y el servicio al cliente;
reducir los costos de operación y mejorar la cooperación entre los departamentos.
El desarrollo de las definiciones de planificación de recursos de fabricación
MRPI Planificación de requisitos de materiales, un sistema basado en computadora
para administrar el inventario y los programas de producción.

Este enfoque de la gestión de materiales se
aplica a situaciones de grandes talleres en los que muchos productos se fabrican en
lotes periódicos en varios pasos de procesamiento. No se aplica a los sistemas de
fabricación de tipo de flujo continuo. Planificación de recursos de fabricación MRPII,
un marco en el que se evalúa todo el entorno de generación para permitir que los
horarios de los expertos se equilibren y se hagan en vista de las críticas de los

actuales
condiciones de creación/compra.
236

Emad Elwy Habib
~
En la gestión de los marcos de creación, la organización de la

generación habla de la acción central que gestiona cómo y cuándo
entregar, teniendo en cuenta las solicitudes de los clientes y la
accesibilidad de materiales y activos mientras busca minimizar el
tiempo y los gastos de creación, clasificar de manera eficiente la
utilización de los activos y aumentar la eficiencia en el marco de
creación. Con este fin, los arreglos de generación pueden recomendar
utilizar la disponibilidad de activos de un período ofrecido para cumplir
con el interés de diferentes períodos. El cálculo de la generación
genera gastos de inventario, las piezas creadas con anticipación deben
mantenerse en el inventario, mientras que la falta de codicia puede
generar costos de penalización, entrega tardía de las solicitudes o
pérdida de la demanda. Además, la cantidad entregada en un período
determinado afecta la utilización de activos y materiales y por lo tanto
los costos de generación. Este problema se puede definir
sistemáticamente por el método de las variables que se refieren a las
opciones que se deben tomar y de las limitaciones que se refieren a la
accesibilidad de los activos, las prioridades y las fechas de vencimiento.
Alfieri, A., Tolio y Urgo, M. (2012). Marcos MRP que se componen de
marcos de datos de ensamblaje utilizados para mejorar la organización
y administración de materiales y logística. Más tarde, MRPII, o la
organización de activos de ensamblaje, siguió y fusionó las partes
monetarias y contables de las actividades comerciales. En el momento
en que MRP deambuló hacia los marcos de dispersión, el requisito previo de apropia
236

Emad Elwy Habib
~
un módulo incluido al calendario de transporte y control de stock

en el canal de circulación Jyh, H. (2008).
El estudio del investigador tiene como objetivo descubrir los
problemas de creación, organización, control de existencias y lista
de materiales en una organización de muebles y desarrollo para
abordar estos problemas Marco MRP con destinos particulares
para cuidar el rendimiento de producción y operaciones a lo largo
de la planificación y el rendimiento de control en las empresas
farmacéuticas de fabricación en Egipto.
266

Emad Elwy Habib
~
Revisión de literatura
Planificación de necesidades de material MRP I es un sistema
para gestionar el inventario y los programas de producción. Este
enfoque de la gestión de materiales se aplica a situaciones de grandes
talleres en los que muchos productos se fabrican en lotes periódicos
en varios pasos de procesamiento. No aplica para flujo continuo
tipo de sistemas de fabricación. (Bedworth & Bailey, 1987), y es un
sistema de control de inventario y planificación de la producción
basado en un marco que se utiliza para gestionar los procesos de fabricación.
Aunque hoy en día no es común, también es posible realizar MRP a
mano. Según Monk, E. y Wagner, B., (2006) & Waldner, Jean-Baptiste
(1992), Las organizaciones manufactureras, a pesar de sus productos,
enfrentan un problema común que es la reducción del tiempo de
entrega necesario para reponer los requisitos de los clientes. Esto
significa que se requiere un sistema preciso de planificación y
programación. Las empresas manufactureras necesitan controlar los
tipos y cantidades de materiales que compran, planificar qué productos
se producirán y en qué cantidades y garantizar que puedan cumplir
con los requisitos actuales y futuros.
cliente
demanda, todo al
263

Emad Elwy Habib
~
menor costo posible. Las decisiones en cualquiera de estos campos

serán críticas para la empresa, si una empresa compra cantidades
insuficientes de un artículo utilizado en la fabricación, o el artículo
equivocado, es posible que no pueda cumplir con los contratos para
suministrar productos en la fecha acordada, y si una empresa compra
cantidades excesivas de un artículo, el dinero se está desperdiciando: la
cantidad en exceso inmoviliza el efectivo mientras permanece como stock
y es posible que nunca se use en absoluto. Este es un problema
particularmente grave para los fabricantes farmacéuticos y las empresas
con ciclos de vida de productos muy cortos. Sin embargo, algunos
artículos comprados tendrán una cantidad mínima que se debe cumplir,
por lo que es necesario comprar en exceso. Según Chen, P.
(1997), MRP I Materials Requirement Planning, un sistema informático
para gestionar el inventario y los programas de producción. Este enfoque
de la gestión de materiales se aplica a situaciones de grandes talleres en
los que muchos productos se fabrican en lotes periódicos en varios pasos
de procesamiento. No se aplica a los sistemas de fabricación de tipo de
flujo continuo.
Comenzar la producción de un
pedido en el momento
equivocado puede causar que el cliente
plazos a perder
MRP es una herramienta para tratar
con estos problemas. Eso
266

Emad Elwy Habib
~
proporciona respuestas para qué, cuántos y cuándo se requieren

materiales, MRP se puede aplicar tanto a artículos que se compran a
proveedores externos como a subensamblajes, producidos
internamente, que son componentes de artículos más complejos. El
marco de MRP está destinado a cumplir simultáneamente tres
objetivos: Asegurar que los materiales y productos estén disponibles
para la producción y entrega a los clientes. Mantener el nivel óptimo
posible de inventario. Planifique las actividades de fabricación, los
programas de entrega y las actividades de compra.
El proceso MRP II de planificación de recursos de fabricación es
un sistema en el que se evalúa todo el entorno de producción para
permitir que se ajusten y creen programas maestros en función de los
comentarios de las condiciones actuales de producción/compra.
Bedworth & Bailey, (1987), según Monk, E. y Wagner, B., (2006) &
Waldner, Jean, Baptiste (1992), es un proceso para ayudar a los
planificadores a rastrear algunos de los problemas asociados con el
control de inventario, algunos tipo de 'bucle de retroalimentación' no
solo para reprogramar automáticamente ciertos elementos (cuando
sea posible) y evitar un esfuerzo manual excesivo para controlar el
proceso, sino también para detectar e informar el rendimiento que está
'fuera de las especificaciones' (como un informe de rendimiento del
proveedor para realizar un seguimiento del rendimiento de la entrega
a tiempo). Este 'bucle de retroalimentación' son los componentes que
definen un sistema 'MRP II'. Jha, V. (2012), argumentó que la
planificación de recursos de fabricación MRP II representa el tipo de control de prod
263

Emad Elwy Habib
~
Según Moustakis, Vassilis, (2000), MRP ha evolucionado hasta

convertirse en un componente de un sistema MRPII. Técnicamente,
MRPII extiende MRP y lo vincula con los recursos de información de
la empresa, como recursos humanos, sistema de información, gestión
financiera, contabilidad, ventas, etc. Según Salaheldin Ismail, (2005).
Aún así, con capacidades de reprogramación automatizadas para
órdenes de trabajo y/o cronogramas de construcción repetitivos, e
informes de 'acción de reprogramación' para órdenes de compra y
contratación externa, la cantidad de análisis real se reduce
significativamente. Otra información, como los informes de rendimiento
de los perfiles de los vendedores y la capacidad real del proceso a lo
largo de los informes de eficiencia y utilización, también ayudan a
medir la capacidad de 'desempeño según el plan' de la planta de fabricación.
Incluso cuando el plan de producción funciona con un rendimiento
óptimo, las empresas suelen tener serios problemas con el proceso
de fabricación. Los problemas de 'costo oculto' asociados con la
fabricación aumentan el costo total de fabricación, pero son
extremadamente difíciles de rastrear. Algunos de estos 'Costos ocultos'
pueden ser causados por una excesiva reprogramación de Órdenes
de Compra o programas excesivos de 'compra forzada', inventario
excesivo y/u obsoleto, o problemas de planificación que provocan
productos terminados almacenados incorrectamente (demasiado de
uno, no suficiente de los otros) que resultan en escasez. así como
escasez de material y excesivo 'kitting' de componentes comunes.
Además, las posibles pérdidas de ingresos por pedidos de clientes excesivamente la
266

Emad Elwy Habib
~
los tiempos de entrega, o el desempeño deficiente en la entrega a

tiempo del cliente, son problemas reales, pero muy difíciles de rastrear
y medir. Como tal, ninguno de estos problemas es rastreado ni
informado por ningún sistema estándar MRP I o MRP II.
Para ayudar a resolver estos problemas, y mejorar la competitividad y

rentabilidad de la empresa, más allá de las capacidades existentes,
APICS (American Production and Inventory Control Society, 1957)
define la Planificación de Recursos de Manufactura (MRP II) como un
método para la planificación efectiva de todos los recursos de una
empresa de fabricación. Idealmente, aborda la planificación operativa
en unidades, la planificación financiera en dólares y tiene una capacidad
de simulación para responder preguntas hipotéticas y extensión de
MRP de ciclo cerrado. No se trata exclusivamente de una función de
software, sino de la unión de las habilidades de las personas, la
dedicación a la precisión de la base de datos y los recursos informáticos.
Es un concepto de gestión total de la empresa para utilizar los recursos
humanos de manera más productiva. MRP II integra muchas áreas de
la empresa de fabricación en una sola entidad con fines de planificación
y control, desde el nivel de directorio hasta el operativo y desde el plan
de cinco años hasta la operación individual del taller. Como se muestra
en la figura (2), MRP II se basa en la planificación de requisitos de
materiales (MRP) de circuito cerrado al adoptar el principio de
retroalimentación pero extenderlo a áreas adicionales de la empresa,
principalmente relacionadas con la fabricación.
266

Emad Elwy Habib
~
Rusÿnescu, M. (2014) La organización de necesidades

materiales (MRP) se considera uno de los marcos más
utilizados para la organización y el control de la producción en
la industria, la planificación de requisitos materiales: la nueva
forma de vida en la producción y administración de inventario,
que ha demostrado el potencial y las ventajas de MRP. Como
probablemente sepamos, los marcos hablan de conjuntos de
componentes que están interconectados, conectados, en
general para lograr un objetivo. También nos damos cuenta de
que cualquier marco se ve como un subsistema dentro de la
asociación. Nuestra metodología es que dentro de las
asociaciones como marco MRP ayuda a la asociación a lograr
los objetivos, cooperando con diferentes subsistemas. Realiza
las funciones correspondientes: administración de existencias,
administración de datos de artículos, administración de áreas/
paquetes, límite de necesidades y arreglos de requisitos previos
de materiales y, en cierta medida, pagos adeudados, cuentas por pagar y a
262

Emad Elwy Habib
~
Planificación de requisitos de materiales MRP III, Monk, E. y Wagner, B.,

(2006) y Waldner, Jean-Baptiste (1992), implicaron que el proceso MRP III
comienza con un pronóstico de demanda preciso que impulsa todo el
negocio de fabricación. Usando el mejor pronóstico de demanda posible, se
desarrolla un programa maestro.
Idealmente, el número total de artículos programados maestros se
minimizará, de modo que el MRP
el pueden
sistema genera
adecuadamente un
programa maestro
general a lo largo
del plan agregado

de producción y los
árboles de
productos, el
sistema MRP III
deriva los requisitos de ensamblaje y componentes individuales, y
recomienda nuevas órdenes de compra, al igual que un sistema MRP
estándar, y también genera reprogramaciones de órdenes de compra
recomendadas, y reprograma automáticamente los ensamblajes programados
que no son maestros en función de la disponibilidad de componentes/
recursos y requisitos de materiales, al igual que un sistema MRP II. Como
se muestra en la figura 3 El sistema MRP III
266

Emad Elwy Habib
~
también supervisa e informa sobre el rendimiento del proveedor y

el "desempeño según el plan" de la línea de montaje, similar a un
sistema MRP II. Sin embargo, para minimizar la cantidad total de
información detallada, el sistema MRP III se concentra en informar
solo aquellos elementos que se encuentran fuera de las tolerancias
permitidas, minimizando así la cantidad de elementos informados.
Cuando el sistema MRP se ha integrado por completo con
el sistema de gestión de pedidos, es posible calcular el inventario
disponible para prometer, en función de una combinación de la
cartera de pedidos existente, el inventario actual y la disponibilidad
proyectada de un producto a lo largo del tiempo a medida que se
construye. del programa de producción actual. De esta forma, si un
cliente solicita un producto dentro del plazo de entrega y ya se ha
prometido la entrega a otro cliente, el personal de gestión de
pedidos puede utilizar esta información para negociar un programa
de entrega realista con el cliente. Además, las reprogramaciones
de entrega serían más fáciles de administrar, ya que el personal de
administración de pedidos puede ver el inventario actual "disponible
para prometer" y usar esta información para determinar cuándo se
pueden reprogramar envíos parciales o completos. Con toda
probabilidad, habrá inventario disponible para enviar antes de lo
previsto, en caso de que el cliente necesite realizar una compra forzosa.
Por lo tanto, un sistema MRP III debe incluir la capacidad de ver el
inventario 'disponible para prometer', basado en el inventario actual,
la acumulación actual y el plan de producción actual.
266

Emad Elwy Habib
~
Por último, el sistema MRP III basa sus parámetros operativos

en los principios de la gestión del ancho de banda, ajustando
dinámicamente parámetros como los plazos de entrega y el
"inventario ideal" de acuerdo con los datos históricos (cuando sea
necesario) y midiendo el rendimiento según un conjunto de "controles"
derivados estadísticamente. bandas', en lugar de parámetros fijos.
El sistema 'MRP III' luego genera informes de excepción para
aquellos artículos que quedan fuera de las bandas de control y
automáticamente mantiene la mayor parte posible del proceso de
planificación de fabricación, con poca o ninguna intervención humana.
Un proceso como MRP III ayudaría a eliminar ciertos tipos de
errores que actualmente afectan a las empresas de fabricación a un
nivel casi universal. Con mucho, el factor individual más importante
para arruinar un plan de fabricación perfectamente bueno es la
tendencia de que el Pronóstico de demanda cambie regularmente,
generalmente dentro del tiempo de entrega planificado. O bien, el
Pronóstico de demanda puede ser completamente inútil para fines
de fabricación, lo que obliga a la persona responsable del programa
maestro a generar literalmente su propio pronóstico en un intento de
predecir cuál será realmente la demanda. A menudo, existe una
combinación de estas dos condiciones, donde el pronóstico de
marketing es tan inexacto que lo vuelve inútil, lo que obliga al
programador maestro a realizar esta tarea de generar un pronóstico.
266

Emad Elwy Habib
~
Aplicación y rendimiento de las operaciones de producción de MRP

Los estudios previos de MRP se concentraron en identificar los
factores más destacados que tienen un impacto importante en el
desempeño general de las empresas manufactureras (Salaheldin,
2004). El acuerdo común es que las actitudes de apoyo de la
gerencia, las estrategias de marketing, el entorno organizacional, el
desarrollo y la capacitación, el desarrollo y soporte de los
proveedores, la competencia en sistemas de TI, el tamaño y la edad
de la empresa son los principales factores de éxito. Patrocinado por APICS, Schr
(1981), Anderson et al. (1982) y White et al. (1982) primero examinó
los beneficios de MRP. Estudios posteriores (Wilson et al., 1994;
Sum et al., 1995; Salaheldin y Francis, 1998; Petroni y Braglia,
1999; Lau et al., 2002; Rabinovich et al., 2003;) concluyeron que
MRP mejora la calidad; disminuir los plazos de entrega; reducir
WIP; mejorar la Planificación de la Producción (PP), la programación
y el control; menor nivel de inventario; aumentar la productividad y
el servicio al cliente; reducir los costos de operación y mejorar la
cooperación entre los departamentos. Murphy y Simon (2002) y
Hunton et al. (2003) agregó que MRP tiene un impacto directo y
positivo significativo en las medidas de desempeño operativo y
financiero de las empresas manufactureras.
266

Emad Elwy Habib
~
El marco de investigación:
Figura (4) el marco de

investigación:
263

Emad Elwy Habib
~
Estudio empírico:
El cuestionario desarrollado en esta investigación tuvo como
objetivo construir un modelo de las prácticas actuales de MRP,
Planificación de Operaciones de Producción y Control de Desempeño;
que examinó los objetivos de la investigación a través de tres
indicadores, donde cada indicador representa uno de los sectores del
cuestionario. Se han utilizado el Paquete Estadístico para Ciencias
Sociales (SPSS 22) y AMOS 21.
Primero se realizó un análisis factorial confirmatorio (CFA) para
probar qué tan bien las variables medidas representan los constructos.
La ventaja clave es que el investigador puede probar analíticamente
una teoría fundamentada conceptualmente que explica cómo los
diferentes elementos medidos representan medidas comerciales
importantes. Cuando los resultados de CFA se combinan con la construcción
pruebas de validez, el investigador puede obtener una mejor
comprensión de la calidad de sus medidas. La validez de constructo
es la medida en que un conjunto de elementos medidos realmente
mide el constructo. El ajuste del modelo se evalúa en términos de diez índices:
Chi-cuadrado normado con valores de corte inferiores a (5), índice de
bondad de ajuste (GFI), índice de bondad de ajuste ajustado
(AGFI), índice de ajuste normado (NFI), índice de ajuste relativo (RFI),
Índice de ajuste incremental (IFI), Índice de Tucker Lewis (TLI),
Índice de ajuste comparativo (CFI), raíz cuadrática media residual
Aproximación (RMSEA), raíz cuadrática media residual
(RMR), y La varianza promedio extraída con corte
266

Emad Elwy Habib
~
valores superiores a (0,5). Se considera que un modelo es satisfactorio si

CFI > 0,90, GFI > 0,90 y RMSEA ÿ 0,10 (Hair et al., 2010).
El investigador realizó en una mano un multi inicial
Análisis de grupo (factor confirmatorio y análisis de ruta) que identificó las

variables endógenas observadas y las variables exógenas no observadas
que dieron como resultado una relación significativa entre los siguientes
constructos: MRP y Planificación de operaciones de producción (POP) con
91.6%, MRP y Control de operaciones de producción (POC) con 81%, y
Planificación y Control de Operaciones de Producción con 74,9%. Por otro
lado, por otro lado, el investigador también realizó un análisis final de grupos
múltiples (factor confirmatorio y análisis de ruta) después de excluir el
subconstructo de estimación baja, con el ajuste de las variables medidas
que representan los constructos, como lo siguiente: MRP y Producción
Planificación de operaciones (POP) con 79%, MRP y Control de operaciones
de producción (POC) con 73%, Planificación y control de operaciones de
producción 61%. El análisis multigrupo final (análisis factorial confirmatorio
y análisis de ruta) confirmó la validez del modelo utilizado, de acuerdo con
la Tabla (1), el investigador puede concluir lo siguiente:
1. Todos los pesos de regresión estandarizados (carga factorial) son superiores

a 0,50, lo que significa que todas las variables medidas,
263

Emad Elwy Habib
~
son estadísticamente significativas, es decir, las variables medidas

representan los constructos.
2. La prueba t para todas las variables medidas es significativa a un
nivel de significación inferior a (0,001), lo que muestra la importancia
de las variables observadas en la medición del impacto de la
implementación de MRP. Medidas sobre el rendimiento de la gestión
de las operaciones de producción Medidas que abarcan el rendimiento
de la planificación de las operaciones de producción (POP) y Medidas
de Desempeño del Control de Operaciones de Producción (POC).
Figura (5): El análisis Final Multi-Grupo (Confirmatorio

Análisis multifactorial y de ruta para un modelo de medición
266

Emad Elwy Habib
~
Tabla (1): Multigrupo para análisis factorial confirmatorio y ruta

Análisis por pesos de regresión estandarizados y no estandarizados
Estandarizado no estandarizado prueba_t: Nivel
Sendero SE
estimar estimar RC significante
q1.1 <--- MRP 0.712 q1.2 <--- 1.000

0.861 0.071 12.052 ***
MRP 0.701
0.879 0.138 6.380 ***
q1.3 <--- MRP 0.653
0.781 0.127 6.148 ***
q1.11 <--- MRP 0.628
0.879 0.130 6.754 ***
q1.12 <--- MRP 0.693
0.868 0.123 7.082 ***
q1.13 <--- MRP 0.730
0.742 0,116 6,377 ***
q1.14 <--- MRP 0.659 q1.15
0.709 0.123 5.747 ***
<--- MRP 0.588
0.836 0.146 5.711 ***
q2.19 <--- POP 0.602
0.848 0.152 5.565 ***
q2.18 <--- POP 0.584
1.295 0.186 6.961 ***
q2.17 <--- POP 0.753 q2.16
1.319 0.185 7.115 ***
<--- POP 0.774 q2.15 <--- POP
1.213 0.166 7.318 ***
0.797
1.397 0.193 7.227 ***
q2.14 <--- POP 0.785
1.064 0.163 6.544 ***
q2.13 <--- POP 0.681
q2.2 <--- POP 0.674 1.000
q3.1 <--- COP 0.684 1.000

1.023 0.112 9.166 ***
q3.2 <--- COP 0.659
0.798 0.148 5.381 ***
q3.8 <--- POC 0.554
1.107 0.144 7.662 ***
q3.9 <--- COP 0.711
1.319 0.173 7.642 ***
q3.10 <--- POC 0.817 q3.11
1.074 0.149 7.232 ***
<--- POC 0.766 q3.12 <--- POC
1.061 0.139 7.630 ***
0.770
0.955 0.130 7.334 ***
q.3.13 <--- POC 0.779
*** Significativo a un nivel inferior a (0,001). a: Valor inicial para la posibilidad de resolver ecuaciones.
3. Como resultado de las Correlaciones Múltiples al Cuadrado, la

varianza promedio extraída, para las variables que tienen menos
de (0.50), luego han sido excluidas de: MRP: Producción Maestra
266

Emad Elwy Habib
~
Programación (MPS), Planificación de capacidad aproximada (RCCP),

Pronósticos (Demanda independiente), Lista de materiales (Demanda
dependiente), Reglas de pedido y ciclo de inventario (por ejemplo, EOQ) y
Ruta de producción, que tienen menos de (0.50), luego han sido excluidos
del constructo de medidas de implementación de MRP. Y POP: Precisión
de la previsión de la demanda y Mantenimiento total de la producción (TPM),
que tienen menos de (0,50), se han excluido de la construcción de medidas
de rendimiento de planificación de operaciones de producción (POP).
POC: precisión de completar el plan de producción, reducción del tiempo de

configuración y costo de operaciones.
Medición de la bondad de ajuste del modelo (CFA)
De la tabla (1), el investigador reveló que:
1. Todas las pruebas de bondad de ajuste del modelo mostraron resultados
significativos, es decir, la mayoría de los indicadores en límites aceptables
o cerca de los valores de corte, y luego la posibilidad de igualar la forma real
del modelo estimado.
2. los valores de Root Mean Square Residual (RMR) y Root Mean Square
Residual Aproximation (RMSEA) inferiores a (0,10), lo que indica un ajuste
estrecho del modelo en relación con los grados de libertad.
3. La varianza media extraída para todos los constructos latentes es
0,85827, es decir, existe una adecuada validez convergente.
262

Emad Elwy Habib
~
Tabla (2): Los índices de bondad de ajuste del multigrupo para

Análisis factorial confirmatorio y Path Analysis
Chi-cuadrado 502.252
Grado de libertad Nivel 238
de significación Normado 0.000
Chi-cuadrado Residual 2.110
cuadrático medio (RMR) <0,10 Índice de bondad 0.042
de ajuste (GFI) 0.940
Índice de bondad de ajuste ajustado (AGFI) 0.937
Índice de ajuste normado (NFI) 648.0
Índice de ajuste relativo (RFI) 0.830
Índice de ajuste incremental (IFI) 0.907
Índice de Tucker Lewis (TLI) 0.897
Índice de ajuste comparativo (CFI) 0.907
Aproximación residual de raíz cuadrática media (RMSEA) <0,10 0,075

La varianza promedio extraída 0.85827
4. La varianza promedio extraída para las construcciones de MRP hacia

la planificación de operaciones de producción (POP) con 0,786, MRP
hacia el control de operaciones de producción (POC) con 0,732 y la
planificación de operaciones de producción hacia el control de
operaciones de producción 0,607. es decir, existe una alta consistencia
interna basada en la correlación promedio entre ítems. Los AVE de
todas las escalas resultaron ser más que los valores de corte.
5. En general, la evidencia de un buen ajuste del modelo, confiabilidad y
validez convergente indica que el modelo de medición debe mejorarse
para probar el modelo de regresión al excluir las variables de
Programación maestra de producción (MPS), Planificación de
capacidad aproximada (RCCP) , Pronósticos
266

Emad Elwy Habib
~
(Demanda independiente), Lista de materiales (Demanda

dependiente), Reglas de pedido y ciclo de inventario (p. ej., EOQ) y
Ruta de producción, excluidos de la construcción de medidas de
implementación de MRP. La precisión de la previsión de la demanda
y el mantenimiento total de la producción (TPM), excluidos de la
construcción de medidas de rendimiento de planificación de
operaciones de producción (POP). La precisión de completar el plan
de producción, la reducción del tiempo de configuración y el costo
de las operaciones, excluidos de la construcción de medidas de
rendimiento de control de operaciones de producción (POC), del CFA inicial.
Hipótesis Análisis multigrupo (Análisis factorial confirmatorio y
análisis de ruta): Variables moderadoras continuas en análisis de
regresión múltiple
H1: Las empresas farmacéuticas egipcias con un nivel más alto
de implementación de MRP tienen un mejor rendimiento de
planificación operativa de producción que aquellas con un nivel
más bajo de implementación de MRP.
Según Karl L. Wuensch, (2016) Una variable moderadora es
aquella que altera la relación entre otras variables. Por lo general, se
recomienda centrar todas las variables involucradas en la interacción,
es decir, restar de cada puntaje de cada variable la media de todos
los puntajes de esa variable.
variable para reducir la multicolinealidad y otros problemas.
Podríamos centrar la variable criterio también, si quisiéramos
interpretar las puntuaciones en términos de desviaciones de la puntuación de
266

Emad Elwy Habib
~
el significado. Centrar la variable de criterio afectaría el intercepto pero no

los otros coeficientes de regresión. Podríamos simplemente estandarizar
nuestras variables a puntajes z, que, por supuesto, están centrados. La
estandarización de todas las variables hace que
(B) también se estandarizarán los coeficientes de regresión.
Según Hayes (2013), la prueba de la interacción no se ve afectada
en absoluto por tales transformaciones. Sin embargo, el centrado puede
ser útil con respecto a hacer que algunos de los coeficientes de regresión
tengan interpretaciones más significativas de lo que tendrían de otra
manera. Nuestro modelo es estadísticamente significativo, donde todas
las variables están estandarizadas. De mayor interés, el término de
interacción es estadísticamente significativo, p=0.049, lo que indica que el
idealismo ético funciona como un moderador de la relación entre El nivel
de implementación de la misantropía MRP tiene un mejor impacto en POP
que POC. podríamos ver esta interacción desde otro
perspectiva que El alto grado de implementación de MRP

Las medidas de desempeño sirven como moderador de la
relación entre POP y POC. Según la Tabla (1), los investigadores pueden
concluir lo siguiente:
1. Todos los pesos de regresión estandarizados (carga factorial) son
superiores a 0,50, lo que significa que la mayoría de las variables medidas
representan los constructos.
Año 2016 266

ÿÿÿÿÿÿ ÿÿÿÿÿÿ

Emad Elwy Habib
~
2. La prueba T para todas las variables medidas es significativa a un

nivel de significancia inferior a (0,001), lo que demuestra la
importancia de las variables observadas en la medición del impacto
de la responsabilidad social empresarial en el compromiso afectivo
organizacional de los empleados.
3. Como resultado de las Correlaciones Múltiples al Cuadrado, es
decir, la varianza promedio extraída, para las variables menores a
(0.50), se han excluido en ambos casos de Implementación MRP
Alta y Baja en: Variables de subconstructos de Planificación de
Operaciones de Producción (POP) : eficacia de la planificación
de la producción, grado de intercambio de información de funciones
cruzadas, flexibilidad de la planificación de la producción, precisión
de los datos de la planificación de la producción, tamaño de lote
pequeño, compras JIT, línea de producción pull, capacitación
cruzada y empleado multifunción, actividades '5S': organización del
lugar de trabajo y estandarización, sistema KANBAN y regla y ciclo
de producción (por ejemplo, EPQ) desde el CFA inicial. Variables
de subconstructos de Production Operations Control (POC):
círculo de calidad y TQM, estabilidad de programación, nivel de
reducción WIP, grado de entrega a tiempo y grado de satisfacción de calidad.
Medición de la bondad de ajuste del modelo (CFA):
Tabla (4): Los índices de bondad de ajuste del grupo múltiple
para el análisis factorial confirmatorio y el análisis de ruta
chi-cuadrado 417.269
Grado de libertad 207
Nivel de significancia 0.000
226

Emad Elwy Habib
~
Residual cuadrático 2.016
medio (RMR) <0,10 de la raíz cuadrada normada 0.045
Chi-Cuadrado Índice de bondad de ajuste (GFI) 0.932
Aproximación residual de raíz cuadrática media (RMSEA) <0,10 La 0.096

varianza media extraída para todas las construcciones latentes 0.929

o cerca de los valores de corte, y luego la posibilidad de igualar la forma
real del modelo estimado.
2. Los valores de Root Mean Square Residual (RMR) y Root Mean Square
Residual Aproximation (RMSEA) inferiores a (0,10). el modelo indica que
(RMR) y (RMSEA) son 0,045 y 0,096 respectivamente, lo que indica un
ajuste estrecho del modelo en relación con los grados de libertad
3. La varianza media extraída para todos los constructos latentes es 0,929,

es decir, existe una validez convergente adecuada.
4. La varianza promedio extraída para los constructos Implementación de
MRP como moderador en caso de alto grado de implementación de MRP
quedó claro en el análisis multigrupo (confirmatorio y análisis de ruta), que
POP explica POC en un 26.1%, con un 51% estandarizado Pesos de
regresión.
Esto significa que la implementación de MRP a pesar de ello es un
223

Emad Elwy Habib
~
la implementación alta o baja tiene un impacto significativo en la

planificación y el control de la producción.
5. En general, la evidencia de un buen ajuste del modelo, confiabilidad
y validez convergente indica que el modelo de medición debe
mejorarse para probar el modelo de regresión excluyendo lo siguiente
en ambos casos de implementación de MRP alta y baja: Variables
de subconstrucciones POP : efectividad de la planificación de la
producción, grado de intercambio de información de funciones
cruzadas, flexibilidad de la planificación de la producción, precisión
de los datos de la planificación de la producción, tamaño de lote
pequeño, compras JIT, línea de producción pull, capacitación cruzada
y empleado multifunción, actividades '5S': organización del lugar de
trabajo y estandarización, sistema KANBAN y regla y ciclo de
producción (por ejemplo, EPQ) desde el CFA inicial. Variables de
subconstructos de POC: círculo de calidad y TQM, estabilidad de
programación, nivel de reducción de WIP, grado de entrega a tiempo y grado de sa
Esto significa que las empresas farmacéuticas egipcias con un mayor
nivel de implementación de MRP tienen un mejor rendimiento de
planificación operativa de producción que aquellas con un nivel más
bajo de implementación de MRP, lo que se considera un examen
completo para las prácticas de gestión de operaciones de producción
en las empresas farmacéuticas egipcias, y revela el progreso de la
aplicación MRP
226

Emad Elwy Habib
~
H2: La implementación de MRP en las empresas farmacéuticas

egipcias tiene un mayor impacto en el rendimiento de la
planificación operativa (POP) de la producción que el
rendimiento del control de las operaciones de producción.
De acuerdo con el análisis multigrupo (análisis factorial confirmatorio
y análisis de ruta) en la figura (8) y la tabla (5), el investigador
puede concluir lo siguiente:
superiores a 0,50, lo que significa que todas las variables medidas,
223

Emad Elwy Habib
~

representan todos los constructos: la implementación de la
planificación de necesidades de materiales (MRP), el rendimiento de
la planificación de operaciones de producción (POP) y el rendimiento
del control de operaciones de producción (POC).
Figura (8): El multigrupo final para el análisis factorial confirmatorio y

Análisis de ruta para el modelo de medición
2. La prueba T para todas las variables medidas es significativa a un

nivel de significancia inferior a (0,001), lo que demuestra la importancia
de las variables observadas en la medición del impacto de la
responsabilidad social empresarial en el compromiso afectivo
organizacional de los empleados.
226

Emad Elwy Habib
~
Tabla (5): Multigrupo para análisis factorial confirmatorio y

Análisis de ruta por pesos de regresión estandarizados y no
estandarizados
Estandarizado no estandarizado Nivel
Sendero SE t_test:CR
estimar estimar significante
POP <---PVP .793 .575 .100 5.755 ***
COP <---PRV .739 .619 .111 5.576 ***
q1.1 <---MRP .711 q1.2 1.000

.860 .071 12.051 ***
<---MRP .699 q1.3 <---
.882 .138 6.397 ***
MRP .654
.780 .127 6.135 ***
q1.11 <---PRM .627
.876 .130 6.729 ***
q1.12 <---MRP .690
.866 .123 7.065 ***
q1.13 <---MRP .728
.742 .116 6.383 ***
q1.14 <---MRP .659
.710 .123 5.754 ***
q1.15 <---PRM .588
.834 .146 5.704 ***
q2.19 <---POP .601
.846 .152 5.557 ***
q2.18 <---POP .583
1.297 .186 6.976 ***
q2.17 <---POP .754
1.319 .185 7.122 ***
q2.16 <---POP .775
1.213 .166 7.325 ***
q2.15 <---POP .798
1.397 .193 7.234 ***
q2.14 <---POP .786
1.061 .162 6.538 ***
q2.13 <---POP .679
q2.2 <---POP .674 q3.1 1.000
<---POC .683 1.000

1.024 .112 9.164 ***
q3.2 <---POC .659 q3.8
.800 .149 5.383 ***
<---POC .555 q3.9 <---
1.108 .145 7.657 ***
POC .711 q3.10 <---
1.320 .173 7.628 ***
POC .817
226

Emad Elwy Habib
~
Estandarizado no estandarizado Importante

estimar estimar nivel
1.074 .149 7.218 ***

q3.11 <---POC .766 q3.12
1.063 .139 7.630 ***
<---POC .771 q.3.13 <---
.956 .130 7.324 ***
POC .779
*** Significativo a un nivel inferior a (0,001). a: Valor inicial para la posibilidad de resolver
ecuaciones.
3. Como resultado de las Correlaciones Múltiples al Cuadrado, es decir, la
varianza promedio extraída, para las variables de los constructos tienen
menos de (0.50), entonces se han excluido de: Planificación de
Requerimientos de Materiales (MRP): Planificación de Requerimientos
de Capacidad (CRP), Programación y control del flujo de producción,
gestión de inventario, gestión de compras/proveedores, gestión de
mantenimiento de equipos, gestión de datos básicos, pronósticos
(demanda independiente) y lista de materiales (demanda dependiente).
Rendimiento de la planificación de las operaciones de producción
(POP): eficacia de la planificación de la producción, grado de intercambio
de información de funciones cruzadas, flexibilidad de la planificación de la
producción, precisión de los datos de la planificación de la producción,
tamaño de lote pequeño, compras JIT, extracción de la línea de producción,
capacitación cruzada y empleado multifunción, Actividades '5S':
organización y estandarización del lugar de trabajo, sistema KANBAN y
Regla y ciclo de producción (por ejemplo, EPQ). Rendimiento de control
de operaciones de producción (POC): círculo de calidad y TQM, estabilidad de progra
entrega a tiempo y grado de satisfacción de la calidad
222

Emad Elwy Habib
~

De acuerdo con la tabla (6), el investigador reveló que:
Residual Aproximation (RMSEA) inferiores a (0,10), lo que indica un
ajuste estrecho del modelo en relación con los grados de libertad
3. La varianza media extraída para todos los constructos latentes es 0,866,

es decir, hay una validez convergente adecuada.
Tabla (6): Índices de bondad de ajuste de grupos múltiples para análisis
factorial confirmatorio y análisis de ruta
cuadrático medio (RMR) <0,10 Índice de bondad de 0.042
ajuste (GFI) 0.941
Aproximación residual de raíz cuadrática media (RMSEA) <0.10 0.890
La varianza media extraída para todos los constructos latentes 0. .866
226

Emad Elwy Habib
~
4. La varianza promedio extraída para las construcciones de Planificación

de Requerimientos de Materiales (MRP) Hacia; El rendimiento de
planificación de operaciones de producción (POP) y el rendimiento de
control de operaciones de producción (POC) son: (0,793), (0,739),
respectivamente, es decir, existe una gran coherencia interna basada
en la correlación media entre elementos. Los AVE de todas las escalas
resultaron ser más que los valores de corte.
En general, la evidencia de un buen ajuste del modelo,
confiabilidad y validez convergente indica que el modelo de medición
debe mejorarse para probar el modelo de regresión al excluir las
variables de Planificación de requisitos de materiales (MRP):
Planificación de requisitos de capacidad (CRP), Flujo de taller
programación y control,
gestióngestión,
dedatos
mantenimiento
gestión
básicos,deprevisiones
compras/proveedores,
de equipos,
Inventario (demanda
gestión
independiente)
de
y lista de materiales (demanda dependiente). Rendimiento de la
planificación de las operaciones de producción (POP): eficacia de
la planificación de la producción, grado de intercambio de información
de funciones cruzadas, flexibilidad de la planificación de la producción,
precisión de los datos de la planificación de la producción, tamaño de
lote pequeño, compras JIT, extracción de la línea de producción,
capacitación cruzada y empleado multifunción, Actividades '5S':
organización y estandarización del lugar de trabajo, sistema KANBAN y
ciclo y regla de producción (por ejemplo, EPQ), que proporciona una
investigación completa de las relaciones entre los componentes de la
técnica MRP y su impacto en el rendimiento de la planificación de las
operaciones de producción.
Producción Control de Operaciones
226

Emad Elwy Habib
~
Desempeño (POC): círculo de calidad y TQM, estabilidad de

programación, nivel de reducción WIP, grado de entrega a tiempo
y grado de satisfacción de la calidad del CFA inicial, lo que confirma
que la implementación de MRP en las empresas farmacéuticas
egipcias tiene un mayor impacto en rendimiento de planificación
operativa (POP) de producción que rendimiento de control de
operaciones de producción, pero la diferencia no es tan alta, por lo
que aborda una investigación completa de las relaciones entre los
componentes de la técnica MRP y su impacto en el rendimiento de
control de operaciones de producción.
H3: MRP tiene un impacto positivo significativo en el
rendimiento de las operaciones de producción en las empresas
farmacéuticas egipcias.
De acuerdo con el análisis multigrupo (análisis factorial confirmatorio
y análisis de ruta) Figura (8) y Tabla (7), el investigador puede
concluir lo siguiente:
mayores que 0.50, lo que significa que todas las variables medidas
representan los dos constructos Planificación de requisitos de
materiales MRP y Rendimiento de producción y operaciones con
una estimación general de 0.942.
Año 2016 226

ÿÿÿÿÿÿ ÿÿÿÿÿÿ

Emad Elwy Habib
~
Figura (9): El grupo múltiple final para el análisis factorial confirmatorio y

Análisis de ruta para el modelo de medición
Tabla (7): Multigrupo para análisis factorial confirmatorio y

Análisis de ruta por pesos de regresión estandarizados y no
estandarizados
Estandarizado no estandarizado Nivel
estimar estimar significante
.942 .629 .093 6.739 ***
POP_POC <---MPR
q1.1 <---PVP .740 1.000
<---PVP .712 .841 .069 12.258 ***
q1.2
<---PVP .621 .804 .130 6.208 ***
q1.3
<---PVP .634 .758 .120 6.334 ***
q1.11
<---PVP .694 .848 .122 6.950 ***
q1.12
<---PVP .720 .824 .115 7.186 ***
q1.13
<---PVP .665 .720 .109 6.573 ***
q1.14
<---PVP .588 .683 .117 5.850 ***
q1.15
POC_1 <---POP_POC .720 1.000
.904 .139 6.482 ***
POP_1 <---POP_POC .697
*** Significativo a un nivel inferior a (0,001). a: Valor inicial para la posibilidad de resolver
ecuaciones
266

Emad Elwy Habib
~
2. La prueba t para todas las variables medidas es significativa a un

nivel de significación inferior a (0,001), lo que muestra la importancia
de las variables observadas para medir el impacto de la
implementación de la planificación de requisitos de materiales en
el rendimiento general de las operaciones de producción.
3. Como resultado de Correlaciones Múltiples al Cuadrado, es decir,
varianza promedio extraída, para las variables de MRP; La
planificación de requisitos de capacidad (CRP), la programación y
el control del flujo de producción y la gestión de inventario tienen
menos de (0,50), luego se han excluido de la implementación de
planificación de requisitos de materiales MRP en el rendimiento
general de producción y operaciones con una estimación general de 0,888 .
Tabla (8): Índices de bondad de ajuste de grupos múltiples para análisis
factorial confirmatorio y análisis de ruta
cuadrático medio (RMR) <0,10 Índice de bondad 0.040
de ajuste (GFI) 0.928
Aproximación residual de raíz cuadrática media (RMSEA) 0.069

<0.10
La varianza media extraída 0.889
263

Emad Elwy Habib
~

Residual Aproximation (RMSEA) inferiores a (0,10), lo que indica un ajuste
estrecho del modelo en relación con los grados de libertad
3. La varianza media extraída para todos los constructos latentes es
0,8890, es decir, existe una adecuada validez convergente.

4. La varianza promedio extraída para los constructos de Implementación de
la Planificación de Requerimientos de Materiales sobre el Desempeño
General de Producción y Operaciones (0.942), es decir, existe una alta
consistencia interna basada en la correlación promedio entre elementos.
Los AVE de todas las escalas resultaron ser
más que los valores de corte.
5. En general, la evidencia de un buen ajuste del modelo, confiabilidad y

validez convergente indica que el modelo de medición debe mejorarse
para probar el modelo de regresión al excluir las variables de MRP;
Planificación de requisitos de capacidad (CRP), programación y control del
flujo de producción y gestión de inventario, desde el CFA inicial, lo que
confirma que la construcción de MRP tiene un impacto positivo significativo
en la producción .
266

Emad Elwy Habib
~
desempeño de las operaciones en las compañías farmacéuticas egipcias.
Recomendaciones:
Con base en la conclusión de las tres hipótesis y los resultados
del Multi-Grupo para el análisis factorial confirmatorio y los
Modelos de análisis de ruta, la implementación alta de los
subconstructos de Planificación de requisitos de materiales,
planificación de operaciones de producción y construcciones de
control de operaciones de producción, respectivamente, son
significativas. pero debe desarrollarse considerando una
implementación alta de los siguientes subconstructos excluidos:
1. Planificación de requisitos de materiales (MRP): planificación de
requisitos de capacidad (CRP), programación y control del flujo de producción,
gestión de inventario, gestión de compras/proveedores, gestión de
mantenimiento de equipos, gestión de datos básicos, pronósticos de demanda
y lista de materiales de demanda.
2. Desempeño de la planificación de operaciones de producción (POP):
eficacia de la planificación de la producción, grado de intercambio de
información de funciones cruzadas, flexibilidad de la planificación de la
producción, precisión de los datos de la planificación de la producción,
tamaño de lote pequeño, compras JIT, línea de producción pull, capacitación
cruzada y multifunción empleado, actividades '5S': organización y
estandarización del lugar de trabajo, sistema KANBAN y Regla y ciclo de producción (por ej
3. Rendimiento de control de operaciones de producción (POC): círculo
de calidad, estabilidad de programación, nivel de reducción WIP, grado de
entrega a tiempo y grado de satisfacción de la calidad del
263

Emad Elwy Habib
~
AFC inicial. En opinión del investigador, el rendimiento de las

operaciones de producción de las empresas farmacéuticas
de fabricación egipcias en Egipto se maximizará a través de
una mayor implementación del modelo completo MRP, que
presenta recomendaciones perspicaces para una mayor
mejora de la eficiencia.
266

Emad Elwy Habib
~
Referencias:
1. Alfieri, A., Tolio, T. y Urgo, M. (2012). Un enfoque de programación de proyectos
para la producción y la planificación de requisitos de materiales en entornos de
fabricación bajo pedido. Revista de Fabricación Inteligente, 23(3),575-
578.
2. Anderson, JC, et al. (1982) 'Sistemas de planificación de requisitos de materiales:
el estado del arte', Production and Inventory Management, vol. 23, núm. 4, págs.
51–66.
3. Benton, WC y Shin, H. (1998) 'Planificación y control de fabricación: la evolución
de la integración de MRP y JIT', European Journal of Operational Research, vol.
110, págs. 411–440.
4. Bose, GJ y Rao, A. (1988) 'La implementación JIT con MRPII crea un entorno de
fabricación híbrido', Industrial Engineering, vol. 20, núm. 9, págs. 49–54.
5. Chan, JWK y Burns, ND (2002) 'Evaluación comparativa de los sistemas de

planificación y control de fabricación (MPC): un estudio empírico de las cadenas
de suministro de Hong Kong', Benchmarking: An International Journal, vol. 9,
núm. 3, págs. 256–277.
6. Chen, Z. y Shang, JS (2008). Tecnología de planificación y control de fabricación
versus rendimiento operativo: un estudio empírico de MRP y JIT en China.
Revista internacional de tecnología y gestión de fabricación, 13(1), 4-29.
7. Fullerton, RR y McWatters, CS (2001) 'El rendimiento de la producción se beneficia

de la implementación JIT', Journal of Operations Management, vol. 19, núm. 1,
págs. 81–96.
8. Fullerton, RR y McWatters, CS (2002) 'El papel de las medidas de rendimiento y
los sistemas de incentivos en relación con el grado de JIT
266

Emad Elwy Habib
~
implementación', Contabilidad, Organizaciones y Sociedad, vol. 27, págs. 711–
9. Fullerton, RR, McWatters, CS y Fawson, C. (2003) 'Un examen de las relaciones

entre el JIT y el desempeño financiero', Journal of Operations Management, vol.
21, núm. 4, págs. 383–404.
10. Hunton, JE, Lippincott, B. y Reck, JL (2003) 'Sistemas de planificación de recursos

empresariales: comparación del desempeño de empresas que adoptan y no
adoptan', International Journal of Accounting Information Systems, vol. 4, págs.
165–184.
11. Ismail, S. (2005). Una investigación de las relaciones determinantes de beneficios
de MRP: modelo ACE. Problemas y Perspectivas en la Gestión, 2, 80-98.
12. Jha, Vaibhav (2012). Sistema de producción integrado MRP-JIT, Revista

internacional de investigación y aplicaciones de ingeniería, vol. 2, Issue4,
pp.2377-2387 13. John, D. y Roberts, H. (1994) 'Éxito y fracaso de la
implementación de MRPII', British Journal of Management, vol. 5, págs. 221–240.
14. Jyh, H. (2008). Exploración de la compatibilidad de los procedimientos de

amortiguación y las reglas de tamaño de lote en los sistemas MRP en entornos
operativos inciertos. Revista Internacional de Investigación de Producción, 46(18),
p. 5097-5105.
15. Kim, K. (2014). Planificación de recursos materiales (MRP): ¿Necesitará MRP sin
el cliente? Revista Abierta de Ciencias Sociales, 2(04), 256.
16. Lau, RSM, Zhao, X. y Lai, F. (2002) 'Encuesta sobre la implementación y los
beneficios de MRPII en China continental y Hong Kong', Production and Inventory
Management Journal, vol. 43, núms. 3/4, págs. 65–71.
262

Emad Elwy Habib
~
17. Lee, CY (1992) 'Un desarrollo reciente del sistema de fabricación integrado:
un híbrido de MRP y JIT', International Journal of Operations and Production
Management, vol. 13, núm. 4, págs. 3–17.
18. Murphy, KE y Simon, SJ (2002) 'Valoración de beneficios intangibles en
proyectos ERP', Information Systems Journal, vol. 12, págs. 301–320.
19. Petroni, A. (2002) 'Factores críticos de la implementación de MRP en pequeñas
y medianas empresas', International Journal of Operations and Production
20. Petroni, A. y Braglia, M. (1999) 'Deficiencias y beneficios asociados con la
implementación de paquetes MRP: una encuesta de investigación', Logistics
Information Management, vol. 12, núm. 6, págs. 428–
438.
21. Pyke, D., Farley, J. y Robb, D. (2002) 'Tecnología y operaciones de fabricación
en China: una encuesta de empresas estatales, empresas privadas, empresas
conjuntas y subsidiarias extranjeras de propiedad total', European Management
Revista, vol. 20, núm. 4, págs. 356–375.
22. Rusÿnescu, M. (2014). Planificación de Requerimientos de Materiales, Sistema
de Control de Inventarios en la Industria. Revista de Hidráulica, Neumática,
Tribología, Ecología, Sensorica, Mecatrónica, 1453 – 7303, 21-24.
23. Salaheldin, SI (2004) 'Factores que influyen en la etapa de implementación de
MRP: un estudio empírico', Problemas y perspectivas en la gestión, vol. 3,
págs. 89–102.
24. Salaheldin, SI y Francis, A. (1998) 'Un estudio sobre prácticas MRP en
empresas manufactureras egipcias', International Journal of Operations and
Production Management, vol. 18, núm. 6, págs. 588–611.
25. Schroeder, RG, et al. (1981) 'Un estudio de los beneficios y costos de MRP',
Journal of Operations Management, vol. 2, núm. 1, págs. 1–9.
266

Emad Elwy Habib
~
26. Sillince, JAA y Sykes, GMH (1993) 'Integración de MRPII y JIT: una gestión en
lugar de un desafío técnico', International Journal of Operations and Production
27. Suma, CC, et al. (1995) 'Un análisis de los beneficios de la planificación de
requisitos de materiales (MRP) utilizando la expectativa condicional alterna
(ACE)', Journal of Operations Management, vol. 13, núm. 1, págs. 35–58.
28. Titone, CR (1994) 'Integración de MRPII y JIT para lograr un estatus de clase
mundial', Hospital Material Management Quarterly, vol. 15, núm. 4, págs. 62–
66.
29. Toni, AD, Caputo, M. y Vinelli, A. (1988) 'Técnicas de gestión de producción:
clasificación push-pull y condición de aplicación', International Journal of
Operations and Production Management, vol. 8, núm. 2, págs. 35–51.
30. Wang, LL et al. (2005) 'Investigación y análisis de la aplicación de MRPII en

empresas chinas', Ingeniería Mecánica China (en chino), No. 2, págs. 65–68.
31. White, EM, Anderson, JC y Scheroeder, RG et al. (1982) 'Un estudio del
proceso de implementación de MRP', Journal of Operations management, vol.
2, núm. 3, págs. 145–153.
32. Wilson, F., Yusuf, YY y Little, D. (1998) 'Una investigación empírica de la
integración de MRPII en toda la empresa', International Journal of Operations
and Production Management, vol. 18, núm. 1, págs. 66–86.
33. Zhang, HB et al. (1998) 'Investigación de la aplicación MRPII', Información de
educación (en chino), No. 5, pp.7–10.
34. Zhao, X., Lai, F. y Young, S. (2002) 'Un estudio sobre la implementación de la
planificación de recursos de fabricación (MRPII) en China', International
Journal of Production Research, vol. 40, núm. 14, págs. 3461–3478.
266
El número actual y el archivo de texto completo de esta revista están disponibles en Emerald Insight en: https://
www.emerald.com/insight/1746-5664.htm
JM2
17,1
Decisión de planificación de la producción de
una lechería con interrupción de la oferta e
incertidumbre de la demanda
256 Dayanidhi Jena
Departamento de Ingeniería Mecánica, Facultad de Ingeniería del Gobierno,
Recibido el 29 de enero de 2020 Keonjhar, Odisha, India y
Revisado el 4 de mayo de 2020
13 septiembre 2020
Aceptado el 15 de noviembre de 2020

Pritee Ray
Departamento de Gestión de Operaciones, Instituto Indio de Gestión Ranchi,
Jharkhand, India
Resumen
Propósito: el propósito de este documento es desarrollar un modelo para la decisión de planificación de la producción de una planta láctea en
un entorno de productos múltiples bajo el riesgo de interrupción del suministro y la incertidumbre de la demanda mientras se determina la
combinación óptima de productos y los requisitos de planificación de materiales.
Diseño/metodología/enfoque: se propone un modelo de programación no lineal de enteros mixtos para determinar la combinación óptima de
productos que maximiza la ganancia esperada de una lechería. Los datos se recopilan a través de visitas al sitio de la lechería, realizando
sesiones de lluvia de ideas con el gerente de planta y el jefe de marketing en la oficina corporativa. Los datos de interrupción se recopilan del
Departamento Meteorológico de la India, Odisha.
Hallazgos – A partir del análisis, se recomienda que la lechería no produzca cuajada durante el período de planificación. Además, la facturación
de alimentos tonificados, tonificados y para bebés es superior a la de la cuajada y estos productos se producen en el período de planificación.
La ganancia esperada aumenta a partir de su valor presente cuando se sigue una combinación óptima de productos. El análisis de sensibilidad
se realiza para analizar el efecto de la incertidumbre de la demanda, la interrupción del suministro y la cuota de producción. La ganancia
esperada disminuye a medida que aumenta la probabilidad de falla del suministro.
Limitaciones/implicaciones de la investigación: el modelo se implementa en una planta lechera bajo la Federación de Productores de Leche
Cooperativa del Estado de Orissa, Odisha, India. La metodología propuesta no ha sido validada, teóricamente. La lechería en cuestión se basa
en el contexto indio, pero los autores creen que el estudio también es muy relevante para otras lecherías.
Implicaciones prácticas: este estudio proporciona una metodología para que los gerentes de plantas lecheras planifiquen la producción de
manera efectiva bajo el riesgo de interrupción del suministro con incertidumbre en la demanda. También sugiere la planificación de requisitos
de materiales en diferentes fábricas de la planta de productos lácteos.
Originalidad/valor: este documento desarrolla un modelo matemático para la decisión de planificación de la producción de una planta láctea
que determina la combinación óptima de productos, que maximiza la ganancia esperada de una lechería bajo el riesgo de interrupción y la
incertidumbre de la demanda (en el contexto indio).
Palabras clave Toma de decisiones, Optimización, Planificación, Producción, Programación no lineal,

Gestión de la cadena de suministro, Incertidumbre de la demanda, Programación no lineal de enteros mixtos,
Planificación de la producción, interrupción del suministro, industria láctea
Tipo de papel Trabajo de investigación
1. Introducción
Uno de los temas críticos en cualquier cadena de suministro de fabricación o servicio es el riesgo de
Revista de modelado en interrupción del suministro, que interrumpe el flujo operativo de la industria (Tang, 2006; Tomlin, 2006; Ray
gestión vol. 17 No. 1,
2022 págs. 256-271 ©
Emerald Publishing
Limited 1746-5664 DOI Los autores agradecen a los editores y revisores anónimos por brindar comentarios constructivos y sugerencias para mejorar la calidad del
10.1108/JM2-01-2020-0028
artículo.
y Jenamani, 2016a, 2016b; Fattahi y Govindan, 2018). La situación se complica aún más si la naturaleza del producto es perecedero Decisión de
(Mishra y Shekhar, 2011). En este contexto, una cadena de suministro de productos lácteos no es una desviación. India es el país
planificación
productor de leche más grande del mundo y las cooperativas lecheras son la columna vertebral de la industria láctea india.
de la producción.
La planificación de la producción en las industrias lácteas es muy complicada. La demanda estocástica de los productos finales, las
incertidumbres asociadas con la disponibilidad de leche cruda, las fluctuaciones en el rendimiento del producto, la calidad, el precio de
adquisición, los costos de transporte y la naturaleza perecedera tanto de las materias primas como de los productos finales hacen que
la planificación de la producción de un suministro lácteo cadena compleja y diferente de las industrias manufactureras tradicionales.
257
La cadena de suministro de productos lácteos también se ve afectada por varios tipos de riesgos e incertidumbres.
La planificación de la producción se interrumpe cuando la lechería vende sus productos por contratos (Guan y Philpott, 2011; Lan et
al., 2011; Felfel et al., 2016). Por lo tanto, la identificación y clasificación de riesgos e incertidumbres son cuestiones importantes
(Gorton et al., 2006; Mula et al., 2006; Mishra y Shekhar, 2011). Mishra y Shekhar (2011) identifican 14 tipos de riesgos e incertidumbres
en siete niveles de una cadena de suministro de productos lácteos en el escenario indio. Algunos riesgos e incertidumbres importantes
son el ganado lechero bajo, el precio no remunerativo de la leche, los riesgos logísticos, los riesgos de desastres naturales, la
imprevisibilidad de la demanda, la falta de confiabilidad del producto, los riesgos de entrega, la escasez de productos y las fluctuaciones
estacionales en la producción (Sinha et al., 2012) . Otros factores como inundaciones, ciclones, huelgas locales y enfermedades de
las vacas también afectan la interrupción del suministro de leche en la cadena de suministro de productos lácteos (Ray y Jenamani,
2016a, 2016b). La falla de suministro debido al riesgo de interrupción se clasifica en súper evento, semi-super evento y evento único
(Berger et al., 2004; Sarkar y Mohapatra, 2009). Un súper evento es una situación en la que todos los proveedores fallan en el
suministro y un evento único en el que un proveedor individual falla en el suministro a la vez.
Modelar la planificación de la producción de la cadena de suministro de productos lácteos considerando los riesgos y las incertidumbres
hace que la planificación de la producción sea más realista.
Muchos estudios propusieron varios modelos matemáticos y situaciones de planificación, como la vida útil fija y flexible (Amorim
et al., 2012), el modelo de programación de objetivos preventivos (Leung y Ng, 2007), el modelo de programación lineal/no lineal de
enteros mixtos (Tometzki y Engell, 2010; Mirzapour Al-E-Hashem et al., 2011; Bilgen y Çelebi, 2013; Yin y Nishi, 2014; Accorsi et al.,
2017), enfoque multimétrico (Duong et al., 2015) y Programación estocástica multietapa (Guan y Philpott, 2011; Fattahi y Govindan,
2018) para la planificación de la producción de productos perecederos/deteriorables. Sankaran y Luxton (2003) consideran una
industria láctea en Nueva Zelanda y se centran en cuestiones operativas. Sin embargo, los estudios mencionados anteriormente no
consideran el riesgo de interrupción del suministro ni la incertidumbre al desarrollar modelos para una decisión de planificación de la
producción. Pocos autores sugirieron modelos de planificación de la producción para la industria láctea. Benseman (1986) sugiere un
modelo de programación lineal que resuelve el problema de planificación de la producción de la empresa láctea de Nueva Zelanda. El
autor modela el problema con una situación de demanda determinista considerando la producción base, la producción de penalización
y la cuota de producción como parámetros de planificación. La producción base de la planta láctea es el volumen de producción, que
se vende al precio real establecido por la gerencia antes del inicio del período de planificación. La gerencia vende una cantidad de su
producción por debajo de su precio real, llamada producción de penalización, para aumentar el volumen de ventas de la mezcla de
productos. Como la demanda de productos lácteos es estocástica, el modelo no logra capturar la realidad. Para cerrar esta brecha de
investigación, Guan y Philpott (2011) modelan el problema de planificación de la producción para Fonterra, una empresa líder en la
industria láctea de Nueva Zelanda, teniendo en cuenta: la oferta de leche incierta, las curvas de precio-demanda y el contrato. Aplican
un modelo de programación estocástica de varias etapas para resolver este problema y proponen un algoritmo de descomposición
para calcular la política de ventas óptima. Prakash et al. (2017) propusieron una metodología de modelado estructural interpretativo
(ISM) para analizar los riesgos en las empresas lácteas indias y encontraron que eso
los riesgos del lado del proveedor son significativos. Ray y Jenamani (2016a, 2016b) desarrollan modelos de producto
JM2
único de un solo período para la asignación óptima de pedidos en una cadena de suministro de dos etapas, donde tanto
17,1
la demanda como la oferta son inciertas y están sujetas al riesgo de interrupción. Implementan uno de los modelos en
una planta lechera situada en la parte oriental de la India. Sin embargo, ninguno de los modelos discutidos anteriormente
considera la decisión de planificación de la producción de una planta de productos lácteos bajo el riesgo de interrupción
del suministro con incertidumbre de la demanda en un entorno de múltiples períodos y múltiples productos.
Extendemos el trabajo de Ray y Jenamani (2016a, 2016b) en multiproducto, el entorno de múltiples períodos para
258
la decisión de planificación de producción de productos lácteos mientras desarrollamos un modelo de programación no
lineal de enteros mixtos (MINLP) con interrupción de la oferta e incertidumbre de la demanda. El modelo optimiza la
mezcla de productos bajo la demanda estocástica de productos, la fluctuación de la disponibilidad de leche cruda, la
calidad, los costos, el precio, la producción base, la producción de penalización y la cuota de producción. La producción
de lácteos en la India requiere mucha mano de obra. Sin embargo, hay mejores perspectivas de crecimiento de los
ingresos de los hogares rurales más pobres. Por lo tanto, implementamos el modelo en una planta láctea (un ala de la
empresa láctea de la Federación Cooperativa de Productores de Leche del Estado de Orissa (OMFED), Odisha, India)
situada en la parte oriental de la India. El análisis de sensibilidad se realiza para estudiar el efecto de varios parámetros
de entrada en el beneficio esperado.
Específicamente, el estudio tiene las siguientes contribuciones: El
estudio desarrolla un modelo de programación no lineal de enteros mixtos para decisiones de planificación de
producción de una planta lechera bajo riesgo de interrupción de suministro con incertidumbre de demanda.
El modelo determina la combinación de productos óptima en el entorno estocástico para optimizar el beneficio
esperado de la lechería.
También estudia el efecto de varios parámetros de entrada, como la consecuencia de la interrupción del
suministro y la cuota de producción en la ganancia esperada de la planta lechera.
El resto del documento está organizado de la siguiente manera. La sección 2 describe el problema y la formulación del
modelo. La Sección 3 presenta el caso y la Sección 4 muestra los resultados y la discusión. La Sección 5 resume el
trabajo y discute las direcciones futuras de investigación.
2. Descripción del problema Como

se muestra en la Figura 1, una planta láctea típica consta de sociedades de recolección de leche a granel (BMC),
congeladores de leche de distrito, fábricas dentro de la planta y produce múltiples productos como leche tonificada,
leche doble tonificada, cuajada y alimentos para bebés. La planta recolecta la leche entera de sus BMC ubicados en
diferentes regiones geográficas, sujetas a interrupciones e incertidumbres en el suministro. Antes de que comience la
producción, el planificador de producción pronostica la demanda de los productos para decidir el volumen total esperado
de producción en el período de planificación, que se denomina cuota de producción. La decisión sobre qué producir,
cuánto producir y cuándo producir depende de factores dinámicos de la cadena de suministro como la leche entera
disponible de sus BMC, su calidad, la demanda estocástica del producto, los costos de compra, los precios de venta y
el costo de transporte. Durante la planificación de la producción, la gestión se enfrenta a muchas limitaciones, como la
disponibilidad de leche, la capacidad de cada fábrica, el rendimiento, la producción y las limitaciones de los subproductos.
Se ha observado que casi todas las industrias lácteas enfrentan algún tipo de interrupciones e incertidumbres, lo que
interrumpe el flujo de suministro de leche. Las incertidumbres se deben a la naturaleza estocástica de la demanda del
producto, la disponibilidad de leche entera y el lado de la recolección, respectivamente. Las interrupciones se deben a
ciclones, inundaciones, olas de calor, huelgas locales y gubernamentales, etc., solo en el lado de la recolección. Este
estudio considera el súper evento y evento único para el análisis de disrupción en los BMC. Bajo tal situación, el objetivo
es adoptar la mejor combinación de productos, que maximice la ganancia esperada de una cadena de suministro de
lácteos.
Producción
planificación
decisión
259
Figura 1.
Estructura de un típico
planta lechera
2.1 Supuestos y notación

Las siguientes suposiciones y notaciones se utilizan para desarrollar el modelo.
2.1.1 Supuestos
El precio de venta de cada producto permanece constante.

No se permite el transporte inverso de leche cruda entera entre dos fábricas.
Los subproductos de una fábrica se procesan en otras fábricas y su inversa
Se permite el transporte entre cada fábrica.
Cada fábrica produce un solo producto.
La demanda de cada producto es mayor que la producción.
Tres estaciones (verano, lluviosa e invierno) son el período de planificación considerado para
Modelado de la disrupción de la oferta y la incertidumbre de la demanda.
2.1.2 Notaciones
Notación Descripción
i = No. de insumos donde i= 1, 2, 3...I.;
j = No. de enfriadores de leche a granel (BMCs) donde j= 1, 2, 3...J.;

k = Nº de fábricas de destino k= 1, 2...K. También representa el no. de productos;
t = Intervalo de tiempo base donde t = 1, 2, 3...T;
pt = Probabilidad de falla del súper evento en todos los BMC en el intervalo t;
pjt = Probabilidad de falla de evento único para la ubicación j en el intervalo t. j= 1, 2, 3...J;
mjt = Disponibilidad estocástica de leche entera en los BMC j en el período de tiempo t;
f(mjt) = La función de distribución de probabilidad para la disponibilidad de leche entera en los BMC j en el tiempo
periodo t;
spkt = Precio base de venta por unidad de producto de la fábrica k en el intervalo t;
pkt = Precio de penalización de venta por unidad de producto de la fábrica k en el intervalo t;
fck = Costo fijo en fábrica k;
mcik = Capacidad máxima del insumo i procesado en la fábrica k;
piikt = Rendimiento del producto del insumo i para el producto de la fábrica k en el intervalo t;
MMDkt = Demanda estocástica del mercado del producto de la fábrica k en el intervalo t;

JM2
f(MMDkt) = Funciones de distribución de probabilidad para la demanda del producto de la fábrica k en
17,1 intervalo t;
cykt = Rendimiento de crema para el producto de la fábrica k durante el intervalo t;
VPCk = Costo variable de producción por unidad de producto de la fábrica k;
mhcostikt = Costo de manejo de materiales de entrada i a k en el intervalo t.
qk = Cuota de producción del producto elaborado en fábrica k.
260 = Límite inferior de disponibilidad de leche entera en los BMC j en el intervalo t.
ljt
ujt = Límite superior de disponibilidad de leche entera en los BMC j en el intervalo t.
lkt = Límite inferior de la demanda del producto, producido en la fábrica k en el intervalo t.
ukt = Cota superior de la demanda del producto, producido en la fábrica k en el intervalo t.
uvsfkt = Límite superior del factor estacional variable en la fábrica k en el intervalo t.
lvlfkt = Límite inferior del factor estacional variable en la fábrica k en el intervalo t.
Notaciones utilizadas para las variables de decisión
Xikt = El volumen de insumo que muevo a la fábrica k en el intervalo t;

Tkt = Volumen total de producción del producto de la fábrica k en el intervalo t;
Zkt = 1, si la fábrica k opera en el intervalo t, 0 en caso contrario;
Bkt = Volumen de producción base del producto de la fábrica k en el intervalo t;
Pkt = Volumen de penalización del producto producido en la fábrica k en el intervalo t;
Mkt = El volumen de leche entera a fábrica k en el intervalo t;
Xkt = El volumen de crema de la fábrica k a la fábrica de alimentos para bebés en el intervalo t;
2.2 El modelo
En esta sección, se formula un modelo de programación no lineal de enteros mixtos para determinar el
mezcla de productos de una planta láctea bajo la interrupción de la oferta y la incertidumbre de la demanda. la optimización
modelo (Problema H) representa la maximización de la ganancia esperada (Problema H) de la siguiente manera:
Problema H ¼ E G½
Dónde; sol ¼
k k k i k
X Xt Tkt:ð Þspkt VPCk X Xt Paquete:Paquete X Xt Zkt: joder X X Xt Xikt:mhcostikt
k¼1 t¼1 k¼1 t¼1 k¼1 t¼1 i¼1 k¼1 t¼1
(1)
Sujeto a las restricciones:

k j ujt
X Mercado #X 1 punto þ ð Þpunto
1 :pjtg Mjt:f Mjt ð Þ:d Mjt ð Þ para todo t (2)
d ljt
k¼1 j¼1
Xikt #Zkt:mcik por todo yo; k; t (3)
i
X Xikt:pyikt ¼ Tkt para cada k; y T (4)
i¼1
reino unido
Tkt # MMDkt:f MMDkt ð Þ:d MMDkt ð Þ para cada k y t (5)

d lkt
Paquete ¼ Paquete + Paquete para cada k y t (6) Decisión de
planificación
Mercado: cykt ¼ Xkt para cada k y t (7) de la producción.
Xt Paquete # Qk por cada k

t¼1
(8) 261
Tkt; paquete; paquete; Xikt; Xkt; Mkt 0 y Zkt es binario
La función objetivo en la ecuación (1) consta de cuatro términos: ingresos, costo de penalización, costo fijo y costos
de manejo de materiales. La lechería vende el producto a dos precios diferentes: precio de venta base en una
situación normal y precio ajustado (menor que el precio de venta base) cuando avanza la planificación. La gerencia
impone multas y cuotas de producción sobre productos específicos para fomentar la combinación de productos
requerida. Debido a esto, la gestión pierde ingresos, lo que se denomina costo de penalización. El tercer término de
la ecuación (1) es el costo fijo, que no depende del volumen de producción. Sin embargo, se vuelve cero cuando la
fábrica no opera a tiempo. Zkt es una variable binaria; Zkt = 1, cuando la fábrica opera en el tiempo t; o 0 en caso
contrario. El último término en la ecuación (1) es el costo de manejo de materiales. El material de entrada dentro de
la planta se mueve a diferentes fábricas mediante equipos de manejo de materiales e incurre en el costo total de
manejo de materiales.
De manera similar, las restricciones son la restricción de disponibilidad de leche entera [Ecuación (2)], la
restricción de capacidad en cada fábrica [Ecuación (3)], la restricción de rendimiento del producto [Ecuación (4)], la
restricción de demanda del mercado [Ecuación (5)], restricción de producción [Ecuación (6)], restricción de
subproductos [Ecuación (7)] y restricción de producción base [Ecuación (8)]. Toda la leche entera disponible en cada
BMC debe procesarse en las fábricas. Sin embargo, en el caso de que la capacidad de la fábrica sea insuficiente, el
modelo no puede hacerse cargo del excedente de leche entera. Por lo tanto, la leche entera total requerida en todas
las fábricas debe ser inferior a la disponibilidad general en los BMC. Cada fábrica tiene una capacidad limitada para
procesar leche entera o crema en un día.
De manera similar, la capacidad se expresa en términos del número de insumos porque los rendimientos de los
productos varían con el tiempo. Algunas fábricas de alimentos para bebés pueden procesar múltiples insumos
simultáneamente. Cada producto y subproducto tiene una restricción de rendimiento. Esto relaciona el volumen de
salida producido con el volumen de materiales de entrada como la leche entera. El rendimiento de la leche entera
para diferentes productos varía estacional y geográficamente. El rendimiento varía de una fábrica a otra. Dado que
una lechería produce productos a partir de uno o varios materiales de entrada, existe una restricción para garantizar
la proporción correcta entre las entradas. Para restringir la sobreproducción en el período de planificación, la gerencia
decide el volumen de producción de cada producto, que es menor o igual a su demanda de mercado. Como los
productos lácteos son perecederos, la gerencia trata de vender la producción total de un producto a su precio de
venta base para obtener la máxima ganancia. Sin embargo, existe la posibilidad de algunos productos no vendidos.
Por lo tanto, la gerencia vende una parte de la producción total a un precio más bajo, lo que se denomina producción
de penalización. Entonces, la producción total se divide en producción base y producción de penalización. La
producción de penalización de productos fomenta la combinación de productos en el período de planificación. La
restricción de rendimiento para el subproducto actúa como una restricción de balance de volumen. Por ejemplo, el
volumen de crema enviado desde la fábrica k a la fábrica de alimentos para bebés K depende del total de leche
entera entregada a la fábrica k. Cuando existen sanciones, el modelo trata de maximizar la producción base para
aumentar la ganancia esperada. Así, la producción base máxima de un producto está acotada dentro de su cuota de
producción. La disponibilidad de leche entera en cada BMC se ve afectada por riesgos e incertidumbres como los
riesgos de interrupción y la variación de la producción de leche entera, respectivamente. Para cuidar de
JM2 riesgos de interrupción, modelamos la probabilidad de interrupción en cada BMC de acuerdo con Berger et
al. (2004) que se da de la siguiente manera:
17,1
El modelo se desarrolla para resolver los problemas de planificación de la producción y de requisitos de
material de una planta lechera bajo el riesgo de interrupción del suministro y la incertidumbre de la demanda
en el contexto indio. Este modelo maneja estratégicamente la disponibilidad estocástica de la leche cruda en
el lado de la oferta considerando la probabilidad de interrupción de súper evento, interrupción de evento único
262
Probabilidad de interrupción
La probabilidad de que los BMC j fallen debido a un súper evento en el tiempo t pt

La probabilidad de que los BMC j fallen debido al evento único pero sin el súper evento en el tiempo t (1-pt) pjt.
La probabilidad de que los BMC j fallen debido a un evento único o al súper evento en el tiempo t pt þ (1-pt) pjt
La probabilidad de que los BMC j no fallen debido a un evento único ni al súper evento en el tiempo (1 – (punto þ (1-pt) pjt))
t
y factores estacionales variables. También captura la demanda estocástica de productos finales de la cadena
de suministro. Aunque la metodología propuesta no ha sido validada teóricamente y está diseñada en base
a los datos disponibles de la industria láctea, el estudio cree que también es muy relevante para otras
lecherías. Como existe una investigación limitada sobre este tema en particular, proporcionará pautas a los
gerentes de planta/tomadores de decisiones para planificar la producción y la planificación de requisitos de
material de manera efectiva en diferentes fábricas de la planta de lácteos bajo riesgo de interrupción del
suministro con incertidumbre de la demanda.
En la próxima sesión se presenta un caso para validar el modelo anterior.
3. El caso
OMFED es una de las lecherías en el estado de Odisha, India. Los principales objetivos de OMFED incluyen
la promoción, producción, adquisición, procesamiento y comercialización de leche y productos lácteos para
el desarrollo económico de la comunidad agrícola rural en Odisha, India. Es una sociedad cooperativa lechera
de nivel superior registrada bajo la Ley de Sociedad Cooperativa de 1962.
Nace para integrar a los productores de leche de las zonas rurales con los consumidores de las zonas
urbanas con actitud emprendedora. OMFED comprende 11 lecherías de las cuales consideramos solo una:
Balasore Dairy (en lo sucesivo, solo la lechería) que incluye tres distritos del norte de Odisha, a saber,
Balasore, Bhadrak y Mayurbhanj. La lechería se ve afectada por fallas en el suministro en sus BMC debido a
súper eventos y eventos únicos como ciclones, inundaciones, olas de calor, huelgas gubernamentales y
locales y enfermedades de las vacas. La lechería recolecta alrededor de 2615 unidades de leche por día a
través de 29 sociedades cooperativas activas de los distritos de Bhadrak, Balasore y Mayurbhanj.
3.1 Escenario de producción de la planta de

lácteos La lechería produce cuatro tipos de productos lácteos, a saber, leche tonificada, bitonada, cuajada y
leche en polvo para bebés de sus cuatro plantas de procesamiento diferentes (Figura 2). Para producir estos
productos, la lechería requiere la leche entera de sus BMC y algunos subproductos de sus plantas de
procesamiento. La lechería recolecta la leche entera de los granjeros a través de sus BMC ubicados en la
sede de la región en cuestión y la almacena en un congelador a granel en la planta. La leche tonificada, la
bitonada y la cuajada requieren leche entera como materia prima, mientras que
Producción
planificación
decisión
263
Figura 2.
Diagrama estructural de
el diario
Se requieren diversos materiales de entrada como leche entera, suero y crema para la producción de
leche en polvo para alimentos infantiles (aquí el suero y la nata son dos subproductos de otras fábricas).
Ahora la lechería sigue su propia planta de producción, y la ganancia existente de la lechería es
81,405.5 en valor monetario.
3.2 Recopilación de datos
Los datos se recopilan a través de visitas al sitio de la lechería. Se realizan entrevistas con el
gerente de planta y jefe de marketing en la oficina corporativa. La Tabla 1 muestra la venta base
precio, costo variable de producción, costo de penalización y rendimiento del producto de la leche entera.
El precio base de venta varía de un producto a otro. El costo variable de producción
varía de una fábrica a otra y depende del costo de producción promedio del final
producto y factor estacional. El costo promedio de producción es una función del volumen de
leche entera requerida para producir una unidad del producto final y la adquisición promedio
costo de la unidad de volumen de leche cruda entera. Como ambos son constantes independientemente de las estaciones,
El costo promedio de producción permanece constante para un producto final en particular, independientemente de
diferentes temporadas. El costo variable de producción de un producto varía con las estaciones: verano,
lluviosa e invernal con distinto índice de estacionalidad. Este estudio da una distribución normal a
un factor estacional que oscila entre 0,75 y 1,2. Costos de penalización por diferentes productos como tonificados
la leche, la leche bicolor, la cuajada y la papilla son 2, 1,5, 3 y 8, respectivamente, en el orden monetario
unidad. El costo fijo en la unidad monetaria para cuatro fábricas, a saber, entonado, doble entonado, cuajada
Precio base de venta Costo promedio de producción Costo de penalización Rendimiento del producto de leche entera
Producto/Fábrica P1 P2 P3 P1 P2 P3 P1 P2 P3 P1 P2 P3
Tabla 1.
tonificado 28 28 28 20 26 26 26 18 20 20 2 2 2 18 1,5 1,8 1,82 1.9
precio base de venta,
doble tono 40 40 40 30 200 200 200 18 1,5 1,5 30 3 3 3 2,0 2,1 2.0
producción media
Cuajada 140 30 140 8 8 8 0,7 0,75 0.74
140 0,5 0,52 0,53 costo, costo de la penalización y
Comida para bebé
rendimiento del producto de
Nota: *P1, P2 y P3 representan los períodos 1, 2 y 3, respectivamente productos

JM2 y alimentos para bebés son 2.200, 2.500, 2.700 y 3.000, respectivamente. La capacidad de producción en
tonificadas, bitonadas, cuajadas y fábricas de papillas es de 4.000, 4.000, 2.000, 1.350 unidades,
17,1
respectivamente. El rendimiento se expresa en unidades de producto por unidad de insumo. El rendimiento depende de
composición de la leche y varía tanto geográficamente como estacionalmente. El rendimiento de una entrada es
decidido por el porcentaje de contenido de grasa (por ejemplo, mantequilla y AMF) y/o porcentaje de proteína
contenido (queso). Aumenta gradualmente de agosto a enero y principios de mayo.
La Tabla 2 muestra la recolección diaria promedio de leche y el precio de compra por unidad de leche entera .
264
Leche. Aquí, capacidad significa la disponibilidad promedio de leche entera por día en unidades. los
La demanda de mercado de cada producto sigue una distribución normal a lo largo de la planificación.
período con una media y una desviación estándar (Tabla 3).
A medida que avanza la temporada, la junta de la industria láctea impone sanciones y cuotas
en ciertos productos para cuidar la sobreproducción y las pérdidas. Las cuotas de producción de los
tonificados, bitonados, cuajada y papillas son 4.000, 4.000, 3.000 y 700 unidades, respectivamente.
El costo unitario de manejo de materiales de todos los materiales de entrada varía de una fábrica a otra con el tiempo.
(Cuadro 4). Costos de manejo de materiales en la fábrica de alimentos para bebés para leche entera, suero y crema
son 1, 1,5 y 3, respectivamente.
Los BMC debajo de la lechería están sujetos a dos tipos de fallas en el suministro debido a los riesgos de interrupción,
a saber, súper evento y evento único. Balasore BMC se ve afectado principalmente por estas dos fallas
eventos que los otros dos BMC Bhadrak y Mayurbhanj (Tabla 5).
A partir de los datos, se observa que los BMC de Balasore y Bhadrak son más frecuentes
afectados por inundaciones y ciclones en un año (www.imdorissa.gov.in/). Recolección de leche entera
de diferentes BMC bajo la lechería varía estacionalmente. La colección toma valor máximo en
Balasore Bhadrak Mayurbhanj

CON Capacidad PPL NOC Capacidad PPL NOC Capacidad PPL
Soro 19 Khaira 18 120 Kaupur 17 60 Betnoti 16 90

Bahanaga 19 Jaleswar
17 80 Kenduapada 16 70 Baisinga 15 70
Nilagiri 17 Basta 18 60 Dhamnagar 18 80 Udala 15 100
Markuna 19.5 Rupsa
19 150 aradi 17 90 Rairangpur 16 120
Haldipada 18 Balasore
17 130 Chandbalí 16 40 Karanjía 17 90
70 mateo 16 50 Kaptipada 17 110
50 guerra de gantes 18 85 Jashipur 18 130
90 Bhadrac 17 80 Kuliana 16 100
Tabla 2.
70 Sabaranga 16 90 Kendumundi 17 90
leche diaria promedio 150 100 . . .. . .. . .. . . .. . . . . .. . .
Basudevpur 17
colección y
precio de compra por Notas: NOC: nombre de una sociedad cooperativa, PPL: precio de compra por litro de leche entera en moneda
litro de leche entera unidad
Periodo 1 Período 2 Período 3

Producto Significar Dakota del Sur Significar Dakota del Sur Significar Dakota del Sur
Tabla 3. tonificado 70 100 80

2.400 2.450 2500
Media y estándar doble tono 2.200 60 2.350 70 2400 90
desviación (DE) de Cuajada 1.000 50 1.100 55 1200 70
productos Comida para bebé 180 30 200 40 250 50

septiembre – octubre y se vuelve mínimo en mayo – junio. Sin embargo, para una estación en particular, Producción
la colección de leche entera varía normalmente con un valor medio (Cuadro 6). planificación
decisión
4. Resultados y discusión
En esta sección, llevamos a cabo un estudio numérico para ilustrar el modelo. Usamos los datos
recogidos de la lechería para el análisis. Cada problema se resuelve utilizando el software AMPL
con el solucionador de optimización GUROBI en Windows 8, sistema operativo de 64 bits con 4 GB de RAM.
265
La Tabla 7 muestra los resultados numéricos del modelo sugerido para la producción
Planificación de la planta lechera. De la Tabla se observa que la producción de cuajada es cero;
por lo tanto, para maximizar la ganancia esperada, se recomienda que no se produzca cuajada
durante todo el período de planificación. Esto se debe a la escasez de disponibilidad de leche entera para
producir cuajada después de cumplir con los requisitos para producir alimentos tonificados, bitonados y para bebés
Tabla 4.
Fábrica Periodo 1 Período 2 Período 3
manejo de materiales
tonificado 0,8 0,9 0.8 costos en tonos, doble
doble tono 0,78 0,75 0.8 tonificado y cuajado
Cuajada 0,7 0,75 0.75 fábricas
Eventos de falla Periodo 1 Período 2 Período 3
Súper evento 0.02 0.022 0.025
Tabla 5.
Evento único
Bhadrak 0,07 0,072 0.075 Súper evento y
Balasore 0,08 0,081 0.082 fallo de evento único
Mayurbhanj 0,05 0,051 0.052 probabilidad
Periodo 1 Período 2 Período 3

BMC Significar Dakota del Sur Significar Dakota del Sur Significar Dakota del Sur
Tabla 6.
Bhadrak 750 30 780 40 800 50 Media y estándar
Balasore 970 40 1.000 45 1.050 50 desviación (DE) de
Mayurbhanj 1,000 30 1.100 40 1.200 50 leche entera
Mezcla de productos y producción total en litros Producción de penalización en litros Producción base en litros Tabla 7.
Producto P1 P2 P3 P1 P2 P3 P1 P2 P3
mezcla de productos y
tonificado 2.068 2.415 1.636 0 2,119 0 2.068 296 1.636

producción total,
Cuajada de 1.484 1.628 2.284 0 1,396 0 1.484 232 2.284 producción de penales
doble tono 0 0 000 y producción básica
Comida para bebé 0 162 0 182 0 227 0 00 0 162 182 227 en litros
JM2 y también por rotación mínima a partir de una unidad de cuajada. Como el volumen de negocios de tonificado, doble
alimentos tonificados y para bebés son máximos que el de la cuajada, estos productos se producen en el
17,1
período de planificación.
Los resultados de la Tabla 7 también brindan información sobre la producción base y la penalización.
producción de un producto. En el horizonte de planificación, la planta láctea enfrenta un volumen de penalización de
2.119 unidades por tonificado y 1.396 unidades por bitonado en el periodo 2. Este resultado se debe a la
266 efecto de la naturaleza estocástica de la demanda de productos finales sobre la producción total, base
producción y producción de penalización, disponibilidad limitada de leche cruda, decisión incorrecta sobre
cuota de producción y facturación unitaria de diferentes productos. La tabla 8 muestra el material
planificación de requerimientos en las diferentes fábricas de la planta.
La tabla da insumos a diferentes fábricas para producir los productos en la planificación
período, que se decide por el rendimiento del producto y el rendimiento del subproducto. La Figura 3 muestra el
representación gráfica de la combinación de productos del diario de casos en la situación existente. Para
esta mezcla de productos, la solución del modelo da una ganancia esperada de 88,195 en dinero
valor, que es un 8,34% superior al beneficio existente.
4.1 Análisis de sensibilidad

En esta sección, realizamos el análisis de sensibilidad para optimizar aún más el objetivo del modelo.
4.1.1 Utilidad esperada vs cuota de producción. El efecto de la cuota de producción sobre la expectativa
utilidad se muestra en la Tabla 9, en la que se observa que a un determinado valor de la cuota de producción
Tiempo
Fábrica Materia prima de entrada Periodo 1 Período 2 Período 3
tonificado Leche entera 1,149 1,327 861

doble tono 742 776 1141
Tabla 8.
Cuajada 0 0
Requisito de materiales Comida para bebé Leche entera 0 351 428
planeando en diferentes Suero 324 122 151
fábricas Crema 108 49 55 71
Figura 3.
Planeación de producción
en la lechería
Decisión de
Esperado
productos Cuota Lucro planificación
de la producción.
Leche 2,000 86,465.5
tonificada (variando la cuota de producción de leche Toed, manteniendo constantes las cuotas de 3,000 88,465.5
otros productos) 4,000 92,465.5
5,000 94,465.5
6,000 94,465.5 267
7,000 94,845.5
8,000 94,845.5
Leche de doble 2,000 87,465.5
tonificación (variando la cuota de producción de leche de doble dedo, manteniendo constantes 3,000 88,965.5
las cuotas de otros productos) 4,000 90,465.5
5,000 91,965.5
6,000 92,558.9
7,000 92,558.9
8,000 92,558.9 Curd
1,050 90,465.5 (varying the production quota of Curd, keeping the quotas of other products constant) 1,40090,465.5
90,465.51,800
1,600
90,465.5 2,000 90,465.5 2,200 90,465.5 2,500 90,465.5 600 90,465.5 650 90,465.5 700 90,465.5 750 90,465.5 800 90,465.5
850 90,465.5 900
90,465.5
Alimentos
para bebés (variando la cuota de producción de Alimentos para bebés, manteniendo constantes las cuotas de
otros productos) Tabla 9.
Efecto de la cuota de
producción sobre el
beneficio espera
Figura 4.
Análisis de sensibilidad
de cuota de producción
vs beneficio esperado
para cada producto, la ganancia esperada se vuelve máxima y luego se estabiliza. Esta tendencia
se debe a la disponibilidad limitada de leche entera por el lado de la oferta y la restricción en la
demanda del mercado de productos finales.
La figura 4 muestra la representación gráfica del análisis de sensibilidad de la cuota de producción
sobre la ganancia esperada. Al variar la cuota de producción de cada producto, se observa que a
7000 unidades de leche tonificada, 6000 unidades de leche bitonada, 600 unidades de papilla y 1050
unidades de cuajada, la ganancia esperada correspondiente se torna máxima y luego se estabiliza.
A continuación, la mezcla de productos durante el período de planificación se calcula a partir del modelo (Tabla 10).
JM2
De la Tabla, se observa que para cada producto, la producción de penalización se convierte en cero
17,1 y la producción base igual a la producción total en cada período del horizonte de planificación.
Ocurre debido a las restricciones en la cantidad de producción y la relación entre el total
producción, producción base y producción penal. Como no hay penalización por esto
mezcla de productos, la ganancia esperada se vuelve máxima y esta mezcla de productos se llama óptima
mezcla de productos.
268
La figura 5 muestra la combinación óptima de productos durante el período de planificación de Case Dairy en
términos de producción total, producción base y producción de penalización. Para esta mezcla de productos, el
la utilidad esperada es de 96.796,1 en valor monetario, que es un 15,9% superior a su utilidad existente.
En la cuota de producción máxima, el efecto de la probabilidad de interrupción en la ganancia esperada
se analiza (Cuadro 11). La utilidad esperada disminuye a medida que aumenta la probabilidad de falla debido
a una producción insuficiente causada por una recolección insuficiente de leche entera, es decir, debido a la disponibilidad
restricciones [Ecuación (6)].
El beneficio esperado del modelo se analiza variando el valor medio de la leche entera
colección manteniendo todos los demás parámetros constantes (Tabla 12).
El resultado muestra que la ganancia esperada aumenta. un aumento en el valor medio de la leche
colección y se vuelve estable para un mayor aumento en el valor medio. Se debe a las limitaciones
en la capacidad de producción de cada fábrica y la demanda del mercado de productos finales. Algunos de los
observaciones clave son:
Mezcla óptima de productos y total Producción de penalización óptima Producción base óptima en
producción en litros en litros litros
Tabla 10.
Producto P1 P2 P3 P1 P2 P3 P1 P2 P3
Mezcla óptima de productos
y totales Tonificado 2,068 0 0 0
2.415 1.636 2.068 2.415 1,636
producción, pena Cuajada 1.484 de doble tono 1.628 2.284 0 0 0 1.484 1.628 2,284
producción y base 0 0 0 0
producción en litros Comida para bebé 0 162 0 182 0 227 0 0 0 0 162 0 182 227
Figura 5.
Producción óptima
planificación en la lechería
Decisión de
Eventos de falla Periodo de tiempo Ganancia esperada
Periodo 1 Período 2 Período 3 planificación
de la producción.
Probabilidad 0,02 0,022 0,025 90.465,5
de falla del súper evento 0,03 0,04 0,05 89.000,9
0,04 0,05 0,06 88.207,8
0,05 0,06 0,07 87.414,7
0,06 0,07 0,08 86.621,6 269
0,07 0,08 0,09 85.826,5
0,08 0,09 0,1 85.035,4
Probabilidad de Bajo Bhadrak 0,07 0,072 0,075 90.465,5
falla de evento único Balasore 0,08 0,081 0,075
Mayurbhanj 0,05 0,051 0,052
Bhadrak mediano 0,12 0,15 0,177 85.725,5
Tabla 11.
Balasore 0,11 0,14 0,16
0,1 0,12 0,14 Efecto de la
Mayurbhanj
Alto Bhadrak 0,22 0,25 0,275 75.087,5 probabilidad de
Balasore 0,21 0,24 0,26 interrupción
Mayurbhanj 0,2 0,22 0,24 sobre el beneficio esperad
Periodo de tiempo
Ganancia
BMC Periodo 1 ( )
metro Período 2 () metro Período3 () metro esperada
Bhadrak 550 580 600 71.553,9

Balasore 770 800 850
Mayurbhanj 800 900 1,000
Bhadrak 650 680 700 82.213,7
Balasore 870 900 950
Mayurbhanj 900 1000 1,100
Bhadrak 750 780 800 90.465,5
Balasore 970 1000 1,050
Mayurbhanj 1000 1100 1,200
Bhadrak 850 880 900 95.008,5
Balasore 1070 1100 1,150
Mayurbhanj 1100 1200 1,300
Bhadrak 950 980 1,000 97.902,95
Balasore 1170 1200 1,250
Mayurbhanj 1200 1300 1,400
Bhadrak 1050 1080 1,100 99.075,1
Balasore 1270 1300 1,350
Mayurbhanj 1300 1400 1,500
Bhadrak 1150 1180 1,200 99.075,1
Balasore 1370 1400 1,450
Mayurbhanj 1400 1500 1,600
Bhadrak 1250 1280 1,300 99.075,1
Balasore 1470 1500 1,550
Tabla 12.
Mayurbhanj 13500 1600 1,700
Bhadrak 15601 1360 1,400 99.075,1 Efecto de la recolección
Balasore 1,650 media de leche entera
Mayurbhanj 1,800 sobre la ganancia esperada
JM2 La combinación de productos en el proceso de producción controla la ganancia esperada de la lechería y la

combinación óptima de productos maximiza la ganancia esperada.
17,1
La producción de penalización en la combinación óptima de productos de cada producto final se vuelve cero y
minimiza la pérdida debido a la penalización.
La combinación óptima de productos se ve afectada por la probabilidad de interrupción, la incertidumbre de la

demanda y la cuota de producción predeterminada para cada producto final.
270
Hasta un valor particular de la cuota de producción, la ganancia esperada de la cadena de suministro se vuelve
máxima y luego permanece constante debido a la disponibilidad limitada de leche entera.
5. Conclusión La
planificación de la producción de una cadena de suministro de productos perecederos suele ser complicada y la situación
se vuelve grave si se materializan los riesgos de interrupción. En este contexto, desarrollamos un modelo de programación
no lineal entero mixto, que sugiere la combinación óptima de productos que maximiza la ganancia esperada de una
planta lechera a partir de la ganancia existente. Estudiamos el efecto de los parámetros de entrada, como la consecuencia
de la interrupción del suministro y la cuota de producción en la ganancia esperada de la lechería. Del análisis numérico
se observa que la combinación óptima de productos se ve afectada por la probabilidad de interrupción, la incertidumbre
de la demanda y la cuota de producción predeterminada para cada producto final. El estudio también sugiere la
planificación de requerimientos de materiales en diferentes fábricas de la planta de lácteos.
Es difícil obtener una solución analítica de forma cerrada al problema debido a la inclusión de muchos parámetros.
Por lo tanto, se puede diseñar un algoritmo en el futuro para superar la complejidad del modelo. Otras extensiones
podrían considerar la disponibilidad de excedentes de leche entera en el lado de la oferta y la variación de los precios de
venta de la leche entera durante la temporada de escasez y abundancia.
Referencias
Accorsi, R., Gallo, A. y Manzini, R. (2017), “Un modelo de apoyo a las decisiones impulsado por el clima para la distribución de
productos perecederos”, Journal of Cleaner Production, vol. 165, págs. 917-929.
Amorim, P., Günther, HO y Almada-Lobo, B. (2012), “Planificación integrada multiobjetivo de producción y distribución de productos
perecederos”, International Journal of Production Economics, vol. 138 núm. 1, págs. 89-101.
Benseman, BR (1986), “Planificación de la producción en la industria láctea de Nueva Zelanda”, Journal of the
Sociedad de investigación operativa, vol. 37 núm. 8, págs. 747-754.
Berger, PD, Gerstenfeld, A. y Zeng, AZ (2004), “¿Cuántos proveedores son los mejores? Un enfoque de análisis de decisiones”,
Omega, vol. 32 núm. 1, págs. 9-15.
Bilgen, B. y Çelebi, Y. (2013), “Programación integrada de la producción y planificación de la distribución en la cadena de suministro
de productos lácteos mediante modelos híbridos”, Annals of Operations Research, vol. 211 núm. 1, págs. 55-82.
Duong, LN, Wood, LC y Wang, WY (2015), “Un sistema de gestión de inventario de criterios múltiples para productos perecederos y
sustituibles”, Procedia Manufacturing, vol. 2, págs. 66-76.
Fattahi, M. y Govindan, K. (2018), “Un programa estocástico de varias etapas para el diseño sostenible de las redes de la cadena de
suministro de biocombustibles bajo la incertidumbre del suministro de biomasa y el riesgo de interrupción: un estudio de caso
de la vida real”, Investigación en transporte Parte E: Revista de logística y transporte, vol. 118, págs. 534-567.
Felfel, H., Ayadi, O. y Masmoudi, F. (2016), “Planificación de la cadena de suministro multisitio estocástica multiobjetivo bajo la
incertidumbre de la demanda considerando el riesgo a la baja”, Computers and Industrial Engineering, vol. 102, págs. 268-279.
Gorton, M., Dumitrashko, M. y White, J. (2006), “Superar el fracaso de la cadena de suministro en el sector agroalimentario: un estudio
de caso de Moldova”, Food Policy, vol. 31 núm. 1, págs. 90-103.
Guan, Z. y Philpott, AB (2011), “Un modelo de programación estocástica de varias etapas para la industria láctea de Nueva Decisión de
Zelanda”, International Journal of Production Economics, vol. 134 núm. 2, págs. 289-299.
planificación
Lan, Y., Zhao, R. y Tang, W. (2011), “Criterio de riesgo mínimo para problemas inciertos de planificación de la producción”,
de la producción.
Informática e ingeniería industrial, vol. 61 núm. 3, págs. 591-599.
Leung, SC y Ng, WL (2007), “Un modelo de programación por objetivos para la planificación de la producción de productos
perecederos con aplazamiento”, Computers and Industrial Engineering, vol. 53 núm. 3, págs. 531-541.
Mirzapour Al-E-Hashem, SMJ, Malekly, H. y Aryanezhad, MB (2011), “Un modelo de optimización robusto multiobjetivo para la 271
planificación de la producción agregada de múltiples productos y sitios múltiples en una cadena de suministro bajo
incertidumbre”, International Journal of Economía de la producción, vol. 134 núm. 1, págs. 28-42.
Mishra, PK y Shekhar, BR (2011), “Impacto de los riesgos e incertidumbres en la cadena de suministro: una perspectiva de la
industria láctea”, Journal of Management Research, vol. 3 núm. 2, pág. 1.
Mula, J., Poler, R., García-Sabater, JP y Lario, FC (2006), “Modelos para la planificación de la producción bajo incertidumbre:
una revisión”, International Journal of Production Economics, vol. 103 núm. 1, págs. 271-285.
Prakash, S., Soni, G., Rathore, APS y Singh, S. (2017), “Análisis y mitigación de riesgos para la cadena de suministro de
alimentos perecederos: un caso de la industria láctea”, Benchmarking: An International Journal, vol. 24 núm. 1, págs. 2-23.
Ray, P. y Jenamani, M. (2016a), “Análisis de varianza media de la decisión de abastecimiento bajo riesgo de interrupción”,
European Journal of Operational Research, vol. 250 núm. 2, págs. 679-689.
Ray, P. y Jenamani, M. (2016b), "Decisión de abastecimiento bajo riesgo de interrupción con incertidumbre de oferta y
demanda: un enfoque de vendedor de noticias", Annals of Operations Research, vol. 237 núms. 1/2, págs. 237-262.
Sankaran, JK y Luxton, P. (2003), “Logística en relación con la estrategia en la industria láctea: el caso de los productos lácteos
de Nueva Zelanda”, International Journal of Operations and Production Management, vol. 23 núm. 5, págs. 522-545.
Sarkar, A. y Mohapatra, PKJ (2009), “Determinación del tamaño óptimo de la base de suministro considerando los riesgos de
interrupciones del suministro”, International Journal of Production Economics, vol. 119 núm. 1, págs. 122-135.
Sinha, MK, Dhaka, JP y Meena, MS (2012), “Economía de la producción de leche y microfinanciación

impactos en Chhotanagpur platue de Jharkhand”.
Tang, CS (2006), “Perspectivas en la gestión de riesgos de la cadena de suministro”, International Journal of Production
Economics, vol. 103 núm. 2, págs. 451-488.
Tometzki, T. y Engell, S. (2010), “Gestión de riesgos en la planificación de la producción bajo incertidumbre mediante algoritmos
evolutivos híbridos multiobjetivo”, Ingeniería química asistida por computadora, vol. 28, págs. 151-156.
Tomlin, B. (2006), “Sobre el valor de las estrategias de mitigación y contingencia para la gestión de la cadena de suministro
riesgos de interrupción”, Management Science, vol. 52 núm. 5, págs. 639-657.
Yin, S. y Nishi, T. (2014), "Un procedimiento de solución para la formulación de programación no lineal de enteros mixtos de la
planificación de la cadena de suministro con descuentos por cantidad bajo la incertidumbre de la demanda",
International Journal of Systems Science, vol. 45 núm. 11, págs. 2354-2365.
Se puede contactar al autor

para correspondencia Pritee Ray en: pritee.r@iimranchi.ac.in
Para obtener instrucciones sobre cómo solicitar reimpresiones de este artículo, visite nuestro sitio web:
www.emeraldgrouppublishing.com/licensing/reprints.htm O comuníquese con nosotros para obtener
más detalles: permisos@emeraldinsight.com
El número actual y el archivo de texto completo de esta revista están disponibles en Emerald
Insight en: www.emeraldinsight.com/1741-038X.htm
JMTM
31,1
Evolución de la movilidad de la fabricación
en la Industria 4.0: el caso de las
industrias de procesos
52
João Barata y Paulo Rupino Cunha
Departamento de Ingeniería Informática,
Recibido el 15 de octubre de 2018
Revisado el 4 de febrero de 2019

Universidade de Coimbra, Coimbra, Portugal, y
29 abril 2019
Aceptado el 1 de mayo de 2019

sharon coyle
Sistemas de información empresarial, Universidad de Sydney, Sydney, Australia
Resumen
Propósito: el propósito de este documento es presentar un enfoque para incorporar la movilidad en la fabricación continua
luego del advenimiento de la Industria 4.0 (I4.0).
Diseño/metodología/enfoque: la investigación se basa en una investigación de acción canónica de un año de duración en una
empresa de fabricación de papel que implementa tecnologías básicas I4.0.
Hallazgos: los hallazgos muestran cómo: clasificar la estrategia de movilidad de fabricación en función de las dimensiones del
equipo, la tarea y el control; diseñar procesos comerciales habilitados por recursos ciberfísicos móviles; involucrar a diferentes
partes interesadas en la modelización de la movilidad; y crear una guía integral para asistir en la implementación de la
digitalización móvil requerida por I4.0.
Limitaciones/implicaciones de la investigación: a pesar de la complejidad, riqueza y profundidad de los conocimientos obtenidos
en esta investigación para la gestión de la movilidad en las industrias de procesos, esta investigación se llevó a cabo en una
sola organización.
Implicaciones prácticas: dado que la cuarta revolución industrial fomenta la descentralización y una mayor interacción entre
humanos y máquinas, este documento presenta un modelo para capturar el potencial de movilidad en la fabricación. Las
herramientas propuestas en esta investigación se pueden utilizar para orientar las inversiones en transformaciones de la
industria que fusionen los mundos físico y digital, superando las limitaciones de movilidad.
Originalidad/valor: en teoría, este documento amplía el concepto de movilidad de fabricación en I4.0. En la práctica, propone
una hoja de ruta participativa para ayudar a la gestión de la tecnología en entornos cada vez más descentralizados,
identificando la red entrelazada de actores, procesos y servicios ciberfísicos.
Palabras clave Investigación-acción, Implementación de tecnología, Sistemas de información, Industria 4.0,
Mejora de la producción, Reingeniería de procesos de negocio Tipo de artículo Artículo de investigación
Introducción La
movilidad es un componente clave de la cuarta revolución industrial (Industria 4.0 (I4.0)), y se espera
que el uso de dispositivos móviles en los negocios siga creciendo a una tasa del 6,9 % hasta 2022
(Mearian, 2017). Los procesos y las líneas de producción se están descentralizando en todo el
mundo. El contexto en el que compiten las organizaciones está cambiando a un ritmo sin precedentes
debido a los avances tecnológicos, especialmente con los dispositivos móviles y la computación en la nube.
La movilidad es ahora la norma en muchas áreas de la sociedad (Middleton et al., 2014), lo que lleva
a los gerentes de fabricación a incluir la conectividad móvil en sus agendas estratégicas que
reconocen "la inevitabilidad de la consumerización de TI" (Harris et al., 2011, p. 110). ) y la necesidad
de adoptarlo proactivamente. Empresas de todo el mundo están implementando cambios tecnológicos
para lograr una integración digital horizontal, vertical y de extremo a extremo en las cadenas de
suministro distribuidas (Wang et al., 2016). Sin embargo, los grandes retos y requisitos de I4.0 no
son puramente tecnológicos, sino que apuntan a la estandarización, la organización del trabajo, los
Revista de gestión de
tecnología de fabricación nuevos modelos de negocio y la importancia de los principios de diseño para los nuevos escenarios
vol. 31 No. 1, 2020 págs.
52-71 © Emerald
que se ofrecen (Acatech, 2013; Hermann et al., 2016). ; Lasi et al., 2014; Smit et al., 2016).
Publishing Limited 1741-038X I4.0 se puede definir como “la organización de los procesos de producción basados en tecnología
DOI 10.1108/JMTM-10-2018-0361
y dispositivos que se comunican de forma autónoma entre sí a lo largo de la cadena de valor”
(Smit et al., 2016, pág. 7). Hay varias innovaciones tecnológicas en I4.0, incluidos los dispositivos móviles, la Movilidad
computación en la nube y el Internet de las cosas (Oesterreich y Teuteberg, 2016) que requieren la creación de
de fabricación en
hojas de ruta estratégicas adaptadas a cada tipo de industria y contexto competitivo (Ghobakhloo, 2018). Los
sistemas de información móvil (MobIS) son pilares de I4.0. Por ejemplo, en la industria aeronáutica, los sistemas
evolución en
móviles se pueden encontrar en el proceso de reparación de mantenimiento crítico (Koornneef et al., 2017). Sin la Industria 4.0
embargo, a pesar del uso generalizado de tecnologías móviles para uso personal, la adopción de sistemas
móviles en la fabricación aún se encuentra en sus primeras etapas de evolución (Moffitt et al., 2016), lo que
53
requiere investigación adicional y el desarrollo de prototipos (Bankosz y Kerins, 2014). Mucho ha cambiado desde
1997, cuando Puuronen y Savolainen (1997) publicaron una visión ejecutiva de MobIS, pero un aspecto parece
aún más crítico hoy en día, a saber, “la flexibilidad y adaptabilidad de las plataformas y aplicaciones de servicios
de TI móviles. Cada organización debería tener la oportunidad de adaptar sus sistemas de información móvil
[…]” (p. 18).
Para tener éxito, la implementación de la estrategia móvil requiere abordar un desafío triple: “(1) seleccionar
las capacidades del sistema que se alinean con la intención estratégica y la habilitan; (2) implementar los sistemas
con éxito dentro de la organización y (3) producir el cambio organizacional necesario para permitir que se realice
la intención estratégica” (Arvidsson et al., 2014, p. 56). Sin embargo, las industrias de procesos tienen
especificidades que hacen de la movilidad un desafío, por ejemplo:
• líneas de producción continua que requieren mucha fluidez, agilidad y flexibilidad para alinearse con la
estrategia de la empresa (Chatterjee et al., 2017; Esturilho y Estorilio, 2010);
• reducida movilidad geográfica de la producción; y • roles de
trabajo rígidos dentro del ciclo de vida de producción.
La falta de implementación de la intención estratégica de la movilidad puede conducir a lo que Arvidsson et al.
(2014) denominada ceguera estratégica. Las ideas anteriores conducen a la siguiente pregunta de investigación:
RQ1. ¿Cómo se puede desarrollar la movilidad de la fabricación en las industrias de proceso para que
se adhiere a la estrategia I4.0?
El resto de este documento está organizado de la siguiente manera. La siguiente sección explica la motivación
de esta investigación, que está particularmente inspirada en el trabajo de Chatterjee et al. (2017), en relación con
la fluidez organizacional habilitada por las tecnologías móviles. Su trabajo sugiere que se necesita investigación
futura sobre “principios de diseño para las TIC móviles que respaldan el trabajo móvil, y el diseño de los procesos
[…] que capturan tal fluidez, apropiándose adecuadamente de las TIC móviles” (Chatterjee et al., 2017, p. 9). A
continuación, se detalla el enfoque de investigación, es decir, la investigación acción canónica (CAR) tal como la
describen Susman y Evered (1978). Posteriormente, se presenta la revisión bibliográfica, enfocándose en trabajos
que pueden arrojar luz sobre tres áreas principales: la conceptualización de MobIS; cómo ir móvil; y los desafíos
organizacionales para la movilidad en las industrias de procesos. Esto seguido por una descripción de un ciclo de
investigación de acción de un año en una industria multinacional de fabricación de papel.
Sigue una discusión de los hallazgos y el documento concluye presentando las limitaciones del estudio y las vías
para futuras investigaciones.
Motivación del estudio El interés

de los autores por la movilidad en la fabricación surgió durante una visita a una fábrica de cerámica tradicional,
donde se encontraron tabletas en toda la línea de producción. Según el director de información, las razones para
su uso eran bastante obvias: las tabletas son más baratas y más pequeñas que las computadoras portátiles,
resisten bien el aire libre, el calor y el polvo; es más fácil capacitar a los usuarios porque las interfaces son
simples; las redes inalámbricas son fácilmente accesibles; y ellos
JMTM facilitar el registro de datos importantes y/o fotografías asociadas, por ejemplo, cuando ocurren problemas
31,1 con las máquinas o con la calidad del producto. Este caso motivó conversaciones con colegas e
investigadores de la industria, y los autores realizaron seis entrevistas exploratorias sobre este tema (Myers
y Newman, 2007) (con un promedio de 1,5 h cada una) con expertos de la industria de procesos continuos
en cerámica (dos), metalurgia (dos) y alimentos. (dos). Para obtener diversos puntos de vista, las empresas
entrevistadas fueron seleccionadas de los contactos de los autores de proyectos anteriores, según el ajuste
54 conceptual (Burton-Jones et al., 2015) y su necesidad de movilidad.
Durante estas entrevistas, los autores plantearon preguntas sobre cómo la definición tradicional de movilidad
manufacturera, “que conduce a la rápida transferencia del sistema y a la rápida respuesta de dispersión
estratégica” (Shi, 1998, p. 204), podría aplicarse a las crecientes interacciones entre unidades dispersas
sistemas ciberfísicos en I4.0.
Uno de los jefes de mantenimiento de una empresa líder en alimentación que está evolucionando hacia
la I4.0 afirmó que “me puedes quitar el portátil y todo el papel que quieras, te lo agradecería mucho […] lo
único que realmente puedo”. No me deshago de mi teléfono inteligente […] por lo que le estaría muy
agradecido si pudiera transformarlo en mi vínculo principal con la empresa, incluidas las máquinas, los datos
corporativos, las solicitudes […]”. Los autores se sorprendieron en otra situación (dentro de una empresa
metalúrgica global) cuando un alto directivo afirmó: “ya hemos estado usando tecnologías móviles en
nuestras tres líneas continuas desde hace bastante tiempo; una tableta en cada uno.” Sin embargo, al visitar
la instalación, se encontró que las tabletas estaban fijadas a la pared (por razones de seguridad, según
explicó el gerente) y se utilizaban como meras guías de operación de la máquina. Quedó claro que la
adquisición de tecnología móvil no es suficiente para garantizar la movilidad estratégica en contextos de
fabricación, como lo ilustra la contradicción de las tabletas montadas en la pared que no se pueden mover.
La movilidad en I4.0 no puede reducirse al mero uso de dispositivos móviles como smartphones y tablets
para acceder a la información. Tampoco se limita al rápido transporte y operación de equipos de fabricación
en distintos lugares (que ni siquiera es una prioridad para las industrias de procesos como la petroquímica,
papelera o petrolera). La movilidad I4.0 debe integrar aspectos como la movilidad de usuarios, máquinas y
procesos. Por lo tanto, los gerentes de la industria necesitan nuevos modelos con el potencial de ayudar en
las primeras etapas de identificación de prioridades para la transformación móvil, de acuerdo con la estrategia
organizacional. Los seis expertos industriales entrevistados estaban entusiasmados con un enfoque para
ayudar en el diseño de su estrategia móvil, las prioridades de desarrollo y los requisitos para la transformación
digital: infraestructura digital y servicios digitales (Andersen y Ross, 2016).
Este estudio reciente y la investigación anterior en 15 industrias de procesos fortalecieron la convicción

de los autores de que la movilidad en contextos industriales aún está en pañales. Teniendo en cuenta las
ventajas potenciales de los dispositivos móviles descritas anteriormente, su extensión a áreas “menos
móviles”, como la producción, debería incluirse en sus planes estratégicos.
Objetivos y enfoque de la investigación El

objetivo de esta investigación es proponer un enfoque para mejorar la movilidad en las industrias de proceso.
En consecuencia, se seleccionó CAR (Susman y Evered, 1978) como el método para guiar la intervención
en dos unidades medianas de una fábrica de producción de papel. CAR tiene el doble objetivo de contribuir
a la ciencia y, al mismo tiempo, resolver un problema organizativo real (McKay y Marshall, 2001). Es a la
vez riguroso y relevante, adecuado para comprender situaciones complejas en su entorno real (Baskerville,
1999; Davison et al., 2004). El CAR en la presente investigación se desarrolló en base a los siguientes cinco
pasos (Susman y Evered, 1978):
(1) Diagnosticar: identificar o definir la situación. Los participantes interpretan el fenómeno y formulan
hipótesis de trabajo para ser utilizadas en las siguientes fases del ciclo CAR.
(2) Planificación de la acción: especificar cursos de acción para mejorar la situación problemática.
(3) Toma de acción: hacer que ocurra el cambio y tratar de crear mejoras. Movilidad
(4) Evaluar las consecuencias de las acciones, involucrando un análisis crítico de los resultados. de fabricación en
(5) Especificar el aprendizaje: documentar y definir los resultados que se sumarán al evolución en
cuerpo de conocimientos. la Industria 4.0
Los autores siguieron los principios recomendados por Davison et al. (2004) para asegurar el rigor y la validez del
proyecto CAR, a saber, acuerdo investigador-cliente, modelo de proceso cíclico, teoría, cambio a través de la acción 55
y aprendizaje a través de la reflexión. Estos principios se utilizarán más adelante en este documento para guiar la
discusión.
Para preparar un marco de referencia teórico para la investigación-acción (Lau, 1999), los autores examinaron la
literatura existente utilizando las palabras clave: "sistema de información móvil" y "fabricación móvil" en EBSCO
Discovery, ScienceDirect, Google Scholar, Web of Science e IEEE Xplore. . Primero, los autores examinaron títulos
y resúmenes para identificar la aplicabilidad al alcance de la investigación y las posibles categorías de artículos. Los
criterios de inclusión fueron artículos en idioma inglés que abordaran el desarrollo móvil a nivel organizacional
(movilidad empresarial), proyecto (diseño e implementación) o proceso (ejemplos, experimentos y estudios de casos).
Se excluyeron los artículos que describían meros aspectos tecnológicos (p. ej., herramientas y aplicaciones móviles)
o que abordaban entornos no relacionados con la fabricación. Se realizaron búsquedas de referencias hacia adelante
y hacia atrás; por ejemplo, Chatterjee et al. (2017) surgió de la búsqueda de referencias hacia adelante en Overby
(2008). Se anotaron un total de 43 artículos utilizando la herramienta de gestión de referencias de Mendeley. La
siguiente sección resume la revisión de la literatura.
Revisión de literatura
Los autores identificaron tres categorías superpuestas de artículos:
(1) conceptual, incluidos los estudios que describen las definiciones y la naturaleza de los sistemas de información
en apoyo de la movilidad;
(2) operativa, con el objetivo de poner en práctica la movilidad; y (3)
organizacional, incluidos estudios sobre movilidad empresarial y desafíos asociados para contextos de fabricación.
Conceptualización de sistemas de información móvil (MobIS)

MobIS se puede definir como “sistemas de información en los que el acceso a los recursos y servicios de información
se obtiene a través de terminales de usuario final que se mueven fácilmente en el espacio, se pueden operar sin
importar la ubicación y, por lo general, cuentan con conexión inalámbrica” (Pernici, 2006). , pág. 4). Por lo tanto, es
necesario identificar:
• una visión organizacional compartida de la estrategia para la movilidad de fabricación y el negocio digital
(Bharadwaj et al., 2013; Chen et al., 2010; Scornavacca y Barnes, 2008);
• el potencial de movilidad de los procesos comerciales (Graham et al., 2005); • los
requisitos del usuario, incluido el contexto social, de tareas, personal, ambiental, informativo y espaciotemporal
(Göker y Myrhaug, 2008; Krogstie, 2001; Perry y Brodie, 2006); y
• las aplicaciones móviles de apoyo (Unhelkar y Murugesan, 2010) y las

dispositivos.
Los sistemas móviles se diferencian de las tecnologías de la información tradicionales en la capacidad de

personalización y se centran en las necesidades de los usuarios, la tecnología de soporte y las metodologías para el
desarrollo y las operaciones (Krogstie et al., 2004). Revisión de la literatura de Shiau et al. (2016)
JMTM concluyó que MobIS tiene características específicas en las siguientes áreas: aceptación de tecnología; éxito; el
valor del uso continuo de dispositivos móviles; adopción; comportamiento del usuario; la medición y evaluación del
31,1
comercio móvil; innovación y uso del comercio móvil; y oportunidades y desafíos que presenta la tecnología móvil.
Sin embargo, existe un vacío en la literatura sobre pautas para ayudar a los gerentes de la industria en el desarrollo
de las características mencionadas anteriormente.
A pesar de la definición clara (Pernici, 2006) y el valor estratégico de TI para la movilidad (Barnes y Scornavacca,
56
2006; Scornavacca y Barnes, 2008), los autores no pudieron encontrar ningún estudio que se centrara en las
industrias de procesos. Estas industrias se enfrentan a los desafíos de I4.0 (Comisión Europea, 2016), incluida la
descentralización de los procesos de producción (Brettel y Friederichsen, 2014) y las cadenas de suministro móviles.
Aunque existen dificultades obvias para mover equipos complejos utilizados en la producción continua (como papel
y productos químicos), se pueden implementar nuevas tecnologías para mejorar la movilidad de las funciones (por
ejemplo, identificar planes de mantenimiento preventivo utilizando códigos de respuesta rápida (QR) en la línea de
fabricación) , procesos (por ejemplo, muestreo descentralizado e inspecciones de calidad) o información (por
ejemplo, realidad aumentada para evaluar paneles y procedimientos de fabricación). Deben implementarse nuevos
canales de información para aumentar la movilidad en las industrias de procesos.
Pasando a la movilidad con las tecnologías de la

información MobIS se puede utilizar para identificar la presencia y el comportamiento de la fuerza laboral local y
remota utilizando capacidades de geolocalización (Ríos-Aguilar y Lloréns-Montes, 2015). Las aplicaciones
potenciales incluyen: la estimación de la ejecución de tareas según la ubicación del empleado en la planta;
reemplazando la presencia de control existente; y en situaciones de emergencia, por ejemplo, cuando es necesario
abandonar áreas industriales específicas por razones de seguridad. Se han propuesto nuevas herramientas para
desarrollar aplicaciones móviles, por ejemplo, MARPLE (Pryss et al., 2010), que es un marco de desarrollo y un
motor de proceso ligero. Sin embargo, persisten deficiencias en los métodos que involucran a las partes interesadas
en la mejora de la movilidad.
Además, a pesar de los extensos ejemplos en sectores económicos específicos (por ejemplo, en medicina (Choi et
al., 2006), construcción (Chen, 2013), turismo (Riebeck et al., 2008) y agricultura (Liopa-Tsakalidi et al., 2013)), hay
una falta de casos examinados en las fases de producción de las unidades de fabricación.
El marco multifase para la transformación móvil considera cuatro fases: movilización; mejora; reorganización;
y redefinición (Basole, 2005). Las organizaciones enfrentan diferentes barreras cuando pasan de la fase inicial de
permitir que la información existente se vuelva móvil, creando nuevos procesos respaldados por tecnología móvil,
dando forma a nuevos modelos y estrategias comerciales y redefiniendo industrias y mercados (Basole, 2005;
Basole y Rouse, 2007). Por lo tanto, es necesario evaluar la preparación de las empresas para la movilidad y
promover una cultura de innovación (Basole y Rouse, 2007). La preparación de las empresas para la movilidad es
un desafío multidimensional. Por lo tanto, el contexto para la movilidad debe incluir al usuario (p. ej., estado
emocional, categoría, preferencias, historial, actividad, ubicación y orientación), el entorno (p. ej., tiempo y lecturas
del sensor), el sistema (p. ej., características del dispositivo, condiciones de la red, privacidad, seguridad y consumo
de energía), aspectos sociales (por ejemplo, relaciones, interacciones y grupos) y el servicio (Emmanouilidis et al.,
2013). La literatura proporciona modelos para la preparación móvil, la transformación móvil y el trabajo distribuido
móvil (Barnes, 2004) con el potencial de adaptarse y probarse en estudios empíricos.
Desafíos organizacionales para la movilidad en las industrias de procesos

La movilidad requiere acciones organizacionales para lograr una conectividad óptima y un enfoque individualizado
“reconociendo que cada empleado tendrá respuestas personales para
la gestión del trabajo y no trabajo para cumplir con los requisitos personales y organizacionales” Movilidad
(Dery y MacCormick, 2012, p. 171). Además, existen “restricciones muy prácticas que surgen de la
de fabricación en
naturaleza de la tecnología, los tipos de trabajo que realizan [los trabajadores móviles], el entorno en el que
evolución en
trabajan y el contexto más amplio del trabajo (incluido el temporal, el social y el laboral). y contextos
políticos)” (Perry y Brodie, 2006, p. 98). la Industria 4.0
Para superar con éxito los desafíos de la movilidad, las nuevas soluciones deben estar “alineadas con
la estrategia comercial general y respaldar los objetivos comerciales actuales y futuros de las empresas […] 57
tener una visión común, apoyo de liderazgo y un camino estratégico para implementar la movilidad
empresarial […] [ lidiar con] la resistencia al cambio” (Basole, 2005, p. 1938).
Los sistemas móviles son fundamentales para lograr la fluidez organizativa (fluidez de equipos, tareas y
control), lo que permite la movilidad, la conectividad, la interoperabilidad, la identificabilidad y la
personalización (Chatterjee et al., 2017). Es necesario entonces abordar el nivel de virtualización de
procesos que se ve afectado por los requisitos sensoriales, los requisitos de relación, los requisitos de
sincronismo y los requisitos de identificación y control (Overby, 2008). El mero uso de tabletas, teléfonos
inteligentes u otro tipo de tecnologías móviles no es suficiente para desarrollar la movilidad en la fabricación.
Es necesario considerar diferentes dimensiones interrelacionadas que incluyen el contexto de fabricación,
las personas, el proceso, las tecnologías de la información y la información/datos.
La movilidad es una prioridad principal para la cadena de suministro industrial. Según Mourtzis et al.
(2017, p. 693) “el conjunto general de problemas de la cadena de suministro son candidatos ideales para
soluciones móviles”. Las industrias de procesos, sin embargo, tienen especificidades. La revisión sistemática
de Herterich et al. (2015) identificó dos factores motivacionales que aprovechan las tecnologías móviles en
las industrias manufactureras: la complejidad de las plantas y las máquinas; y deficiencias en la integración de SI.
Estos autores concluyeron que, a pesar de los marcos para la movilidad industrial, “solo se abordan desafíos
prácticos aislados” y “todavía falta una arquitectura unificada” (Herterich et al., 2015, p. 141). Algunos
autores han explorado la posibilidad de reutilizar las capacidades de fabricación en diferentes proyectos
para superar las barreras de las distancias geográficas y organizativas (Benama et al., 2017; Stillström y
Jackson, 2007). Sin embargo, la noción de la "transportabilidad" de las capacidades de movilidad de
fabricación tradicionales que están rápidamente operativas en diferentes ubicaciones (Benama et al., 2017,
p. 112) no se traduce bien en las industrias de procesos continuos, que tienen graves desafíos y limitaciones
con respecto a a la movilidad de los equipos. Otros autores han sugerido beneficios potenciales en diferentes
sectores, incluida la adopción de servicios móviles en la industria de servicios públicos, por ejemplo, para
registrar datos de energía y mantenimiento y reducir errores (Jain, 2003) o explorar el potencial de las
tecnologías móviles en las cadenas de suministro de fabricación (Coursaris et al. al., 2008). Estos estudios
fortalecen la motivación de los presentes autores para contribuir a la investigación sobre el desarrollo
estratégico de la movilidad en las industrias de procesos donde se entiende poco.
Desarrollando la movilidad en la producción continua Las

siguientes subsecciones brindan detalles sobre el caso de la empresa, el plan de acción y los resultados de
la intervención de campo. Inicialmente, los autores realizaron un diagnóstico conjunto con los médicos.
Montaje y diagnóstico de cajas

La empresa de fabricación de papel estudiada (en adelante, “PC”) fue fundada en 1989 y, utilizando papel
reciclado como materia prima, la empresa se dedica exclusivamente a la producción personalizada de
embalajes para bienes de consumo, como huevos y fruta. La empresa tiene una línea de impresión para
personalizar el empaque de acuerdo con los requisitos del cliente, como personalizar varias combinaciones
de colores. La capacidad productiva de la empresa es tal que es líder en el mercado al abastecer la mayor
parte del mercado avícola nacional.
Las exportaciones a Europa y África representan alrededor del 60 por ciento de la producción de la empresa.
PC está certificado según ISO 9001 (calidad) e ISO 14001 (medio ambiente). Sus desafíos futuros se
relacionan con brindar un mejor servicio al mercado (es decir, lograr la respuesta requerida
JMTM capacidad a las solicitudes de los clientes) y evolucionando a través de los medios de la tecnología para
31,1 que puedan proporcionar productos confiables, respetando los problemas ambientales.
El diagnóstico de CAR se inició con entrevistas semiestructuradas (Myers y Newman, 2007) con el
gerente superior y el gerente de sistemas integrados de PC. Los autores utilizaron diferentes técnicas de
recopilación de datos para la recopilación y observación de documentos (Myers y Newman, 2007) para
comprender los procesos organizacionales, los modelos existentes y la estrategia de la empresa. El
58 diagnóstico conjunto comenzó simultáneamente con la revisión sistemática de la literatura descrita en las
secciones anteriores.
PC no utiliza tecnologías móviles, pero su adopción es una prioridad estratégica debido a: la
necesidad de frenar el aumento de la burocracia resultante de los estándares de certificación; la prioridad
europea para la digitalización de la industria y el mercado digital (Brettel y Friederichsen, 2014); y su
deseo de mejorar la fluidez (Chatterjee et al., 2017). Los autores evaluaron las expectativas de esta
empresa según el modelo de trabajo móvil (MWM) (Barnes, 2004), presentado en la Figura 1.
MWM considera tres ejes: movilidad (independencia geográfica de los trabajadores); proceso (cambio
en la configuración del trabajo); y propuesta de valor de implementar servicios móviles.
Cada eje está graduado desde el más bajo (Nivel 0) hasta el más alto (Nivel 3). Según los gerentes, el
objetivo final es introducir cambios en los roles de trabajo (Nivel 3 – transformación) para mejorar la
eficiencia y empoderar a los empleados con información en tiempo real para apoyar la toma de
decisiones. Debido a las restricciones de la industria de procesos, se espera que la movilidad alcance el
estado transitorio (Nivel 1), aunque se podría considerar en el mediano plazo la independencia geográfica
(Nivel 2) para funciones específicas en la empresa (como la gestión de calidad). I4.0 y el Internet de las
cosas podrían hacer posible la movilidad de nivel 3 (empleados casi completamente alejados del lugar
de producción) a largo plazo. Finalmente, la propuesta de valor se califica como 1 (acceso al canal móvil
en MWM) porque esta empresa está introduciendo tecnologías móviles por primera vez.
A pesar de ser una empresa de fabricación de papel, “el papel no es bienvenido” en los procesos de
la empresa. Los gerentes “quieren reciclar todo nuestro papel”, incluyendo no solo sus materias primas
sino también su colosal cantidad de registros de producción. Según el alto directivo, los indicadores
industriales son difíciles de obtener y los registros tienen varios errores que afectan la calidad de la
información y, en consecuencia, la calidad de las decisiones. Los gerentes expresaron inquietudes sobre
la información del proceso y el control del flujo de trabajo. Sus sistemas de planificación de recursos
empresariales y gestión de activos empresariales no están integrados y no brindan soporte para la
producción, la calidad y la gestión de las relaciones con los clientes. Una gran inversión en equipos no
mejoró la fabricación como se esperaba, y el contexto de producción (tipo de equipo, condiciones de las
instalaciones, calor, organización laboral, alfabetización digital de los empleados, etc.) resultó en algunas
restricciones. Primero, la mayoría de sus trabajadores de producción deben moverse
Valor
proposición 3
Figura 1. 0
Diagnóstico
de la movilidad
de fabricación con MWM
Proceso Movilidad
diferentes equipos (largos), que requieren movilidad para registrar información en diferentes partes de los Movilidad
procesos de producción. En segundo lugar, su línea de producción presenta dificultades para el uso de
de fabricación en
computadoras, causadas por restricciones de espacio y condiciones ambientales. Tercero, es importante
tener información disponible en diferentes partes del proceso de producción, por ejemplo, para mantenimiento,
evolución en
gestión de pedidos y control de calidad. En cuarto lugar, la empresa no solo está interesada en definir los la Industria 4.0
requisitos para las nuevas plataformas móviles, sino también en prepararse para los desafíos de I4.0 que
requieren movilidad y repensar sus procesos comerciales, roles laborales y servicios digitales. Una prioridad
59
clave es el cumplimiento normativo, como lo demuestran los registros en papel excesivos y la falta de
conformidad destacada por auditorías externas de clientes y asesores.
Planificación de la
acción El plan general para la investigación de la acción tenía como objetivo crear un modelo que pudiera
ayudar a las empresas en su estrategia móvil y probarlo en un caso piloto. Los autores siguieron las
recomendaciones para analizar la situación actual, definir cursos de acción y luego modelar la situación futura
(Sandkuhl et al., 2014). La mayoría de los miembros del equipo estaban familiarizados con la norma de
calidad ISO 9001 y los requisitos de certificación, por lo que los autores decidieron adoptar un enfoque
orientado al proceso. Informado por múltiples análisis de documentos en la organización del caso, el borrador
inicial comenzó con prioridades para la transformación móvil en la gestión de calidad. Sin embargo, los
autores pronto se dieron cuenta de que esto no tenía en cuenta la estrategia de la empresa para I4.0 de
manera integrada; por ejemplo, las nuevas tecnologías para la gestión de la calidad y la realidad aumentada
también podrían ser importantes para otros procesos de la organización, como el mantenimiento y la
producción. Luego de una discusión, los autores se inspiraron en la conocida matriz estratégica propuesta por
McFarlan (1984), que categoriza las soluciones en términos de su nivel de relevancia tanto en el presente
como en el futuro. También se acordó que era importante ir más allá de la “geometría estratégica” y considerar
diferentes perspectivas al alinear estrategia y tecnología en contextos humanos complejos (Ciborra, 1997). El
plan, por lo tanto, consideró cuatro etapas: (1) modelar la estrategia de movilidad para lograr fluidez de
equipo, fluidez de tareas y control
fluidez (Chatterjee et al., 2017); (2)
evaluar la preparación móvil y definir prioridades a nivel de procesos comerciales; (3) definir los
nuevos servicios móviles para desarrollar y crear un prototipo de un servicio móvil para probar
el modelo en la práctica; y
(4) proponer un enfoque integral para la movilidad de fabricación en las industrias de procesos basado en
las lecciones aprendidas, denominado posteriormente "Ir a la movilidad de fabricación (Go2M)".
Toma de
medidas La primera etapa del plan fue "definir la estrategia de movilidad de fabricación", que implica la
creación de cuadrículas estratégicas para la fluidez del equipo, la tarea y el control (ver Figura 2).
Según McFarlan (1984), las soluciones estratégicas (arriba a la izquierda de cada matriz) son importantes
para el futuro de la empresa, las críticas (abajo a la izquierda) son importantes en el presente y las de alto
potencial (arriba a la derecha) pueden ser importantes en el futuro. el futuro. Los sistemas de apoyo
proporcionan una contribución marginal a la estrategia de la empresa.
Se crean tres matrices para la fluidez del equipo, la tarea y el control. Como explican Chatterjee et al.
(2017, p. 3), “la fluidez del equipo captura el fenómeno de la fluidez compositiva”, donde los equipos existen
durante la duración de un proyecto específico. La fluidez de la tarea representa la variación de las acciones
requeridas, las entradas, la secuencia de la tarea y las salidas. Finalmente, la fluidez del control “captura el
fenómeno del 'control libre' donde los agentes humanos son flexibles, autónomos y móviles,
JMTM Fluidez de tareas
31,1 Estratégico Alto potencial
Registros de producción Gemelo digital

Relevancia
futura
(moldeo) integración con

Coordinación de la cadena de suministro
mantenimiento; registros de
con nube y BI móvil
calidad disponibles
60 en las instalaciones del cliente
Fluidez del equipo Crítico Apoyo

Estratégico Alto potencial
flujo de trabajo de producción; Recoger evidencias en el
Registros de producción Aplicación de cliente: ampliar Relevancia
actual
registros de producción formulario de fotografías para
(moldeo) disponible en varias límites firmes
Relevancia
futura
integrados con auditoría y seguimiento (uso de la

unidades de producción (países) registros de mantenimiento cámara de la tableta)
Conectividad de mantenimiento
fuera de la empresa
Esencial para la estrategia. Complementario para la estrategia

Crítico Apoyo
Fluidez de control
Intercambiar registros de Manuales de equipos
Estratégico Alto potencial
producción en diferentes industriales (habilitación)
Relevancia
actual
Mejorar la identificabilidad Realidad aumentada en

secciones y turnos
Procedimientos de calidad Relevancia
futura
y trazabilidad de inspección de calidad
productos – alimentos
cambio de regulaciones
Crítico Apoyo
Calidad de los datos en los Ayudar a la decisión con
registros de producción (integridad, comparación automática de

Relevancia
actual
precisión): campos parámetros de proceso con

Figura 2. obligatorios y listas desplegables especificaciones
Definición de
para formularios específicos
la estrategia Go2M
pero vinculado a la organización al ser parte de una red de información, que implementa normas
organizacionales que son cocreadas por los agentes humanos en primer lugar” (Chatterjee et al., 2017, p.
3).
Los participantes en este proyecto CAR incluyeron investigadores, personal de la empresa y un equipo
de desarrollo móvil que adoptó prácticas ágiles de desarrollo de software. Al comenzar a construir las
matrices estratégicas para la movilidad, los autores complementaron la TI con aspectos estratégicos,
incluidas las políticas y requisitos de la empresa y visiones para futuras aplicaciones de I4.0 (por ejemplo,
RFID y códigos QR), fomentando la reflexión en torno a dos aspectos principales: información a proporcionar
(por ejemplo, qué datos de producción deben registrarse en cada sección y qué herramienta podría usarse
para ayudar a los usuarios en la clasificación adecuada de los problemas de calidad para minimizar los
problemas de calidad de los datos); e información a obtener. La primera perspectiva desafía a los
diseñadores a pensar en los servicios que los elementos ciberfísicos (empleado o máquina) deben brindarse
entre sí (p. ej., detalles de mantenimiento proporcionados a producción), mientras que la segunda promueve
pensar en el conocimiento necesario para empoderar a los trabajadores móviles.
En este punto de la investigación, los autores estaban en condiciones de identificar las estrategias clave
para la movilidad y las prioridades para el desarrollo de SI. La decisión fue centrarse en las necesidades
críticas y estratégicas representadas en las columnas de la extrema izquierda de la Figura 2. La información
incluida en la cuadrícula estratégica apuntaba claramente a los procesos de producción y los empleados en
las líneas de producción. También se consideró necesario incluir interfaces de mantenimiento y calidad.
Luego, los autores procedieron al nivel de análisis del proceso de negocios, adoptando un enfoque
cualitativo para este propósito, en forma de talleres que involucraron a gerentes y
staff de producción. Los autores consideraron desarrollar criterios y pesos para apoyar en evolución
decisiones, pero los gerentes de la compañía querían probar una selección más flexible e informal de
fabricación
prioridades La Figura 3 presenta uno de los resultados resultantes con respecto a estos dos enfoques,
involucrando producción, mantenimiento, calidad y el CFO.
movilidad en
La Figura 3 utiliza un modelo de proceso simplificado para identificar los procesos móviles más estratégicos Industria 4.0
y tareas (cuadros sombreados más oscuros) y un ícono inalámbrico para representar el potencial móvil
(considerando tres niveles de movilidad: baja, media y alta). El punto de partida fue el
61
mapas de procesos populares descritos por la certificación ISO 9001 de PC para identificar puntos de contacto en
diferentes procesos y dentro de cada proceso.
La producción es un proceso con bajo potencial móvil, pero debe ser evaluado ya que incluye
tres actividades sombreadas más oscuras (la mayoría de los procesos y tareas móviles estratégicos) debido a
problemas de calidad de la información y la necesidad del uso de tabletas y teléfonos inteligentes por
empleados en lugar de hardware no móvil. El potencial móvil se midió por consenso
entre los participantes del proyecto considerando un análisis multidimensional que incluyó la
condiciones del sistema, movilidad y capacitación de los empleados, necesidades de empoderamiento y sensores
(Basole, 2005; Basole y Rouse, 2007; Emmanouilidis et al., 2013). El resultado fue un
representación gráfica de tareas interrelacionadas que pueden ser realizadas por uno o más actores
y que se pueda automatizar con tecnologías móviles.
La organización no quería comprar TI nueva ni cambiar los sistemas empresariales existentes.
durante esta investigación; por lo tanto, los autores desarrollaron prototipos móviles internamente, lo que permitió
una evaluación de las diferentes etapas de mejora de la movilidad. La fase posterior de la
enfoque era representar el paisaje móvil; una representación completa de los
principales procesos y actividades (cada uno con un potencial móvil específico), actores (humanos y
máquinas) y sus interacciones (según los procesos en los que participan) y
los servicios móviles que necesitaban ser desarrollados por el equipo de desarrollo de software
(ver Figura 4).
La figura 4 es un modelo completo que representa:
• equipo (actores ciberfísicos y su relación con los procesos y TI);
• tarea (incluida la relevancia estratégica y el potencial móvil de cada proceso/actividad);
y
• fluidez de control, apoyado por una red de información de servicios móviles

(Chatterjee et al., 2017).
Los actores están representados por sus funciones en la organización (por ejemplo, actor de mantenimiento en la
izquierda) y crean información relacionada con uno o más procesos. por ejemplo, el
Crudo Estiércol líquido
Materiales Despulpar termoformado embalaje

Producción Almacenamiento
comienzo Final
Alto
Equipo
Inspección Orden de trabajo Validación
Culpa
Mantenimiento
Bajo
comienzo Final
Calidad
Inspección Prueba Conformidad Comportamiento
Figura 3.
Potencial
móvil
estratégica
Movilidad
Movilidad Go2M
Final
comienzo
evaluación
JMTM
31,1 Producción Despulpar embalaje
actor de moldeo actor de

Registrar fallo de pulpa termoformado
Validar orden de trabajo
Equipo
Culpa
62 Datos de producción de pulpa
Datos de calidad
Crear
Datos de producción de paquetes
Móvil
Crear
Inspección
Servicio #1 Usar
Mantenimiento
Móvil
Validación
Servicio #2
defecto de calidad
Sugerencias
Seguimiento de acciones correctivas
Usar
Conocimiento
Fuente #1
actor de mantenimiento
Crear
Figura 4.
Calidad
Paisaje móvil Inspección Comportamiento
de Go2M (extracto
para producción, actor de gestión de calidad
mantenimiento y
calidad) Notas: Los tres niveles de movilidad considerados son: bajo; medio ; y alta . La alta movilidad estratégica está
representada por los recuadros sombreados más oscuros
línea que conecta al actor de moldeo de pulpa con el "Servicio móvil n.º 1", donde el Servicio móvil n.º
1 representa una aplicación móvil. Con base en las líneas de conexión, es posible identificar qué
actores utilizan los servicios móviles o la fuente de conocimiento.
Hay dos formas de TI representadas en este modelo: servicio móvil, que representa datos
insertados por el actor (puede tener entradas de dispositivos como sensores o cámara de tableta); y
fuente de conocimiento, que representa la información necesaria para empoderar al actor y permitir la
fluidez del control (en este ejemplo, se representa como un procedimiento producido por el gerente de
calidad que debe ser seguido por el actor (máquina) de termoformado). Los autores no querían crear
un modelo demasiado detallado o demasiado técnico y, por tanto, no útil como herramienta de
comunicación para fomentar la mejora participativa de la movilidad en la fabricación.
El potencial móvil (bajo, medio o alto) de cada elemento del paisaje (que consta de personas,
procesos y tecnología) es el resultado de la estrategia de fabricación y las tecnologías de soporte, es
decir, los servicios móviles (por ejemplo, aplicaciones móviles que soportan inspecciones de calidad)
y fuentes de conocimiento. (por ejemplo, manuales electrónicos) que apoyen la integración de cada
elemento. El modelo de paisaje puede ser útil para identificar los requisitos de información digital para
elementos ciberfísicos y el trabajo cooperativo o el impacto de cada función y equipo en el sistema
general. El modelo de paisaje es dinámico a medida que la organización invierte en nuevos recursos
sociotécnicos o cambia la configuración del proceso (que están alineados con los modos de proceso
ISO 9001 en este caso). Una auditoría interna de calidad ISO 9001 permitió a los autores confirmar
que la herramienta desarrollada era:
• accesible a expertos con diferentes antecedentes;
• potencialmente útil en auditorías de calidad para identificar las entradas, salidas, participantes y
recursos necesarios para cada proceso; • representante de iniciativas de mejora (por ejemplo,
nuevos servicios móviles implementados); y
• útil para implementar el pensamiento basado en riesgos, particularmente en la identificación de riesgos que Movilidad
surgen de la integración de procesos (por ejemplo, problemas de calidad de datos).
de fabricación en
El enfoque Go2M incorpora las etapas de Tuckman y Jensen (1977) para ayudar a la participación de los usuarios en la movilidad evolución en
adaptada a las características de las industrias de procesos, fomentando una cultura de innovación en la fabricación. La Figura 5
la Industria 4.0
ilustra los pasos para incorporar la movilidad en las industrias de procesos.
La línea superior de la Figura 5 presenta el propósito que una organización debe perseguir para mejorar la movilidad. La 63
segunda línea representa las conocidas etapas del desarrollo del grupo. Según Tuckman y Jensen (1977), la madurez de los
grupos evoluciona a través de estas etapas de formación (orientación), tormenta (confrontar opciones), normalización (compartir
un objetivo común) y desempeño (proceso de toma de decisiones). La tercera línea incluye los resultados propuestos asociados
con los artefactos en las Figuras 2–4. En la parte inferior se incluyen referencias clave que inspiraron la propuesta del autor y el
trabajo de campo con los practicantes.
Discusión Hubo
una reflexión conjunta entre los autores y PC para asegurar que los resultados fueran relevantes para el cuerpo científico de
conocimiento y también ayudaran a mejorar la estrategia de movilidad del cliente. Los autores aprendieron sobre las dificultades
de incorporar la movilidad en la industria de procesos, los beneficios de un enfoque Go2M y los desafíos que plantea este proceso.
Los autores recibieron comentarios entusiastas de los gerentes de la empresa y de los usuarios finales de la solución desarrollada.
Según ellos, fue útil para identificar mejoras y cambios de procesos que evitaran “convertir la burocracia de papel en burocracia
tecnológica”. El equipo de desarrollo de software consideró los modelos lo suficientemente simples para ser utilizados en el
contexto de prácticas ágiles (ciclos de desarrollo iterativos), manteniendo una visión holística de todo el sistema, particularmente
en la identificación de los ciclos de desarrollo y evolución potencial de acuerdo con la estrategia. prioridades
En esta empresa, cada elemento de TI presentado en la Figura 4 (servicios móviles y fuentes de conocimiento) se integró en
ciclos de desarrollo separados. Por lo tanto, el enfoque de los autores para la movilidad en la fabricación admite un proceso
iterativo que involucra la interacción de las partes interesadas en todo momento para desarrollar un producto que cumpla con las
expectativas del cliente.
Estrategia de movilidad Evaluar móvil Diseñar el sistema de

Objetivo empresarial para lograr preparación y definir Reiniciar evaluación
información móvil y encontrar
fluidez: equipo, tarea y una solución
prioridades
control
Escenario
formando Asalto normando Ejecutando
<Estado objetivo>
Estrategia móvil Evaluación de la movilidad Paisaje móvil para mejorar la
Salir
movilidad y la fluidez
Figura 5.
Pasos de Go2M: defina
la estrategia, evalúe
clave
Ref. Chatterjee et al. (2017) y Graham et al. (2005) y Graham et al. (2005) y Tuckman y Jensen (1977) la preparación,
McFarlan (1984) Overby (2008) Overby (2008) modele el panorama
y hágase móvil
JMTM El sistema resultante ayuda al usuario en sus tareas actuales y le permite realizar otras tareas (p. ej.,
validación de datos, campos obligatorios y control de calidad in situ).
31,1
Curiosamente, la parte de la fábrica menos equipada con TI se convirtió en la más digitalizada, utilizando
dispositivos pequeños y de bajo costo como las tabletas.
Los autores se beneficiaron al considerar las tres dimensiones de la fluidez organizacional
recomendadas por Chatterjee et al. (2017) para enfocar el análisis estratégico. La contribución de esta
investigación mitiga los riesgos de reducir la discusión sobre movilidad en torno a las tecnologías móviles
64
y los beneficios de la comunicación inalámbrica. Aunque los autores coinciden en que es necesario
llegar al nivel de proceso de análisis como lo presentan Graham et al. (2005), se encontraron riesgos en
la evaluación de procesos durante las etapas iniciales. Existen riesgos potenciales al estrechar la
reflexión sobre “lo que se hace” cuando deberíamos preguntar primero “por qué se hace”. En la
evaluación estratégica propuesta, algunos procesos pueden desaparecer, otros pueden cambiar y se
espera que surjan nuevos procesos móviles.
I4.0 requiere una nueva visión de la fluidez en las industrias móviles. Por ejemplo, durante este ciclo,
los autores fusionaron tareas de producción, calidad y mantenimiento que antes estaban incluidas en
diferentes procesos comerciales. El proceso móvil resultante también es multidimensional, porque no es
simplemente un “proceso de producción”; implica fluidez de equipo (empleados de varios departamentos,
así como proveedores de equipos), fluidez de tareas (tareas compuestas respaldadas por tecnologías
móviles que sirven a diferentes procesos) y fluidez de control, descentralizando la recopilación de datos
dentro de las líneas de productos y capacitando a los usuarios con información para ayudar en la toma
de decisiones relacionadas. a problemas de calidad que necesitan medidas correctivas inmediatas.
Las representaciones de Go2M ayudan a los gerentes a identificar las prioridades para los desarrollos
de tecnología móvil. La prioridad en esta organización se dio a las actividades con alta movilidad
estratégica (verde oscuro) y potencial (por ejemplo, actividades de inspección en mantenimiento y calidad).
Evaluación del rigor y la validez

Las siguientes subsecciones brindan más detalles sobre los cinco principios sugeridos por Davison et
al. (2004) sigue para evaluar el proyecto CAR.
Acuerdo investigador-cliente. Tanto los investigadores como los profesionales acordaron adoptar
CAR y estudiar el desarrollo de la movilidad de fabricación holística dentro de una situación real, con el
apoyo de las tecnologías centrales I4.0. La empresa hizo un acuerdo formal para implementar el proyecto
debido a su compromiso de implementar tecnologías I4.0 y el nivel de prioridad adjunto a este
compromiso. La recolección de datos incluyó entrevistas, observaciones de campo y recolección de
documentos.
Modelo de proceso cíclico. La investigación siguió las cinco etapas de CAR descritas por Susman y
Evered (1978). El marco de referencia para CAR se creó con contactos exploratorios y una revisión
sistemática de la literatura. A continuación, los autores realizaron un diagnóstico de la situación actual.
Las fuentes de datos y las perspectivas de los usuarios se contrastaron constantemente para minimizar
las amenazas a la validez. El ciclo CAR inicial se consideró suficiente para delinear el enfoque para
incorporar estrategias de movilidad en las industrias de procesos; sin embargo, los autores también
encontraron oportunidades para futuras investigaciones.
Teoría. El marco teórico de referencia se creó con una revisión sistemática de la literatura. También
se encontró inspiración en modelos importantes para la estrategia de SI (McFarlan, 1984), literatura
sobre movilidad empresarial y fluidez organizacional. Este enfoque puede respaldar la fluidez al: •
fomentar las bases del cambio cultural necesario para la movilidad de la fabricación y
empoderamiento de los usuarios;
• promover la fluidez de tareas con sistemas móviles, considerando el proceso de manera holística
mapa; y
• integrar la fluidez del control en los datos obtenidos por el sistema sociotécnico en la Movilidad de
industria de procesos. fabricación en evolución en
Cambiar a través de la acción. El cambio se produjo en una serie de situaciones. Primero, los autores la Industria 4.0
crearon una nueva forma de modelar la movilidad en industrias de proceso continuo. Se crearon varios
artefactos y se promovieron rutinas (Pentland y Feldman, 2008) para guiar al equipo. La situación
organizacional y el contexto fueron evaluados antes, durante y después de la intervención, asegurando
que los cambios en curso fueran analizados y documentados. Este enfoque ayudó a los gerentes a sesenta y cinco
identificar desarrollos potenciales y también a establecer prioridades de acuerdo con la estrategia de

la empresa y el potencial móvil de su entorno.
Aprendizaje a través de la reflexión. Se proporcionaron informes del proyecto a la empresa de
fabricación de papel. El aprendizaje ocurrió como una actividad conjunta entre investigadores y
profesionales en diferentes etapas del CAR. Los investigadores aprendieron que la movilidad de
fabricación debe considerar las intenciones estratégicas de la organización en los modelos. No es
suficiente evaluar la preparación móvil y las funcionalidades móviles potenciales en el nivel de análisis
del proceso. Según los gerentes de la empresa, los modelos propuestos por los autores proporcionaron
una herramienta valiosa para comunicarse con los proveedores de TI y establecer prioridades para las
fases de desarrollo de la movilidad. Además, estos modelos cambiaron el análisis móvil de la mera
adopción de TI a las necesidades globales de fluidez de equipo, tareas y control en la producción. Los
autores argumentan que estas tres perspectivas son necesarias para incluir la movilidad en la agenda
de producción en las industrias de procesos.
Implicaciones para la
teoría En su trabajo reciente, Hofmann y Rüsch (2017, p. 23) afirmaron que "el concepto de [I4.0] aún
carece de una comprensión clara y aún no está completamente establecido en la práctica" y
concluyeron que es necesario crear marcos que guíen a las empresas “en su camino hacia [I4.0]”. El
presente trabajo contribuye a este propósito, sugiriendo que es necesario evaluar la movilidad para
equipo, tarea y control. Los autores siguieron la sugerencia de Hofmann y Rüsch (2017) de que cada
empresa debe definir una estrategia personalizada para I4.0.
Los autores sugieren adoptar un enfoque integral para la movilidad de fabricación en I4.0. Las
razones son las siguientes: la creciente adopción de tecnologías móviles en las empresas; la adopción
de trae tu propio dispositivo y elige tu propio dispositivo para uso profesional y privado; y mejorar la
comunicación de la estrategia móvil en la organización. I4.0 es un proceso de transformación complejo
que debe incluir socios organizacionales para mejorar la integración y diferentes proveedores
tecnológicos. En consecuencia, el concepto de “ir móvil” en I4.0 no se limita a la transportabilidad
tradicional de los equipos de fabricación, ni es el resultado de la adopción de tecnologías móviles como
PDA y aplicaciones móviles. La movilidad de fabricación en I4.0 debe ser el resultado de profundos
cambios sociotécnicos que ocurren a nivel estratégico, táctico y operativo.
Implicaciones para la
práctica Los sistemas móviles están en el centro de la transformación industrial. Para los gerentes, el
presente trabajo brinda herramientas para definir una estrategia de movilidad y modelar un panorama
móvil para sus procesos y servicios. El panorama móvil se puede utilizar para comunicarse con los
proveedores de I4.0 al implementar transformaciones tecnológicas. Un análisis multidimensional es
necesario para mejorar la tecnología de procesos. Ese es el caso de “minerales y metales, pulpa y
papel, alimentos y bebidas, productos químicos y petroquímicos y productos farmacéuticos [que]
constituyen una gran parte de toda la industria manufacturera” (Lager y Frishammar, 2010, p. 699),
pero el equipo no son necesariamente móviles en todas las fases del proceso. Go2M puede ayudar a
los gerentes en la creación de estrategias I4.0 personalizadas que se ajusten a las particularidades de
su sector y contexto competitivo; se encontró útil en el contexto regulatorio de calidad y
JMTM certificación ambiental, que sugiere un enfoque de gestión orientado a procesos y evidencia de acciones
31,1 de mejora.
La interacción entre humanos y máquinas será uno de los principales desafíos para la fabricación en
los próximos años. La digitalización es clave en este esfuerzo de transformación ya que “combina el
conocimiento, los datos y los procesos de diversas máquinas físicas que antes estaban
desconectadas” (Yoo et al., 2012, p. 1401). Por lo tanto, las estrategias de movilidad son cruciales para
66 explorar completamente la descentralización de la fabricación. Sin embargo, faltan métodos para que las
empresas manufactureras exploren todo el potencial de I4.0 (Xu et al., 2018). La presente investigación
contribuye a llenar este vacío al mostrar cómo crear estrategias de digitalización que superen la paradoja
en I4.0 para interconectar humanos y máquinas en entornos cada vez más descentralizados. Los autores
destacan un aspecto particular planteado por un elemento de equipo que es esencial para I4.0: “los
artefactos nos obligan a pensar en oportunidades de integración de datos durante todo el proceso de
diseño del sistema e identificar oportunidades para comunicarse en tiempo real entre humanos y
máquinas, estén donde estén”.
Conclusión El
presente documento presenta un enfoque para mejorar la movilidad en las industrias de procesos.
Comienza con la definición de la estrategia de movilidad de fabricación utilizando las cuadrículas de
McFarlan (1984) para cada dimensión de fluidez, como lo sugieren Chatterjee et al. (2017): equipo; tarea; y control.
Luego identifica prioridades a nivel de proceso y entrelaza elementos sociales y técnicos en un modelo
coherente y simplificado que puede ayudar a los diseñadores de sistemas móviles y a los usuarios de
procesos a desarrollar el contexto de fabricación móvil: el panorama móvil. I4.0 elimina las barreras
tradicionales de ubicación y ofrece una nueva visión para la movilidad de fabricación a través de la
integración ciberfísica.
El enfoque propuesto fue desarrollado y probado con éxito en una situación real, ayudando a las
inversiones de la empresa en tecnologías móviles y preparando su estructura para la descentralización
I4.0 (Brettel y Friederichsen, 2014; Lasi et al., 2014).
Sin embargo, existen varias limitaciones que deben señalarse. En primer lugar, este es un ciclo inicial de
un proyecto CAR y, a pesar de su representatividad de fabricación continua, es necesario afinar los
resultados en otras industrias de proceso. La empresa de fabricación de papel se seleccionó de los
contactos anteriores de los autores con respecto a los proyectos de desarrollo de I4.0, pero es solo uno
entre muchos otros ejemplos de industrias manufactureras.
Además, es posible probar el enfoque en otro tipo de industrias, por ejemplo, producción por encargo o
nuevos procesos que incluyen fabricación aditiva, simplificando la movilidad de los sistemas físicos. En
segundo lugar, Go2M facilita la comunicación entre diferentes partes interesadas, pero no incluye detalles
suficientes para ayudar a los desarrolladores tecnológicos (por ejemplo, desarrolladores de aplicaciones
móviles) en la identificación de todos los requisitos operativos de los servicios móviles identificados
(Nysveen et al., 2015). No obstante, la empresa consideró el enfoque fundamental para la definición de
su nueva estrategia de movilidad y apoyo a la decisión en el rediseño de procesos y requerimientos
tecnológicos. En tercer lugar, los beneficios del enfoque propuesto solo fueron evaluados por los
investigadores y los usuarios de la empresa, omitiendo, por ahora, a los auditores de calidad externos,
socios, proveedores y clientes. Finalmente, debido al enfoque en el desarrollo de Go2M en una situación
real, los autores no pudieron explorar completamente las mejoras de productividad (por ejemplo,
disminución de defectos de calidad o disponibilidad de la máquina debido a mejoras de mantenimiento)
utilizando este enfoque. Aunque los autores recopilaron comentarios positivos de los gerentes y
desarrolladores en este caso, la mayoría de los avances de integración fueron internos a la organización,
por lo que no fue posible explorar completamente las oportunidades para la integración horizontal entre
organizaciones. Un posible caso para explorar en el futuro involucra la coproducción en diferentes
ubicaciones de plantas, utilizando procesos de fabricación similares (por ejemplo, socios que producen
el mismo producto) o procesos distintos (por ejemplo, un producto compuesto que requiere diferentes
procesos en paralelo).
Se revelan varias oportunidades para futuras investigaciones. Los estudios que investigan Movilidad
cómo las estrategias móviles remodelarán los procesos de producción de las organizaciones
de fabricación en
para aumentar la preparación I4.0 y crear ecosistemas digitales que exploren la movilidad en las
industrias de procesos son vías potenciales para futuras investigaciones. Se necesita investigación
evolución en
adicional para mejorar la movilidad de las configuraciones ciberfísicas en I4.0 y abordar estos la Industria 4.0
desafíos, por ejemplo, problemas de seguridad, rendimiento operativo y las profundas
implicaciones sociales y organizacionales. Los autores esperan que estos resultados puedan 67
inspirar a los investigadores a proponer nuevas herramientas y métodos que ayuden a los
gerentes y equipos de fabricación en la movilidad emergente requerida por I4.0.
Referencias
Acatech (2013), Recomendaciones para implementar la iniciativa estratégica Industrie 4.0, Acatech, Frankfurt,
disponible en: www.acatech.de/wp-content/uploads/2018/03/Final_report__Industrie_ 4.0_accessible.pdf
(consultado el 27 de abril de 2019).
Andersen, P. y Ross, JW (2016), “Transforming the LEGO Group for the digital economy”, en Actas de ICIS 2016,
Dublín.
Arvidsson, V., Holmström, J. y Lyytinen, K. (2014), “Uso de sistemas de información como práctica estratégica:
una visión multidimensional de la implementación y el uso de sistemas de información estratégicos”,
Journal of Strategic Information Systems, vol. 23 núm. 1, págs. 45-61.
Bankosz, GS y Kerins, J. (2014), “Mantenimiento de activos mejorado con tecnología móvil en una pyme”, Journal
of Quality in Maintenance Engineering, vol. 20 núm. 2, págs. 163-181.
Barnes, SJ (2004), “Soporte inalámbrico para el trabajo distribuido móvil: una taxonomía y ejemplos”, Actas de la
37.ª Conferencia Internacional de Hawái sobre Ciencias de Sistemas, págs. 1-10.
Barnes, SJ y Scornavacca, E. (2006), “Aplicaciones inalámbricas en las empresas de Nueva Zelanda: una
evaluación estratégica”, Journal of Computer Information Systems, vol. 47 N° 1, págs. 46-55.
Baskerville, R. (1999), “Investigación de sistemas de información con investigación-acción”, Comunicaciones de
la Asociación de Sistemas de Información, vol. 2 N° 3, págs. 1-32.
Basole, R. (2005), “Transformación de empresas a través de aplicaciones móviles: un marco multifase”, Actas de
la Conferencia de las Américas sobre Sistemas de Información (AMCIS), pp. 1935-1939.
Basole, RC y Rouse, WB (2007), “Preparación y transformación de empresas móviles”, en Basole, R.
(Ed.), Encyclopedia of Mobile Computing and Commerce, IGI Global, Hershey, PA, pp. 481-486.
Benama, Y., Alix, T. y Perry, N. (2017), “Definición del marco para el diseño de un sistema de fabricación móvil”,
en Eynard, B., Nigrelli, V., Oliveri, S., Peris-Fajarnes , G. y Rizzuti, S.
(Eds), Avances en Mecánica, Ingeniería de Diseño y Fabricación. Lecture Notes in Mechanical Engineering,
Springer, Champagne, IL, págs. 111-118.
Bharadwaj, A., El Sawy, O., Pavlou, P. y Venkatraman, N. (2013), “Estrategia empresarial digital: hacia una
próxima generación de conocimientos”, MIS Quarterly, vol. 37 núm. 2, págs. 471-482.
Brettel, M. y Friederichsen, N. (2014), "Cómo la virtualización, la descentralización y la creación de redes cambian
el panorama de la fabricación: una perspectiva de la industria 4.0", Revista internacional de ingeniería
mecánica, aeroespacial, industrial, mecatrónica y de fabricación, vol. 8 N° 1, págs. 37-44.
Burton-Jones, A., McLean, ER y Monod, E. (2015), “Perspectivas teóricas en la investigación de SI: de la varianza
y el proceso a la latitud conceptual y el ajuste conceptual”, European Journal of Information Systems, vol.
24 núm. 6, págs. 664-679.
Chatterjee, S., Sarker, S. y Siponen, M. (2017), “¿Cómo permiten las TIC móviles la fluidez organizativa: hacia un
marco teórico”, Information & Management, vol. 54 núm. 1, págs. 1-13.
Chen, D., Mocker, M., Preston, D. y Teubner, A. (2010), “Estrategia de sistemas de información: reconceptualización,
medición e implicaciones”, MIS Quarterly, vol. 34 núm. 2, págs. 233-259.
JMTM Chen, X. (2013), “Sistema de soporte para trabajadores móviles basado en servicios web para aplicaciones de la industria
de la construcción”, Telecommunication Systems, vol. 54 núm. 3, págs. 277-286.
31,1
Choi, J., Yoo, S., Park, H. y Chun, J. (2006), "MobileMed: un sistema de información clínica móvil basado en PDA", IEEE
Transactions on Information Technology in Biomedicine, vol. 10 N° 3, págs. 627-635.
Ciborra, CU (1997), “Deconstrucción del concepto de alineación estratégica”, Scandinavian Journal of Information Systems,
68 vol. 9 N° 1, págs. 67-82.
Coursaris, C., Hassanein, K. y Head, M. (2008), “La tecnología móvil y la cadena de valor: participantes, actividades y
creación de valor”, International Journal of Business Science and Applied Management, vol. 3 No. 3, pp. 14-30,
disponible en: https://doi.org/10.1109/ICMB.2006.35 Davison, R., Martinsons, MG and Kock, N. (2004), “Principles
of canonical action research ”,

Revista de sistemas de información, vol. 14 núm. 1, págs. 65-86.
Dery, K. y MacCormick, J. (2012), “Gestión de la tecnología móvil: el cambio de la movilidad a la conectividad de los
teléfonos inteligentes”, MIS Quarterly Executive, vol. 12 núm. 4, págs. 159-174.
Emmanouilidis, C., Koutsiamanis, RA y Tasidou, A. (2013), "Guías móviles: taxonomía de arquitecturas, conciencia del
contexto, tecnologías y aplicaciones", Journal of Network and Computer Applications, vol. 36 núm. 1, págs.
103-125.
Esturilho, CG y Estorilio, C. (2010), “El despliegue de la flexibilidad de fabricación como función de la estrategia de la
empresa”, Journal of Manufacturing Technology Management, vol. 21 núm. 8, págs. 971-989.
Comisión Europea (2016), “La cuarta revolución industrial”, disponible en: https://ec.europa.eu/digital-single-market/en/
fourth-industrial-revolution (consultado el 27 de abril de 2019).
Ghobakhloo, M. (2018), “El futuro de la industria manufacturera: una hoja de ruta estratégica hacia la industria
4.0”, Journal of Manufacturing Technology Management, vol. 29 núm. 6, págs. 910-936.
Göker, A. y Myrhaug, H. (2008), “Evaluación de un sistema de información móvil en contexto”, Información

Procesamiento y gestión, vol. 44 núm. 1, págs. 39-65.
Graham, V., Köhler, A. y Klawes, R. (2005), “Paisajismo de procesos móviles mediante el ejemplo del comercio y la
industria residencial”, Actas de la Decimotercera Conferencia Europea sobre Sistemas de Información, págs.
1400-1409.
Harris, J., Ives, B. y Junglas, I. (2011), "Consumo de TI: cuando los dispositivos se convierten en herramientas de TI
empresariales", MIS Quarterly Executive, vol. 11 núm. 3, págs. 99-112.
Hermann, M., Pentek, T. y Otto, B. (2016), “Principios de diseño para escenarios de la industria 4.0”, Actas de la 49.ª
Conferencia Internacional sobre Ciencias de Sistemas de Hawái (HICSS), págs. 3928-3937.
Herterich, M., Peters, C., Neff, A., Uebernickel, F. y Brenner, W. (2015), "Apoyo de trabajo móvil para el servicio de
campo: una revisión de la literatura y direcciones para futuras investigaciones", en la 12ª Conferencia Internacional
sobre Wirtschaftsinformatik, Osnabrück, págs. 134-148.
Hofmann, E. y Rüsch, M. (2017), “Industria 4.0 y el estado actual, así como las perspectivas futuras en
logística”, Computers in Industry, vol. 89 núm. 2017, págs. 23-34.
Jain, R. (2003), “Servicios móviles empresariales: marco y análisis específico de la industria”, AMCIS 2003
Procedimientos, Papel No. 254, Tampa, FL, 4-6 de agosto.
Koornneef, H., Verhagen, WJC y Curran, R. (2017), “Contextualización de la documentación de mantenimiento de

aeronaves”, International Journal of Agile Systems and Management, vol. 10 núm. 2, págs. 160-179.
Krogstie, J. (2001), “Ingeniería de requisitos para sistemas de información móviles”, artículo presentado en el Séptimo
Taller internacional sobre ingeniería de requisitos: fundamentos de la calidad del software: REFSQ'01, Interlaken,
4 y 5 de junio.
Krogstie, J., Lyytinen, K., Opdahl, AL, Pernici, B., Saiu, K. y Smolander, K. (2004), “Áreas de investigación y desafíos
para los sistemas de información móvil”, International Journal of Mobile Communications, vol. . 2 núm. 3, págs.
220-234.
Lager, T. y Frishammar, J. (2010), “Colaboración entre proveedores y usuarios de equipos en las industrias de procesos: en Movilidad
busca de un rendimiento operativo mejorado”, Journal of Manufacturing Technology Management, vol. 21 núm. 6,
págs. 698-720.
de fabricación en
evolución en
Lasi, H., Fettke, P., Kemper, HG, Feld, T. y Hoffmann, M. (2014), “Industria 4.0”, Business & Information Systems Engineering,
vol. 6 núm. 4, págs. 239-242. la Industria 4.0
Lau, F. (1999), “Hacia un marco para la investigación-acción en los estudios de sistemas de información”, Información
Tecnología y personas, vol. 12 núm. 2, págs. 148-175. 69
Liopa-Tsakalidi, A., Tsolis, D., Barouchas, P., Chantzi, A.-E., Koulopoulos, A. y Malamos, N. (2013), “Aplicación de tecnologías
móviles a través de un sistema de gestión integrado para agricultura producción”, en Proceedings of the 6th HAICTA,
Isla de Corfú, págs. 165-170.
McFarlan, FW (1984), “La tecnología de la información cambia la forma de competir”, Harvard Business Review, Reprint
Service, pp. 98-103.
McKay, J. y Marshall, P. (2001), “Los imperativos duales de la investigación-acción”, Tecnología de la Información y

Gente, vol. 14 núm. 1, págs. 45-59.
Mearian, L. (2017), “La próxima computadora de su empresa puede ser una computadora portátil 2 en 1”, Computerworld,
disponible en: http://computerworld.com/article/3211051/mobile-wireless/your-next-company -computer may-be-a-2-
in-1-laptop.html (consultado el 27 de abril de 2019).
Middleton, C., Scheepers, R. y Tuunainen, VK (2014), "When mobile is the norm: researching mobile information systems and
mobile as post-adoption connections", European Journal of Information Systems, vol. 23 núm. 5, págs. 503-512.
Moffitt, K., Richardson, VJ, Snow, NM, Weisner, M. y Wood, DA (2016), "Perspectivas sobre la investigación AIS pasada y
futura a medida que la revista de sistemas de información cumple treinta años", Journal of Information Systems, vol.
30 núm. 3, págs. 157-171.
Mourtzis, D., Doukas, M. y Vandera, C. (2017), "Aplicaciones móviles inteligentes para apoyar el diseño de productos y la
toma de decisiones en la era de la personalización masiva", International Journal of Computer Integrated
Manufacturing, vol. 30 núm. 7, págs. 690-707.
Myers, MD y Newman, M. (2007), “La entrevista cualitativa en la investigación de SI: examinando el oficio”,
Información y Organización, vol. 17 núm. 1, págs. 2-26.
Nysveen, H., Pedersen, PE y Skard, SER (2015), “Revisión de la investigación de servicios móviles: brechas de investigación
y sugerencias para futuras investigaciones sobre aplicaciones móviles”, Documento de trabajo de SNF n.° 01/15,
Centro de Investigación Aplicada en NHH, Bergen.
Oesterreich, TD y Teuteberg, F. (2016), “Comprender las implicaciones de la digitalización y la automatización en el contexto

de la industria 4.0: un enfoque de triangulación y elementos de una agenda de investigación para la industria de la
construcción”, Computers in Industry, vol. 83 núm. 2016, págs. 121-139.
Overby, E. (2008), “La teoría de la virtualización de procesos y el impacto de la tecnología de la información”,

Ciencia de la organización, vol. 19 núm. 2, págs. 277-291.
Pentland, BT y Feldman, MS (2008), “Rutinas de diseño: sobre la locura de diseñar artefactos, esperando patrones de
acción”, Información y organización, vol. 18 núm. 4, págs. 235-250.
Pernici, B. (Ed.) (2006), Sistemas de información móvil: infraestructura y diseño para la adaptabilidad y la flexibilidad, Springer,
Berlín.
Perry, M. y Brodie, J. (2006), “Virtualmente conectados, prácticamente móviles: tecnología móvil y trabajo móvil”, en
Andriessen, JHE y Vartiainen, M. (Eds), Trabajo virtual móvil: ¿un nuevo paradigma?, Springer -Verlag, Berlín, págs.
97-127.
Pryss, R., Tiedeken, J., Kreher, U. and Reichert, M. (2010), “Towards flexible process support on mobile devices”, International
Conference on Advanced Information Systems Engineering, CAiSE 2010: Information Systems Evolution, pp. 150-165.
Puuronen, S. y Savolainen, V. (1997), “Sistemas de información móviles: punto de vista de los ejecutivos”, Information
Systems Journal, vol. 7 N° 1, págs. 3-20.
JMTM Riebeck, M., Stark, A. y Modsching, M. (2008), “Estudio de la aceptación de los usuarios de un sistema de información móvil
para turistas en el campo”, Tecnologías de la información y turismo, vol. 10 núm. 13, págs. 189-199.
31,1
Ríos-Aguilar, S. y Lloréns-Montes, F.-J. (2015), “Un sistema de información comercial móvil para el control de la fuerza laboral
local y remota a través del monitoreo reactivo y basado en el comportamiento”, Expert Systems with Applications, vol.
42 N° 7, págs. 3462-3469.
Sandkuhl, K., Stirna, J., Persson, A. y Wißotzki, M. (2014), Modelado empresarial: abordar el negocio
70
Desafíos con el Método 4EM, Springer, Berlín.
Scornavacca, E. y Barnes, SJ (2008), “El valor estratégico de la movilidad empresarial: perspectivas de estudios de casos”,
Information Knowledge Systems Management, vol. 7 núm. 2008, págs. 227-241.
Shi, Y. (1998), “Redes internacionales de fabricación: para desarrollar capacidades competitivas globales”,
Revista de gestión de operaciones, vol. 16 núms. 2/3, págs. 195-214.
Shiau, W., Lin, B. y Yan, C. (2016), “El conocimiento básico intelectual del sistema de información móvil”, Actas de PACIS
2016, Documento No. 255, págs. 1-11.
Smit, J., Kreutzer, S., Moeller, C. y Carlberg, M. (2016), “Industria 4.0 – estudio para el comité ITRE”, disponible en:
www.europarl.europa.eu/RegData/etudes/STUD /2016/570007/IPOL_STU(2016)
570007_EN.pdf (consultado el 27 de abril de 2019).
Stillström, C. y Jackson, M. (2007), “El concepto de fabricación móvil”, Journal of Manufacturing Systems, vol. 26 núms. 3/4,
págs. 188-193.
Susman, GI y Evered, RD (1978), “Una evaluación de los méritos científicos de la investigación-acción”, Administration Science
Quarterly, vol. 23 núm. 4, págs. 582-603.
Tuckman, BW y Jensen, MAC (1977), “Revisión de las etapas del desarrollo de grupos pequeños”, Group &
Gestión de organizaciones, vol. 2 núm. 4, págs. 419-427.
Unhelkar, B. y Murugesan, S. (2010), “El marco de desarrollo de aplicaciones móviles empresariales”, IT Professional, vol. 12
núm. 3, págs. 33-39.
Wang, S., Wan, J., Li, D. y Zhang, C. (2016), “Implementación de una fábrica inteligente de Industrie 4.0: una perspectiva”,
International Journal of Distributed Sensor Networks, vol. 12 No. 1, pp. 1-10, disponible en: https://doi.org/
10.1155/2016/3159805 Xu, L., Da, Xu, EL y Li, L. (2018), “Industria 4.0: estado del arte y tendencias futuras”,
International Journal of Production Research, vol. 56 núm. 8, págs. 2941-2962.
Yoo, Y., Boland, RJ, Lyytinen, K. y Majchrzak, A. (2012), “Organización para la innovación en el mundo digitalizado”,
Organization Science, vol. 23 No. 5, págs. 1398-1408.
Sobre los autores João

Barata, PhD, es Profesor Asistente de Sistemas de Información (SI) y Gestión de Proyectos en la Facultad de Ciencia y
Tecnología de la Universidad de Coimbra, Portugal. También es Investigador en CISUC – Centro de Informática y Sistemas
de la Universidad de Coimbra y fue invitado a unirse a la ESTGOH – Instituto Politécnico de Coimbra, en 2016, como Profesor
Asistente de Sistemas de Información.
Antes de esto, João fue gerente de SI de CTCV - Centro Tecnológico para las Industrias de Cerámica y Vidrio durante 20
años y Profesor Adjunto en el Instituto Miguel Torga, Portugal. Es Ingeniero Industrial, Magíster en Ingeniería Informática y
Doctor en Sistemas de Información.
João tiene una experiencia de 22 años como consultor de SI y ha trabajado con más de 300 organizaciones públicas y privadas
en Europa, América y África. Sus principales intereses de investigación son los sistemas de información, el modelado
empresarial, la gestión de procesos comerciales, la gestión de la cadena de suministro y la Industria 4.0.
João Barata es el autor correspondiente y puede ser contactado en: barata@dei.uc.pt
Paulo Rupino Cunha, PhD, es Profesor Asistente de Sistemas de Información en la Facultad de Ciencia y Tecnología de
la Universidad de Coimbra, Portugal y Director del Laboratorio de Informática y Sistemas del Instituto Pedro Nunes (IPN), una
asociación sin fines de lucro para la Innovación y la Tecnología. Transferir. Ha sido Profesor Asociado Adjunto de Enseñanza
en la Escuela de Ciencias de la Computación en Carnegie Mellon, EE. UU. y Asociado Visitante en la Universidad de Brunel,
Reino Unido. Sus intereses de investigación se centran en las sinergias de SI y la gestión de la calidad, los sistemas de
servicios, la nube, la cadena de bloques y los modelos comerciales.
Sharon Coyle, PhD, es profesora de sistemas de información comercial en la Escuela de Negocios de la Movilidad
Universidad de Sydney. Sus principales intereses de investigación se encuentran en la gestión de proyectos, el
desarrollo ágil de software y los sistemas de información, donde ha publicado y presentado su trabajo a nivel de fabricación en
internacional en conferencias y revistas líderes revisadas por pares. Sharon enseña en todo el espectro de nivel evolución en
de educación de pregrado, posgrado y educación ejecutiva y recibió premios de Enseñanza sobresaliente en 2016, la Industria 4.0
2017 y 2018 en la Escuela de Negocios de la Universidad de Sydney. Sharon se desempeñó recientemente como
Líder Académico para el diseño y la entrega del curso inaugural de Innovación de Sistemas de la Universidad con
la Marina Real Australiana. Antes de unirse a la Universidad de Sydney, Sharon trabajó como profesora y directora 71
del Programa MBS en la Universidad Nacional de Irlanda, Galway (NUIG). Antes de unirse a la academia, Sharon
trabajó como consultora de gestión para Accenture.
Para obtener instrucciones sobre cómo solicitar reimpresiones de este artículo, visite
nuestro sitio web: www.emeraldgrouppublishing.com/licensing/reprints.htm O comuníquese
con nosotros para obtener más detalles: permisos@emeraldinsight.com

Ilovepdf Merged-2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ilovepdf Merged-2

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Un modelo de inventario para la Un modelo de

comercialización de pescado en una comercialización de pes

situación de bloqueo incierta y una

Nagarajan Deivanayagam Pillai Aceptado el 14 de julio de 2021

Instituto de Tecnología y Ciencia de Hindustan, Chennai, India

Introducción Revista de avances en

Breve encuesta bibliográfica

Modelado matemático Para

En el tiempo t 5 0, el producto de pescado se compra al vendedor en el área de la costa y se supone que es Q.

JAMR tipo de papel Artículo Análisis

Kuppulakshmi et al. (2021) Los artículos de pescado perecederos se producen durante la

Exportar Proveedores Valor añadido Recolector de pescado local

Sellador entero comisionista

El precio de comercialización de los peces marinos se calcula en diferentes canales.

Proceso 2 Pescadores ÿ Vendedores ÿ clientes

Proceso 3 Pescadores ÿ mayoristas ÿ clientes

Proceso 4 Pescadores ÿ Minoristas ÿ clientes

El tiempo total para el proceso de inventario de producción de pescado es

El tiempo de ciclo esperado para un año se da como

El costo de deterioro para el total de productos pesqueros depende de la proporción de la tasa de

Dc ¼ ÿcI y ÿc ¼ ÿCd (5)

El costo total esperado para el período dado es

El costo total esperado para la producción de pescado durante un año se da como

Sustituyendo la ecuación (4) y la ecuación (9) en la ecuación (10) TCðI; BÞ se da como

FCDF ðm2 þ vÞ ÿLBDF ðÿ þ HcÞB2

Entonces la cantidad óptima ordenada se da como

2FcDF þ ðÿ þ HcÞB2 þ 2ÿ0BDF

Sustituyendo el yo * en la ecuación (11) (Apéndice 1) TCðI; BÞ se da como

Para encontrar la solución óptima para B* (Apéndice 2)

Considerando la ecuación cuadrática b2 ÿ4ac para la ecuación anterior (17) suponga

Para encontrar la raíz de QðBÞ usamos la fórmula. ÿb± b2 ÿ 4ac p

DF La demanda de los productos de la pesca

JAMR Por lo tanto, obtenemos la solución óptima para B* como

Demostrando la convexidad de la función de costo, podemos decir que TC (I, B) es mínimo.

Resultado numérico y análisis de sensibilidad

Tabla 4. 0,3 0,44 1,9 1.301 6.843 832

0,2 0,2 1,9 3,230 46.502 2,235

Análisis de sensibilidad para 0,8 0,2 1,9 438 2.302 630

cambio de parámetro m 1 0,2 1,9 371 1.654 619

Artículo Criterios Resultado de este documento

cantidad se definen en este modelo minoristas Este documento también considera la

* 2FcDF þ ðÿ þ HcÞB2 þ 2ÿ0BDF ðm2 þ vÞHc

Sustituyendo la ecuación (14) en la ecuación (11), obtenemos

FCDF ðm2 þ vÞI ÿLBDF ðÿ þ HcÞB2 2mI ÿcDF

m pags2FcDF þ ðÿ þ HcÞB2 þ 2ÿ0BDF ðÿ þ HcÞB2

vTCðI; BÞ mB ðm2 þ vÞ 1 2Bðÿ þ HcÞHc þ 2ÿLDFHc

ðm2 þ vÞ Bðÿ þ HcÞ þ ÿLDF

¼ Hc " m2 r ¼ Hc " _ pags2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc 1#

ðm2 þ vÞ ðBðÿ þ HcÞ þ ÿLDF Þ pags2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc

ðm2 þ vÞ ðBðÿ þ HcÞ þ ÿLDF Þ p pags2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc

2FcDFHc B2 ðÿ þ HcÞHc 2BÿLDFHc comercialización de pes

Fueron ÿðBÞ ¼ pags 2FcDFHc þ ðÿ þ HcÞB2Hc þ 2BÿLDFHc ðm2 þ vÞ

vTCðI; BÞ FCDF ðm2 þ vÞ ÿLBDF ðÿ þ HcÞB2

v2 TCðI; BÞ FcDF 2ÿLBDF ¼ 2 2ðÿ þ HcÞB2

v2 CT ðÿ þ HcÞ ÿLDF þ vB2

Ingeniare. Revista chilena de ingeniería, vol. 27 N° 1, 2019, págs. 89-100

Margen de contribución óptimo en servicio de alimentos usando control de

Márgenes de contribuciones óptimas en servicios de alimentación usando control de

Recibido el 21 de julio de 2017, aceptado el 19 de febrero de 2018

INTRODUCCIÓN en cuanto a la distribución de probabilidad es necesario optimizar

del modelo de inventario y establecidos los supuestos distributivos

el tiempo de entrega (LT), en definitiva LTD, el valor esperado de la