Traducido del inglés al español - www.onlinedoctranslator.

com

revista europeade Investigación Operativa 273 (2019) 118–130

Contenidolistas disponibles
enScienciadirecta

revista europeade Investigación Operativa

revista Página de
inicio:www.elsevier.com/locate/ejor

Producción, Manufacturay Logística

Gestión de inventario de piezas de repuesto: nueva evidencia del ajuste de

distribución
Laura Turrinia, Joern Meissnerb,∗
a
Negocios EuropeosEscuela, Gustav-Stresemann-Ring 3, 65189 Wiesbaden, Alemania
b
kuniversidad de logistica uehne,Grosser Grasbrook 17, 20457 Hamburgo, Alemania

artículo i abstracto
información

Historial del artículo:

Piezas de repuestoson necesarios para asegurar el funcionamiento de los equipos críticos de muchas empresas y, como tales,
Rrecibido22 de marzo de 2016
juegan un papel central en las operaciones de estas empresas. El control de inventario de repuestos es particularmente desafiante
Aaceptado26 de septiembre de 2017
AVdisponible en línea29 septiembre 2017 debido a la naturaleza de su demanda, que suele ser lenta, errática y desigual. Dado que las políticas de inventario se basan en la
distribución de la demanda del tiempo de entrega pronosticado y esta elección afecta el rendimiento del sistema, una distribución
kepalabras: hipotética inadecuada puede resultar en altos costos prevenibles. En este estudio, contribuimos a la literatura empírica analizando
Inventario qué distribuciones se ajustan mejor a la demanda de repuestos. Usamos la prueba de bondad de ajuste de Kolmogorov Smirnov
de repuestos (K-S) para encontrar las distribuciones que mejor se ajustan a nuestros datos y comparar nuestros resultados con los de la
demanda intermitente
literatura. Además, implementamos una prueba K-S ligeramente modificada que pone mayor énfasis en las diferencias en la cola
Bondad de ajuste
derecha de la distribución, reflejando aplicaciones de inventario del mundo real, y menos énfasis en la cola izquierda. Finalmente,
vinculamos la bondad de ajuste de las distribuciones con el desempeño de sus inventarios. Nuestro primer conjunto de datos
proviene de la industria alemana de energías renovables y se compone de la demanda semanal de más de 4000 artículos durante
el período 2011–
2013.El segundo conjunto de datos proviene de la Royal Air Force. Se compone de una demanda mensual de 5000
artículos durante el período 1996-
2002.
© 2018 Los autores. Publicado por Elsevier BV Este es
un artículo de acceso abierto bajo la licencia CC BY-NC-
ND.(http://creativecommons.org/licenses/by-nc-nd/4.0/)

1. Introducción períodos de tiempo que muestranninguna demanda en absoluto (la longitud

Los repuestos son necesarios para garantizar el funcionamiento de los
equipos críticos de muchas empresas y, como tales, juegan un papel central en
las operaciones de estas empresas. Tanto los fabricantes como los proveedores
de servicios necesitan tener repuestos en sus inventarios para minimizar los
costos financieros y comerciales (debido a la pérdida de reputación) del tiempo
de inactividad. En ciertos sectores, como la aviación comercial, los costos de
tiempo de inactividad pueden ser particularmente altos:ENW (2013)estimar
que retrasarun avión durante dos horas podría costarle a la aerolínea hasta
$150,000. Sin embargo, las piezas de repuesto suelen ser costosas y los costos
de almacenamiento también pueden ser extremadamente altos.Altay, Rudisill y
Literal (2008)estimar que aproximadamenteSe invierten $ 10 mil millones
en existencias de repuestos anualmente.
Determinandoel equilibrio adecuado entre la disponibilidad y los costos
de almacenamiento es a menudo muy difícil debido a las características
particulares de la demanda de repuestos. La demanda de piezas de repuesto es
generalmente intermitente, es decir, ocurre con poca frecuencia, con frecuencia
con muchos
∗
Autor correspondiente.
Correos electrónicos:lauraa.turrini@ebs .midu(L. Turrini),joe@meiss.com (J. Meissner).
media de su intervalo entre demandas es grande). Si la variabilidad del tamaño
de la demanda (cuando se produce la demanda) es alta, se dice que la demanda
es errática. La demanda que es errática e intermitente se llama grumosa. De
acuerdo con el marco más común (sintetos,Boylan y Croston,
2005), exigir quees a la vez no errático e intermitente se llama de movimiento
lento. En un enfoque más general,Boylan, Syntetos y Karakostas (2008)definir
demanda de movimiento lentocomo demanda con demanda media baja por
periodo. Como consecuencia de que la demanda de piezas de repuesto suele ser
lenta, errática y desigual, los métodos de pronóstico estándar (por ejemplo,
suavización exponencial) no funcionan bien para hacer predicciones precisas y,
por lo tanto, es necesario desarrollar nuevos pronósticos. métodos
específicamente diseñados para repuestos.
FpronósticoLos métodos pueden ser paramétricos, en los que se asume una
determinada distribución de la demanda y sus parámetros se estiman utilizando
las realizaciones de demanda observadas, o no paramétricos, en los que la
distribución empírica de la demanda se construye directamente a partir de los
datos. Los métodos paramétricos siguen siendo los más comunes en las
aplicaciones de la industria dada su facilidad de implementación e
interpretación, pero requieren la identificación de una distribución de demanda
adecuada, lo que generalmente no es una tarea fácil.
https://doi.org/10.1016/j.ejor.2017.09.039
0377-2217/© 2018Los autores. Publicado por Elsevier BV Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND.(http://creativecommons.org/licenses/by-nc-nd/4.0/)
 L. Turrini, J. Meissner / Revista europea de investigación operativa 273 (2019) 118–130
En particular, investigaciones previas demuestran que la demanda de repuestos
generalmente no tiene una distribución normal y que la distribución que mejor
se ajusta (típicamente distribuciones de Poisson compuestas como la binomial
negativa y la tartamuda de Poisson) parece depender de la longitud media del
intervalo entre demandas y en el coeficiente de variación del tamaño de la
demanda al cuadrado.
Dado que las políticas de inventario se basan en la distribución de la
demanda del tiempo de entrega pronosticado y esta elección afecta el
rendimiento del sistema, una distribución hipotética inexacta puede resultar en
altos costos prevenibles. Por ejemplo, las existencias innecesarias pueden
suponer una carga de capital considerable, ya que las piezas suelen ser caras, o
pueden surgir elevados costes de penalización debido a roturas de stock no
planificadas.
El primer objetivo de nuestro estudio es ampliar el conocimiento empírico
existente sobre las mejores distribuciones para ajustar los datos de demanda de
repuestos. Usamos la prueba de bondad de ajuste de Kolmogorov Smirnov (K-
S) para determinar las distribuciones que mejor se ajustan a nuestros datos y
comparar nuestros resultados con los de la literatura. Además, implementamos
una prueba K-S ligeramente modificada que pone mayor énfasis en las
diferencias en la cola derecha de la distribución y menos énfasis en la cola
izquierda. Como la mayoría de las aplicaciones de inventario implican calcular
los percentiles 90–95 de la distribución de la demanda pronosticada, la
distribución de la cola derecha es información crucial que se requiere para
implementar un sistema de gestión de inventario exitoso. Aunque ajustar la
distribución correcta es importante, necesitamos saber que la distribución
seleccionada tendrá un buen rendimiento de inventario.
WUsamos dos conjuntos de datos en nuestro estudio. El primer conjunto de
datos proviene de una empresa alemana que es líder mundial en el mercado de
turbinas eólicas y se compone de la demanda semanal de más de 4000 artículos
durante el período 2011-2013. El segundo conjunto de datos proviene de la
Royal Air Force. Se compone de la demanda mensual de 5000 artículos durante
el período 1996–2002.
El resto del documento está organizado de la siguiente manera. EnSección
2,we revisar la literatura relevante. Describimos los conjuntos de datos
analizados enSección3.Sección4se dedica al análisis de las distribuciones que
mejor se ajustan, mientras que las implicaciones del inventario se presentan
enSección5. EnSección6, delineamos nuestras conclusiones y direcciones
para futuras investigaciones.
2. Revisión de la
literatura
La revisión de la literatura relevante se divide en cinco áreas
principales.Sección2.1introduce la previsión paramétricay explica la
relevancia de poder seleccionar la mejor distribución para los datos, que es el
foco principal de nuestro estudio. Comparamos diferentes distribuciones
utilizadas en la literatura para describir la demanda de repuestos enSección
2.2;wConcluimos con una justificación de por qué seleccionamos las
distribuciones normal, gamma, Poisson, binomial negativa y tartamuda de
Poisson. El uso de pruebas de bondad de ajuste para identificar las
distribuciones más adecuadas también es un paso importante en la clasificación
de la demanda. EnSección2.3, describimos la investigación realizada en este
campo y algunas posibles razones por las que aún no ha sido posible utilizar con
éxito los métodos de clasificación existentes para aplicaciones de inventario. El
uso de pruebas que están específicamente diseñadas para enfatizar la cola
derecha se identifica como una posible solución al problema.
Finalmente,Sección2.4repuntos de vistala literatura sobre selección de
métodos y fundamenta nuestra elección desintetosy boylan's(2005)método
de estimación.
2.1. Previsión de repuestos
En la literatura, el pronóstico de repuestos se divide en enfoques
paramétricos y no paramétricos. Los métodos no paramétricos generalmente se
basan en procedimientos de arranque que evalúan directamente
119
los percentiles de la distribución de los datos. Estos métodos
(p.ej,Encuadernadory Lordahl, 1989; Willemain, Smart y Schwarz,
2004; Porrasy Dekker, 2008)han demostrado tener ventajas en ciertas
situaciones; sin embargo, son computacionalmente exigentes y aumentan la
complejidad de los cálculos, lo que significa que no son particularmente bien
recibidos por los profesionales. Además, según un estudio reciente
desintetos,Babai y Gardner (2015), sus ventajasovEstos métodos clásicos son
cuestionables. En este estudio, nos centramos en los métodos paramétricos.
En el pronóstico paramétrico, se supone una determinada distribución de la
demanda de tiempo de entrega y sus parámetros se estiman directamente a partir
de los datos a través de un método de estimación. Como la mayoría de las
distribuciones que se utilizan tienen dos parámetros, la media y la varianza
(consulte también la siguiente subsección), los métodos de estimación
paramétrica deben proporcionar un pronóstico tanto de la media como de la
varianza de la demanda del tiempo de entrega.
El método de estimación más clásico es el suavizado exponencial. En una
contribución de 1972, Croston demuestra que este método está sesgado en
presencia de demanda intermitente e introduce el primer método de estimación
que aborda directamente la intermitencia de los datos. En un trabajo
posterior,sintetosy Boylan (2005)introducirun nuevo método de estimación
que corrige el sesgo en el método de Croston y también se ha vuelto popular
entre los pronosticadores de repuestos.
Todos estos métodos de estimación requieren la suposición de una cierta
distribución del tiempo de entrega. Aunque se ha demostrado que la elección de
la demanda de tiempo de entrega no tiene una gran influencia en el desempeño
del inventario si la demanda tiene una distribución simétrica (FOrtuín,
1980),este no es el caso de las distribuciones asimétricas.Heuts, Lieshout,y
Baken (1986)muestra esael desempeño de un sistema de inventario depende
de la asimetría de la distribución supuesta del tiempo de entrega. Al ser
intermitente, la demanda de repuestos a menudo produce una distribución de
tiempo de entrega sesgada (Lengu, Syntetos y Babai,
2014),al menos para plazos de entrega razonablemente cortos (para plazos de
entrega largos, se aplica el teorema del límite central y la distribución se vuelve
más simétrica). Por este motivo, debe prestarse especial atención a la selección
de la distribución adecuada en este contexto.
2.2. Características de la demanda de
repuestos
Demandapara repuestos típicamente exhibe un comportamiento altamente
estocástico, debido a su naturaleza intrínseca. Dado que la mayor parte de la
demanda de piezas de repuesto es atribuible a fallas en los equipos mecánicos o
electrónicos, es altamente impredecible, errática y desigual. La intermitencia de
este tipo de demanda sugiere que debe modelarse con distribuciones
compuestas, ya que permiten modelar los tamaños de demanda y los intervalos
entre demandas como variables separadas. En la literatura de demanda
intermitente, los tiempos entre llegadas se han modelado a través de variables
discretas y continuas.
Si el tiempo se trata como una variable discreta, la llegada de la demanda
normalmente se modela como un proceso de Bernoulli. Es decir, en cada unidad
de tiempo, la probabilidad de observar una demanda es modelada por una
variable aleatoria de Bernoulli. En consecuencia, los tiempos entre llegadas
están descritos por una variable aleatoria geométrica. El tamaño de demanda
corresponde a la suma de todos los tamaños de pedidos de demanda que llegan
durante una unidad de tiempo.Croston (1972)wcomo el primero en introducir
la estructura de demanda compuesta para modelar la demanda intermitente en
un contexto de pronóstico. Su modelo usa el proceso de Bernoulli para describir
la llegada de la demanda, y los tamaños de la demanda se modelan a través de
variables aleatorias normales iid. Los estudios que emplean modelos similares
incluyenBoylan y Syntetos (2007)yAltai et al. (2008). De acuerdo
atosintetos,Babai, Lengu y Altay (2011), sin embargo, elEl uso de la distribución
normal para modelar los tamaños de la demanda tiene poco apoyo empírico en
el contexto de las piezas de repuesto, ya que la demanda intermitente está muy
sesgada hacia la derecha, lo que significa que la normalidad no es una suposición
viable. En
la literatura, pero ninguno ha exhibido un buen desempeño. Por ejemplo, la
distribución logarítmica de Poisson de los tamaños de la demanda, cuando se
combina con las llegadas de Bernoulli, produce el log-cero-Poisson como la
distribución de la demanda por período, que, sin embargo, es superada por la
distribución binomial negativa ( NBD), como lo muestraKwan (1991).
Cuando el tiempose modela como una variable continua, el proceso de
llegada de la demanda se describe típicamente como un proceso de Poisson. Los
intervalos entre demandas son entonces variables aleatorias distribuidas
exponencialmente. En este caso, cada pedido se trata de forma independiente,
por lo que el modelo continuo contiene más información que el modelo discreto
(Lengu et al., 2014).Si los tamaños de la demanda se modelan como una
variable aleatoria geométrica, entonces la distribución compuesta se denomina
Poisson tartamudo. Esta distribución se ha utilizado ampliamente en la literatura
para modelar la demanda global, por ejemplo, medianteWduro (1978)y, más
recientemente, porsintetos,Babai y Altay (2012). Otra opción común para
modelar la demandael tamaño es la distribución logarítmica, que produce el
binomio negativo de la demanda por unidad de tiempo. Los estudios que utilizan
el NBD incluyensintetosy Boylan (2006),Babai, Ali y Nikolopoulos
(2012)ysintetosmit al. (2015).sintetosmit al. (2012, 2011)demostrar que
ambosNBD y la tartamudez de Poisson exhiben un ajuste empírico muy bueno
para tres conjuntos de datos empíricos de las industrias militar y electrónica. Su
análisis emplea la prueba K-S.
A pesar deLa esencia de la demanda intermitente hace que sea natural
utilizar distribuciones compuestas para modelar la llegada de la demanda; sin
embargo, existen algunas distribuciones no compuestas que se han empleado
ampliamente en la literatura. Para tiempos de entrega largos, se aplica el
teorema del límite central, lo que hace que la distribución normal sea una
suposición justa para modelar la demanda de tiempo de entrega. En la literatura,
la distribución normal se usa a menudo como punto de referencia para otras
distribuciones más complejas, principalmente porque todavía representa el
estándar entre los profesionales. Los ejemplos sonFRicker y Goodhart
(2000),PAGorrasy Dekker (2008),kOurentzes (2013)yTeuntery Duncan
(2009).La versión continua de NBD es la distribución gamma y se usa
ampliamente en aplicaciones de inventario debido a su manejabilidad analítica.
No solo tiene una forma muy flexible, sino que la distribución gamma también
puede asumir solo valores positivos, lo que la convierte en una buena opción
para describir la demanda. Sin embargo, si se supone que la demanda es
discreta, la distribución gamma solo puede aproximarse a la distribución de la
demanda. La distribución gamma se utiliza principalmente en la literatura para
modelar la demanda de tiempo de entrega (p. ej.,Snyder, 2002;do Rego & de
Mesquita, 2015). Otra distribución no compuesta quetiene una larga
historia de aplicación en el contexto de las piezas de repuesto es la distribución
de Poisson, especialmente cuando el artículo bajo investigación se mueve muy
lentamente, y la demanda llega en realizaciones de tamaño único (Muckstadt,
2010).La distribución de Poisson, con solo un parámetro para estimar, no es
flexible y solo puede ajustarse bien a los datos para los cuales la media es muy
similar a la varianza.
FsiguienteDespués de las discusiones anteriores, consideramos en este
estudio solo dos distribuciones compuestas, a saber, la NBD y la tartamuda de
Poisson, ya que ninguna de las otras introducidas en la literatura hasta ahora ha
demostrado tener un rendimiento empírico comparable. También incluimos las
tres distribuciones no compuestas presentadas anteriormente: normal, gamma y
Poisson.
2.3. Clasificación de la
demanda
sintetosmit al. (2011)desarrollarun esquema de clasificación con el
propósito de identificar qué distribuciones se ajustan a los datos dependiendo
del intervalo promedio entre demandas p y el coeficiente de variación al
cuadrado de los tamaños de demanda CV2 . La regla general resultante para la
clasificación se presenta enFyo G. 1. De acuerdo aFyo G. 1, se debe emplear la
distribución normal para ajustar SKU con p y CV bajos2 , mientras que el
Poisson debe ser
aplicadopara SKUs con bajo CV2pero alta p. Si p es alta y CV2también es alto
(pero no demasiado alto), entonces se debe usar el NBD o el tartamudeo de
Poisson. Para todos los SKU restantes, se debe aplicar la distribución gamma.
Syntetos et al. también investigue el vínculo entre la bondad de ajuste de una
determinada distribución y el rendimiento logrado al usar esa distribución en la
política de inventario. Muestran que un buen ajuste de una cierta distribución
del tiempo de entrega no necesariamente se traduce en un buen desempeño del
inventario. Por ejemplo, se encuentra que la distribución gamma supera a la
distribución intermitente de Poisson en la simulación de inventario, mientras
que los resultados de ajuste indican lo contrario. La razón de este desajuste
puede atribuirse a la prueba utilizada: como las políticas de inventario requieren
solo la estimación de los percentiles superiores de las distribuciones, una prueba
que capture las diferencias entre las distribuciones completas podría no ser
particularmente útil. En cambio, los autores destacan la importancia de
desarrollar pruebas de bondad de ajuste modificadas que pongan mayor énfasis
en las diferencias en los percentiles superiores.
Un estudio reciente deLengu et al. (2014)sugiere otro esquema de
clasificación basadosobre el modo y el CV2de la demanda Demuestran que
se deben usar diferentes tipos de distribuciones de Poisson compuestas,
dependiendo de los valores de estos dos parámetros. Sin embargo, no se
investiga el vínculo con el desempeño del inventario.
WTambién analizamos las distribuciones que mejor se ajustan a nuestros
datos y comparamos nuestros resultados con los desintetosmit al.
(2011).Además, siguiendo su sugerencia, desarrollamos una prueba especial de
bondad de ajuste que “castiga” en mayor medida las diferencias en los
percentiles superiores y en menor medida las diferencias en los percentiles
inferiores. Luego comparamos los resultados de las pruebas y el rendimiento del
inventario.
2.4. Clasificación de la demanda para mejorar el
rendimiento
otra corrientede la literatura vincula las características de la demanda con
el desempeño de los métodos de pronóstico, con el objetivo de seleccionar el
método apropiado para los datos dados. Los primeros estudios en esta corriente
incluyenWilliams (1984)yJohnstony Boylan (1996),que se centran en el
papel de p.sintetosmit al. (2005)ykOstenko y Hyndman (2006)investigar
más a fondoel papel de la hoja de vida2 . Comparan diferentes métodos de
pronóstico con el fin de minimizar el error cuadrático medio teórico. Encuentran
que la elección del método de pronóstico debe hacerse entre el de Croston y el
desintetosy boylan's(2005)métodos (suavizado exponencialnunca se
prefiere) dependiendo de p y CV2 . Nuestros datos caen en la categoría para la
cualsintetosy boylan's(2005)el método deberíabyo usado Otros
investigadores, comoGhobbary amigo (2003)y, más recientemente,Educación
físicaTropoulos, Makridakis, Assimakopoulos,y Nikolopoulos (2014),
desarrollar estrategias de pronóstico que seleccionenel método de pronóstico de
mejor desempeño basado no solo en p y CV2sino también de otras características
de la demanda como la longitud de la serie, la duración del período estacional y
el horizonte de previsión. Aunque los resultados son interesantes, estos estudios
se enfocan únicamente en minimizar el error de pronóstico y no consideran el
desempeño del inventario, que es el enfoque principal de nuestro artículo.
3. Descripción de
datos
Los conjuntos de datos empíricos que utilizamos en nuestra investigación
provienen de la industria de las energías renovables y de la Royal Air Force
(RAF). Presentamos un resumen de sus características enTcapaz 1, mientras
reportamos algunas estadísticas descriptivas enTcapaces 2y3.
conjunto de datos1 proviene de un líder mundial en el mercado de
aerogeneradores con sede en Alemania. El conjunto de datos original está
compuesto por los pedidos que los almacenes regionales hacen al almacén
central. Contiene un total de 248.761 órdenes de consumo en el período enero
2011-diciembre 2013 para 4483 piezas diferentes. El
 Fyo G. 1.Fuente:Syntetos etAlabama.
Tcapaz
1
Conjuntos de datos
empíricos.
NORTE. Industria NORTE. de SKU Tagregación de
tiempo Longitud de la serie
1 Renergía renovable 4483 Wsemanalmente 160
2 Militar(RAF) 5000 Mensual 84
los procesos de la empresa son tales que los inventarios se revisan
semanalmente; por lo tanto, agregamos los pedidos semanalmente y creamos un
cronograma de 160 semanas para cada parte. El tiempo de entrega para este tipo
de pedido es breve, y la empresa propietaria del conjunto de datos 1 informa
que es de unos pocos días. Sin embargo, no tenemos información sobre el
tiempo de entrega de la producción o cuándo surgieron necesidades en tiempo
real, ya que una orden de consumo solo se puede registrar en el sistema una vez
que el almacén central contiene la pieza especificada.
conjunto de datos1 tiene un nivel de intermitencia muy variado. Si
consideramos p=1.32 como el umbral entre SKU de alta frecuencia e
intermitentes (umbral identificado porsintetosy Boylan, 2005),wEncontramos
que 66 SKU son de alta frecuencia, mientras que 4417 partes son intermitentes,
con 1460 artículos (33%) tomando solo un valor distinto de cero. Excluimos de
nuestro estudio aquellos puntos de datos que no tienen observaciones en la
inicialización (el primer año, compuesto por 52 observaciones) o período de
control (las 108 observaciones restantes. Por favor verSección5.1para obtener
más detalles sobre esta elección), y por lo tanto, nuestro conjunto de datos final
se compone de 1992 partes (se excluyeron 2491 partes). Tenga en cuenta que el
conjunto de datos 1 no se utilizará en las simulaciones de control de existencias.
No obstante, excluimos del estudio aquellos elementos que no cumplían con las
reglas mencionadas anteriormente en un esfuerzo por realizar una comparación
justa y sensata entre el rendimiento del ajuste distribucional de los dos conjuntos
de datos diferentes. Partes en este conjunto de datos también
tienen una variabilidad muy alta de tamaños de demanda con CV2rcada uno
máximoNivel de más de 18.
conjunto de datos2 se ha utilizado en muchos trabajos de investigación
anteriores que analizan el pronóstico de repuestos (por ejemplo,Teuntery
Duncan, 2009; Syntetos et al., 2011; Babai et al., 2012).Comprende
mensualmente
Tcapaz 2
conjunto de datos1 – 1992 artículos analizados,
Intervalos de demanda
Signifi Dakota CV2
car del Sur
(2011).
demanda agregadapara los años entre 1996 y 2002 y contiene datos sobre
5000 SKU. La serie de datos resultante tiene una longitud de 84 periodos. El
conjunto de datos 2 es muy intermitente, ya que el tiempo medio mínimo entre
llegadas es de 4,15 meses; sin embargo, la intermitencia tiene una desviación
menor de la media con respecto al Dataset 1. La distribución de tamaños de
demanda también es más homogénea, alcanzando un CV máximo2de solo 11,88
en comparación con los 18,82 del conjunto de datos 1 (el CV medio2sin
embargo, es más grande en este caso). En el caso de este conjunto de datos, no
fue necesario excluir puntos de datos para cumplir con los requisitos de la
simulación (verSección5.1para mas detalles).
Fo Dataset 2, tenemos información sobre los plazos de entrega, que
recopilamos enTcapaz 4. Solo el 25% de los artículos tienen menos de cinco
meses de tiempo de entrega, con una mediana de nueve meses; dos artículos
tienen un plazo de entrega muy largo de casi tres años (33 meses).
4. Bondad de ajuste y clasificación de ítems
En esta sección, abordamos nuestro primer objetivo, a saber, contribuir a la
literatura empírica sobre las distribuciones que mejor se ajustan a las piezas de
repuesto. Para ello, utilizamos los dos conjuntos de datos empíricos descritos en
la sección anterior. Primero, describimos el tipo de prueba de bondad de ajuste
que usamos enSección4.1y luego describir los resultados de ajustar la demanda
para cada período (Sección4.2) y la demanda de tiempo de entrega (Sección
4.3).
4.1. Pruebas de bondad de
ajuste
WUsamos la prueba K–S para evaluar la bondad de ajuste de las
distribuciones. Esta prueba es una de las que se basan en las estadísticas de la
función de distribución empírica (EDF), que miden la bondad de ajuste
comparando la función de distribución empírica Fnorte (X) con la supuesta
función de distribución F0 (X). El estadístico K-S se define como
D=sorberXD (X ),dóndeD(X )=|Fnorte (X )−F0 (X )|, conXbeingel conjunto
de observaciones. Esta medida representa la distancia absoluta entre
interpolaciónlas dos curvas de Fnortey F0 . Más concretamente, si tenemos
norteobservacionesX+(1 )≤X−(2 )≤· · · ≤X (norte ),el estadístico K–S D se evalúa
como D=máximo(D , D ),donde D+ =máximo
y 1≤i≤norte
i norte−F0 X (i )
Tamaños de demanda Demanda por periodo
Significar Dakota del CV2 Signific Dakota del CV2
Sur ar Sur
122 L. Turrini, J. Meissner / Revista europea de investigación operativa 273 (2019) 118–130
mínimo 1.01 0 0 0.40 0 0 0.01 0.10 0.26
Mediana 17.44 14.09 0.78 1.70 0.90 0.29 0.12 0.50 24.79
máx. 79.50 106.07 9.46 2304.00 3156.50 18.82 842.73 1751.50 156.50
 Tcapaz 3
conjunto de datos2 - 5000 elementos analizados,

Intervalos de demanda Tamaños de demanda Demanda por periodo

Signifi Dakota CV2 Significa Dakota CV2 Signifi Dakota CV2

car del Sur r del Sur car del Sur
mínimo 4.15 0 0 1.00 0 0 0.04 0.19 3.71
Mediana 9.50 6.10 0.53 3.83 3.06 0.46 0.37 1.45 14.58
máx. 24.00 14.62 1.83 668.00 874.42 11.88 65.08 275.71 80.72

Tcapaz 4
conjunto de datos2 – información sobre el plazo de entrega (en meses),

mínimo 25% Mediana 75% máx.

Tiempo de espera 0 5 9 12 33

Fyo G. 3.Prueba K-S modificada.

F(X) α3
0.9
Fyo G. 2.Prueba clásica K-S.
0.8

D− =máximo1≤i≤norte [F0
norte]. La hipótesis nula es H0: F=F0 ,
( X (i )) −
i−
α
donde Fes la distribución real desconocida de los datos. H0es rechazado a 0.6 2
nivelαsi D es mayor que el valor crítico de nivel de la pruebaα .Fyo G.
0.5
2representala aplicación clásica de la prueba K-S: la línea continua es la
distribución supuesta F0 , y las líneas punteadas representan los intervalos de 0.4
confianza Fα+ y Fα− . En este caso, la línea discontinua, que representa la
distribución empírica Fnorte , se extiende más allá del intervalo de confianza, lo 0.3
que hace que se rechace la hipótesis nula.
0.2
La clásica prueba K-S es una medida de qué tan cerca está una em- α1
de la prueba implica que los intervalos de confianza son del mismo A1 A2 A3
tamaño para toda la distribución, lo que significa que la prueba otorga el mismo 0
0246810
peso a las diferencias en los percentiles inferiores y los percentiles superiores. X
Sin embargo, como se ha señalado (por ejemplo, porsintetosmit al., 2012),esto Fyo G. 4.Prueba K-S modificada: definición.
no es apropiado para aplicaciones de inventario. Como la mayoría de las
aplicaciones de inventario implican calcular los percentiles 90–95 de la
distribución de la demanda pronosticada, la distribución de la cola derecha es A1), nuestra prueba no debe poner un énfasis indebido en ellos; por lo tanto,
información crucial para implementar un sistema de gestión de inventario deseamos asignar aα 1un valor menor que 1. Por el contrario, A3contienelos
exitoso. Por lo tanto, también aplicamos una versión modificada de la prueba percentiles más altos, que nos interesan más; en consecuencia, asignamos aα 3un
K-S que asigna mayor peso a las diferencias en los percentiles superiores y número mayor que 1, para enfatizar las diferencias que ocurren en esta área. En
menos a las diferencias observadas en los percentiles inferiores. Para hacerlo, nuestro estudio, fijamos los valores de los coeficientes de escala
dividimos el rango de probabilidad [0, 1] en tres partes y nombramos los rangos paraα1=0.3,α2=1 yα3=3.El estadístico de prueba resultante se puede escribir
correspondientes en el dominio X A1, A2y un3. A1se define como [0, F−1 como D=sorberXD (X ),dónde
(0.3)],A2es el 0 aquíD(X )= 3α|i=1i Fnorte (X )−F(X0)|1(X )A,yi 1A(X )es el indicadorfuncióndel
rángel(F −1 (0.3), F −1 (0.9)],y un3correspondeto(F −1 (0.9),∞ ). conjunto Ai , definido como 1A(X )=1 si x∈Aiy 0 más-
0 0 0 i
En cada rango Ai , le asignamos un cierto pesoα ito la estadística, tribuciones implican percentiles pequeños (quees, cuando estamos
como se ilustra enFyo G. 4. Mientras las diferencias entre dis- dentro
inteligente.Fyo G. 3representala aplicación de la prueba resultante. Como se
desee,
los intervalos de confianza son más estrechos en la cola derecha y más anchos
en la izquierda.
 Las decisiones relativas a la subdivisión y los coeficientes de escala son
arbitrarias, pero están respaldadas por la literatura sobre pruebas ponderadas,
que concluye que la elección de la función de ponderación y los parámetros
debe basarse en la identificación de la forma deseada de los intervalos de
confianza (andersony Darling, 1954; Arsham, 1986).Si tuviéramos que
subdividir la región de prueba en solo dos áreas, necesitaríamos que nuestra
prueba fuera más estricta en el área derecha y menos estricta en el área
izquierda, sin tener un área intermedia. Esto haría que la transición entre las dos
áreas fuera mucho más fuerte y conduciría a una prueba menos homogénea, que
se comportaría de manera bastante diferente en datos similares, haciendo que
esta elección no sea deseable. Por el contrario, podríamos tener más de tres
áreas, con diferen-
we no tienen una distribución completamente especificada. Esto hace que la
prueba sea conservadora, lo que significa que acepta el nulo más a menudo de
lo que debería (Massey, 1951). Además,wTenemos datos discretos en lugar
de continuos, lo que también significa que la prueba es conservadora
(norteotro,1963). Por lo tanto,si encontramos que cierta distribución se ajusta
a nuestros datos, todavía hay una cierta probabilidad de que este no sea el caso.
Discutiremos las implicaciones para nuestros resultados en la conclusión.
Basado en la literatura descrita enSección2, probamos las siguientes
distribuciones: normal, gamma, Poisson, binomial negativa y tartamuda de
Poisson. Estas son las mismas distribuciones que usaremos en la simulación de
inventario enSección5. Para estimar estos

Fdiferentes parámetros de peso que podrían otorgaruna transmisión distribuciones,wprimero evaluamos directamente los dos momentosm̄ y
aún más suave

sión CuandowIntentamos subdividir en más de tres áreas, sin embargo, no σ̄ 2de los datos de demanda observados. Estos se usan directamente como
notamos diferencias significativas en los resultados de ajuste. La elección del parámetros de la normal y la distribución de Poisson (para la cual
valor de los parámetros de ponderación es nuevamente establecemosλ=m̄). Los parámetros de la distribución gamma son es-

arbitrariopero justificado por nuestra forma objetivo de la confianza inter- σ̄ 2

uso estimadolas fórmulas a=m̄ 2 y B= m̄ . Los parametros
σ̄ 2
vAlabama. Si tuviéramos que seleccionar un valor mayor paraα 3, tendríamos de la binomial negativa y de la tartamuda de las distribuciones de Poisson se
un estiman utilizando las fórmulas deAxsäter (2006), pag.
sprueba de tricteren la cola derecha, mientras que un mayor valor 82). Para el NBD, el parámetro p se calcula como p =−
m¯
1 σ̄ 2 ,
deα 1wsig- 2
nifique una prueba menos suelta en la cola izquierda.
Otras formas de intervalos de confianzahan sido utilizados en la lit-

eratura,pero ninguno se adapta enteramente a nuestro propósito.Ecker mientrasr=m̄1 −

pag m¯ 2
(1979)mul- pag=σ̄ 2−m̄ . En aquellos casos en queσ̄
<m̄,wmi
conjunto
tipliesel estadístico K-S por la función de ponderación continua gráfica muy sencilla que también facilita la introducción de la modificación a la
1
− prueba.
[Fnorte (tu )(1−Fnorte (tu ))] 2. Este tipo de peso crea una relación muy
estrecha. WDebe tenerse en cuenta que los valores críticos estándar de la prueba K-S
intervalos de confianzaen ambas colas. Como necesitamos un intervalo de están libres de distribución solo para distribuciones continuas completamente
confianza más grande en la cola izquierda, este tipo de peso no es apropiado especificadas. Como tenemos que estimar los parámetros de la distribución a
para nosotros.Masóny Schuenemeyer (1983)utilice las llamadas estadísticas de probar a partir de los datos (por ejemplo, calculamos la media y la desviación
tipo Rényi para construir intervalos de confianza que sean más sensibles a los estándar de los datos antes de aplicar la prueba),
diferentes comportamientos de la cola. Dependiendo de los parámetros de peso,
construyen pruebas que son más o menos estrictas en alternativas de cola ligera
o pesada, que es un grado de sensibilidad que no buscamos.Arham
(1986)construye regiones de confianza que son más estrechasen las
colas derecha o izquierda dándoles forma a través de dos parámetros de peso.
Estas regiones son flexibles en los parámetros pero tienden a ser muy angostas
en una cola y extremadamente anchas en el resto de la distribución. Para
resolver este problema,Arham (1987)introduce nuevas regiones de
confianza que consistende una mezcla de estos y los clásicos intervalos K-
S. Son el tipo de regiones de confianza que más se acercan a nuestras
necesidades, pero su forma sigue sin ser la idónea, ya que es muy estrecha en
una cola y de tamaño normal para el resto de la distribución.
Nuestra prueba K-S modificada tiene dos ventajas principales sobre estas
pruebas citadas. En primer lugar, su simplicidad y su interpretación directa lo
convierten en la opción preferida de los profesionales. En segundo lugar, no
solo es más capaz de detectar diferencias en la cola derecha de la distribución,
sino que también puede ser más "olvidadizo" alrededor de cero. Esta
flexibilidad es crucial porque estamos considerando una demanda intermitente,
donde la distribución empírica suele estar mucho más sesgada hacia cero que la
distribución teórica.
Diferentes pruebasse utilizan en la literatura para medir la bondad de
ajuste (D'Agostino & Stephens, 1986). Sin embargo,el test K–S tiene unas
características particulares que lo convierten en la mejor opción para nuestro
trabajo. Primero, no requiere que los datos se agrupen en categorías como lo
hace la prueba clásica de chi-cuadrado; esto elimina el problema de especificar
las categorías y evita la pérdida de información. En segundo lugar, los puntos
críticos, bajo ciertas hipótesis, están libres de distribución (D'Agostino &
Stephens, 1986); esto significa quewPodemos usar la misma prueba para
todas las distribuciones en nuestro estudio. Finalmente, tiene una interpretación
σ̄ 2=m̄;esto corresponde a la distribución límite cuando r→ ∞,
es decir, una distribución de Poisson (DeGrooty Schervish, 2012).Esto es raro
en nuestros conjuntos de datos, ya que ocurre aproximadamente en el 3 % de
los SKU. En el caso de la distribución de Poisson entrecortada, el parámetro de
2
la geométrica se calcula comoβ 1 1+ ,mientras
σ̄ 2/m̄
=−
esode la distribución de Poisson se deriva comoλ=m̄·(1−β). En
casos en los queβ<0, que son nuevamente aquellos dondeσ̄
2<m̄,nosotroscolocarβ=0.

WAplicamos tanto la versión clásica como la modificada de la prueba para

ajustar la demanda de cada período y el tiempo de entrega. Si bien lo primero
ha sido el objetivo de los estudios de clasificación, con el objetivo de
comprender mejor los patrones de demanda de repuestos (por
ejemplo,sintetosmit al., 2011; Lengu et al., 2014)y mejorar la previsión (p.
ej.,Willemain, Inteligente, Shockor,y DeSautels, 1994; Johnston y Boylan,
1996; Syntetos et al., 2005; Regattieri, Gamberi, Gamberini,
y Manzini, 2005),este último es el que es relevante para las aplicaciones de
inventario.
WDigamos que una distribución tiene un fuerte ajuste para un SKU si la
estadística de prueba calculada en ese patrón de demanda de SKU en particular
es menor que el valor crítico en un nivel de significación del 5% de la
distribución de la estadística de prueba. Si el estadístico de prueba es mayor que
el valor crítico para el 5% pero menor que para el 1%, decimos que hay un buen
ajuste. No hay ajuste de otra manera. Usamos las tablas deMassey (1951)to
evaluar los valores críticos de la prueba. Por ejemplo, si tenemos una muestra
de tamaño 35, la tabla enMassey (1951)dice que los valores críticos en los
niveles de significación del 5% y 1% son 0.23 y
0.27. Esto significa que si estamos muestreando de F0un total de 35
observaciones, la probabilidad de obtener una distancia K-S mayor que
0,23 (0,27) es 5% (1%). En otras palabras, el valor p de observar un estadístico
K–S de 0,23 (0,27) es del 5 % (1 %), es decir, si observamos un estadístico K–
S menor que 0,23 (0,27), no logramos rechazar H0conuna confianza del 5%
(1%). En nuestro caso, si tuviéramos una muestra de tamaño 35 y obtuviéramos
un valor del estadístico K-S menor a 0.23, diríamos que el ítem tiene un ajuste
fuerte; si el estadístico K-S es mayor que 0.23 pero menor que 0.27, diríamos
que tiene un buen ajuste; diríamos que no tiene ajuste para valores del
estadístico K-S mayores que 0.27.

4.2. Ajuste de la demanda por periodo y clasificación de artículos

Los resultados de las pruebas K-S clásicas y modificadas ajustadas a la

demanda por período se reportan enTcapaz 5. EnFigs. 5y6, proporcionamos una
representación gráfica de los resultados de ajuste para la prueba clásica. Cada
SKU se grafica como un punto con una x correspondiente a su promedio
 20
20 20

CV218 CV218 CV218

dieciséis
dieciséis dieciséis

141414

121212

101010

888

666

444

222

0 0 0
01020304050607080 01020304050607080 01020304050607080

pag pag pag

(a) Veneno (b) normales (c) Gama

20 20

CV218 CV218
dieciséis dieciséis

1414

1212

1010

88

66

44

22

0 0
01020304050607080 01020304050607080

pag p
a
(d) NBD g
(e) Estúpido. PAG.
Fyo G. 5.ClásicoAjuste de demanda por período de prueba K–S para el conjunto de datos 1. (Para la interpretación de las referencias al color en esta figura, se remite al lector a la versión web de este artículo).

12
12 12

CV2 CV2 CV2

10
10 10

888

666

444

222

0
0510152025 0 0
0510152025 0510152025
pag pag pag
(a) Veneno (b) normales (c) Gama
12 12

CV2 CV2
10 10

88

66

44

22

0
0510152025
pag (d) NBD
 Las decisiones relativas a la subdivisión y los coeficientes de escala son
arbitrarias, pero están respaldadas por la literatura sobre pruebas ponderadas,
que concluye que la elección de la función de ponderación y los parámetros
debe basarse en la identificación de la forma deseada de los intervalos de
confianza (andersony Darling, 1954; Arsham, 1986).Si tuviéramos que
subdividir la región de prueba en solo dos áreas, necesitaríamos que nuestra
prueba fuera más estricta en el área derecha y menos estricta en el área
izquierda, sin tener un área intermedia. Esto haría que la transición entre las dos
áreas fuera mucho más fuerte y conduciría a una prueba menos homogénea, que
se comportaría de manera bastante diferente en datos similares, haciendo que
esta elección no sea deseable. Por el contrario, podríamos tener más de tres
áreas, con diferen-
we no tienen una distribución completamente especificada. Esto hace que la
prueba sea conservadora, lo que significa que acepta el nulo más a menudo de
lo que debería (Massey, 1951). Además,wTenemos datos discretos en lugar
de continuos, lo que también significa que la prueba es conservadora
(norteotro,1963). Por lo tanto,si encontramos que cierta distribución se ajusta
a nuestros datos, todavía hay una cierta probabilidad de que este no sea el caso.
Discutiremos las implicaciones para nuestros resultados en la conclusión.
Basado en la literatura descrita enSección2, probamos las siguientes
distribuciones: normal, gamma, Poisson, binomial negativa y tartamuda de
Poisson. Estas son las mismas distribuciones que usaremos en la simulación de
inventario enSección5. Para estimar estos

Fdiferentes parámetros de peso que podrían otorgaruna transmisión distribuciones,wprimero evaluamos directamente los dos momentosm̄ y
aún más suave

sión CuandowIntentamos subdividir en más de tres áreas, sin embargo, no σ̄ 2de los datos de demanda observados. Estos se usan directamente como
notamos diferencias significativas en los resultados de ajuste. La elección del parámetros de la normal y la distribución de Poisson (para la cual
valor de los parámetros de ponderación es nuevamente establecemosλ=m̄). Los parámetros de la distribución gamma son es-

arbitrariopero justificado por nuestra forma objetivo de la confianza inter- σ̄ 2

uso estimadolas fórmulas a=m̄ 2 y B= m̄ . Los parametros
σ̄ 2
vAlabama. Si tuviéramos que seleccionar un valor mayor paraα 3, tendríamos de la binomial negativa y de la tartamuda de las distribuciones de Poisson se
un estiman utilizando las fórmulas deAxsäter (2006), pag.
sprueba de tricteren la cola derecha, mientras que un mayor valor 82). Para el NBD, el parámetro p se calcula como p =−
m¯
1 σ̄ 2 ,
deα 1wsig- 2
nifique una prueba menos suelta en la cola izquierda.
Otras formas de intervalos de confianzahan sido utilizados en la lit-

eratura,pero ninguno se adapta enteramente a nuestro propósito.Ecker mientrasr=m̄1 −

pag m¯ 2
(1979)mul- pag=σ̄ 2−m̄ . En aquellos casos en queσ̄
<m̄,wmi
conjunto
tipliesel estadístico K-S por la función de ponderación continua gráfica muy sencilla que también facilita la introducción de la modificación a la
1
− prueba.
[Fnorte (tu )(1−Fnorte (tu ))] 2. Este tipo de peso crea una relación muy
estrecha. WDebe tenerse en cuenta que los valores críticos estándar de la prueba K-S
intervalos de confianzaen ambas colas. Como necesitamos un intervalo de están libres de distribución solo para distribuciones continuas completamente
confianza más grande en la cola izquierda, este tipo de peso no es apropiado especificadas. Como tenemos que estimar los parámetros de la distribución a
para nosotros.Masóny Schuenemeyer (1983)utilice las llamadas estadísticas de probar a partir de los datos (por ejemplo, calculamos la media y la desviación
tipo Rényi para construir intervalos de confianza que sean más sensibles a los estándar de los datos antes de aplicar la prueba),
diferentes comportamientos de la cola. Dependiendo de los parámetros de peso,
construyen pruebas que son más o menos estrictas en alternativas de cola ligera
o pesada, que es un grado de sensibilidad que no buscamos.Arham
(1986)construye regiones de confianza que son más estrechasen las
colas derecha o izquierda dándoles forma a través de dos parámetros de peso.
Estas regiones son flexibles en los parámetros pero tienden a ser muy angostas
en una cola y extremadamente anchas en el resto de la distribución. Para
resolver este problema,Arham (1987)introduce nuevas regiones de
confianza que consistende una mezcla de estos y los clásicos intervalos K-
S. Son el tipo de regiones de confianza que más se acercan a nuestras
necesidades, pero su forma sigue sin ser la idónea, ya que es muy estrecha en
una cola y de tamaño normal para el resto de la distribución.
Nuestra prueba K-S modificada tiene dos ventajas principales sobre estas
pruebas citadas. En primer lugar, su simplicidad y su interpretación directa lo
convierten en la opción preferida de los profesionales. En segundo lugar, no
solo es más capaz de detectar diferencias en la cola derecha de la distribución,
sino que también puede ser más "olvidadizo" alrededor de cero. Esta
flexibilidad es crucial porque estamos considerando una demanda intermitente,
donde la distribución empírica suele estar mucho más sesgada hacia cero que la
distribución teórica.
Diferentes pruebasse utilizan en la literatura para medir la bondad de
ajuste (D'Agostino & Stephens, 1986). Sin embargo,el test K–S tiene unas
características particulares que lo convierten en la mejor opción para nuestro
trabajo. Primero, no requiere que los datos se agrupen en categorías como lo
hace la prueba clásica de chi-cuadrado; esto elimina el problema de especificar
las categorías y evita la pérdida de información. En segundo lugar, los puntos
críticos, bajo ciertas hipótesis, están libres de distribución (D'Agostino &
Stephens, 1986); esto significa quewPodemos usar la misma prueba para
todas las distribuciones en nuestro estudio. Finalmente, tiene una interpretación
 Tcapaz 5
Resultados de bondad de ajuste: demanda por período.

PAGporcentajede
SKU

conjunto de Tipo Distribución Sajuste buen norteo ajuste

datos n fuerte(%) ajuste(%) (%)
1 Clásico PAGoisson 69.53 2.96 27.51
norteorales 0,60 0.20 99.20
Gama 42.32 8.28 49.40
NBD 79.07 0.85 20.08
SPoisson 95.58 0.90 3.52
1 modificado tartamudeando
PAGoisson 74.20 4.27 21.53
norteorales 0,55 0.20 99.25
Gama 61.90 7.73 30.37
NBD 75.55 1.91 22.54
SPoisson 91.52 1.40 7.08
2 Clásico tartamudeando
PAGoisson 43.80 3.56 52.64
norteorales 0.00 0.00 100.00
Gama 13.52 10.32 76.16
NBD 93.88 0.00 6.12
SPoisson 99.94 0.06 0.00
2 modificado tartamudeando
PAGoisson 53.96 7.20 38.84
norteorales 0.00 0.00 100.00
Gama 65.64 12.92 21.44
NBD 82.62 5.48 11.90
SPoisson 94.54 2.12 3.34
tartamudeando

demandar tiempo entre llegadaspage y igual al CV2de sus tamaños de
demanda. El color es gris si no se identifica ningún ajuste con la distribución
relativa, y rojo en caso contrario.
Fprimerode todo, es muy interesante señalar que los resultados obtenidos
al utilizar la prueba clásica sobre el Dataset 2 son casi exactamente iguales a los
encontrados porsintetos,Lengu y Babai (2013). Esto agregato la credibilidad de
nuestros resultados y está en línea con el llamado a la reproducibilidad en las
matemáticas de gestión porBoylán (2016).Los resultados del ajuste de la
demanda por período con la clásica prueba K-S revelan que la binomial negativa
y la tartamuda de Poisson son las que más probabilidades tienen de ajustarse a
nuestros datos. En particular, las distribuciones de Poisson entrecortadas logran
un fuerte ajuste del 95,58 % en el conjunto de datos 1 y del 99,94 % en el
conjunto de datos 2. Además, solo el 3,52 % de los SKU no se ajustan a la
distribución de Poisson entrecortada en el caso del conjunto de datos 1, mientras
que el ajuste es menos bueno para cada SKU en el conjunto de datos 2. Tenga
en cuenta que los elementos que no se ajustan a la tartamudeada distribución de
Poisson para el conjunto de datos 1 se encuentran en el área superior izquierda
deFyo G. 5, lo que significa que son los ítems no intermitentes con alta
variabilidad. El ajuste del NBD también es excepcionalmente bueno para el
conjunto de datos 2, con
El 93,88 % de los SKU muestran un fuerte ajuste, mientras que esta cifra alcanza
el 79 % para el conjunto de datos 1. Para ambos conjuntos de datos, los datos
que parecen estar excluidos si se ajustan al NBD (verFigs. 5y6) son los que
tienen CV2valores casi igualestcero Se anticipó este buen desempeño de las
distribuciones binomiales negativas y de Poisson entrecortadas: dada la alta
intermitencia de los SKU en nuestros conjuntos de datos, esperábamos
distribuciones de librasto ajusta muy bien los datos. La distribución de
Poisson logra buenos resultados y es la tercera distribución con mejor ajuste.
Esta distribución puede modelar puntos de datos para los cuales el tamaño de la
transacción es uno, lo que explica por qué observamos un mejor ajuste en el
caso del Conjunto de datos 1, cuya distribución de demanda tiene un valor
medio de solo 1.70 (en comparación con el 3.83 del conjunto de datos 2). Esto
también es confirmado porFigs. 5y6, que muestran que la distribución de
Poisson se ajusta a aquellos SKU con una variabilidad de tamaño muy baja,
independientemente del intervalo medio entre demandas. La distribución
normal funciona mal, ya que la alta intermitencia de los datos produce
distribuciones empíricas muy sesgadas, que no pueden ajustarse a la
distribución normal. El valor de 0,60 % de ajuste fuerte y el valor de 0,20 % de
ajuste bueno logrados para el conjunto de datos 1 se basan en el hecho de que
el conjunto de datos incluye elementos que no son intermitentes (la media del
intervalo de demanda alcanza un valor de 1,01). Como era de esperar, están
exactamente en la parte inferior izquierda deFyo G. 5. La distribución gamma
tiene un fuerte ajuste
para el 42,32 % y un buen ajuste para el 8,28 % de los SKU en el conjunto de
datos 1, mientras que tiene un rendimiento deficiente (solo un 13,52 % de fuerte
y un 10,32 % de buen ajuste) para el conjunto de datos 2. Este bajo rendimiento
se puede atribuir en parte a la prueba K-S clásica . Como la distribución gamma
solo puede tomar valores positivos, la distribución acumulativa se ve obligada a
ser siempre igual a cero en cero. Esto causa dificultad en el uso de la prueba K-
S para ajustar una distribución gamma a elementos intermitentes, para los cuales
la distribución empírica asume un alto valor en cero. Al asignar menos peso a
las diferencias para percentiles bajos, como en el caso de la prueba modificada,
este problema se atenúa.
Los resultados que acabamos de describir, obtenidos al ajustar diferentes
distribuciones a la demanda por periodo, parecen confirmar, al menos
parcialmente, la validez de la clasificación desarrollada porsintetosmit al.
(2011)y representado enFyo G. 1. Encontramos evidencia de que la distribución
de Poisson debe ser considerada para artículos con poca variabilidad en tamaño
y algún grado de intermitencia, la distribución normal es efectiva solo para
demanda no intermitente con poca variabilidad, y la NBD y la tartamudez de
Poisson la distribución se puede ajustar a elementos que son al menos algo
intermitentes y tienen al menos una variabilidad positiva. Con respecto a la
distribución gamma, encontramos que se ajusta a artículos con alta variabilidad,
independientemente del grado de intermitencia, pero no parece ajustarse bien a
artículos con intervalos entre demanda bajos, como sugeriría el esquema de
clasificación; además, los mismos elementos que pueden ser ajustados por la
distribución gamma siempre pueden ser ajustados por el NBD o la distribución
intermitente de Poisson en ambos conjuntos de datos. En total,
El uso de la prueba K–S modificada cambia ligeramente los resultados, lo
que reduce el ajuste del NBD y la distribución intermitente de Poisson para
ambos conjuntos de datos. La diferencia más llamativa es, sin embargo, la de la
distribución gamma, que explicamos en el párrafo anterior.
4.3. Ajuste de la demanda de tiempo
de entrega
Los resultados de las pruebas K-S clásicas y modificadas que se ajustan a la
demanda del tiempo de entrega se informan enTcapaz 6. Solo conjunto de datos
2
 Tcapaz 6
Resultados de bondad de ajuste: demanda de tiempo de entrega.

PAGporcentajede
SKU

conjunto de Tipo Distribución Sajuste buen norteo ajuste

datos n fuerte(%) ajuste(%) (%)
2 Clásico PAGoisson 31.00 4.12 64.88
norteorales 3.52 7.34 89.14
Gama 4.90 6.78 88.32
NBD 59.26 8.80 31.94
SPoisson 75.30 9.70 15.00
2 modificado tartamudeando
PAGoisson 26.08 3.88 70.04
norteorales 2.72 5.08 92.20
Gama 16.28 13.14 70.58
NBD 37.44 11.42 51.14
SPoisson 45.32 12.56 42.12
tartamudeando

apareceen la tabla porque carecemos de información sobre el tiempo de la demanda del tiempo de entrega (como se esperaba, ya que la agregación
entrega para favorece la normalidad). Sin embargo, el ajuste disminuye cuando se usa la
Conjunto de datos 1. prueba modificada. Los hallazgos para la distribución gamma son
También en este caso nuestros resultados son muy similares a los completamente diferentes, ya que observamos un ajuste disminuido para la
encontrados porsintetosmit al. (2013). Sin embargo, mientraslos resultados de demanda del tiempo de entrega, pero observamos un ajuste aumentado cuando
ajuste de la demanda por período reportados enTcapaz 5were casi se mide a través de la prueba modificada. La explicación de esta diferencia se
exactamentelos mismos presentados porsintetosmit al. (2013),en este caso, encuentra en una vez que confirmemos empíricamente la intuición de que la
vemos un poco más de variación, lo que podría deberse a los diferentes métodos prueba K-S modificada permite un mejor desempeño del inventario de las
de agregación utilizados para calcular la distribución de la demanda del tiempo distribuciones de mejor ajuste identificadas. La distribución normal se comporta
de entrega. de forma ligeramente diferente, ya que aumenta su ajuste a la demanda del
Las distribuciones que mejor se ajustan a la demanda de tiempo de entrega tiempo de entrega (como se esperaba, ya que la agregación favorece la
son las distribuciones binomial negativa y de Poisson entrecortada. Sin normalidad). Sin embargo, el ajuste disminuye cuando se usa la prueba
embargo, se ajustan a la demanda del tiempo de entrega con una frecuencia modificada. Los hallazgos para la distribución gamma son completamente
mucho más baja que la demanda por período. La distribución de Poisson diferentes, ya que observamos un ajuste disminuido para la demanda del tiempo
entrecortada ahora logra un ajuste fuerte del 75 % (con la versión clásica de la de entrega, pero observamos un ajuste aumentado cuando se mide a través de la
prueba), mientras que tenía un ajuste fuerte para el 99,94 % de los SKU al prueba modificada. La explicación de esta diferencia se encuentra en el ajuste
analizar la demanda por período. Esto es razonable, ya que sumar el tiempo de disminuye cuando se utiliza la prueba modificada. Los hallazgos para la
entrega ayuda a reducir la intermitencia de la demanda. Gracias al mismo efecto, distribución gamma son completamente diferentes, ya que observamos un ajuste
la distribución normal ahora se comporta mejor, consiguiendo un disminuido para la demanda del tiempo de entrega, pero observamos un ajuste
3,52% fuerte y 7,34% buen ajuste. aumentado cuando se mide a través de la prueba modificada. La explicación de
La prueba K-S modificada también disminuye el ajuste de las distribuciones esta diferencia se encuentra en el ajuste disminuye cuando se utiliza la prueba
binomial negativa y de Poisson entrecortada en el caso de la demanda de tiempo modificada. Los hallazgos para la distribución gamma son completamente
de entrega. El efecto contrario se puede observar para la distribución gamma, diferentes, ya que observamos un ajuste disminuido para la demanda del tiempo
de acuerdo con lo observado para la demanda por periodo. de entrega, pero observamos un ajuste aumentado cuando se mide a través de la
Una observación interesante aparece cuando se examinan los resultados del prueba modificada. La explicación de esta diferencia se encuentra enSección
ajuste en su conjunto. Todas las distribuciones “basadas en Poisson” (Poisson, 4.2:la implementación de la prueba modificada pone menos énfasis en el
NBD y Poisson entrecortada) disminuyen sustancialmente su ajuste cuando contraste en cero entre la distribución gamma y la empírica.
pasamos de ajustar la demanda por período a ajustar la demanda por tiempo de
entrega. Lo mismo sucede cuando se pasa de medir el ajuste de la demanda del
tiempo de entrega a través de la prueba K-S clásica a medirlo a través de la
prueba K-S modificada. Esto refleja los desafíos del control paramétrico de
existencias: no es suficiente encontrar un buen ajuste para la demanda por
período para indicar que esa distribución funcionará bien en las aplicaciones de
inventario, pero se deben usar las herramientas adecuadas para identificar la
distribución a usar. . Lograr un buen ajuste para la demanda por período no
indica un buen ajuste para la demanda del tiempo de entrega, que, a su vez,
podría dejar de implicar un buen desempeño del inventario si no se mide de la
manera “correcta”. Esto se confirmará en la siguiente sección, una vez que
confirmemos empíricamente la intuición de que la prueba K-S modificada
permite un mejor desempeño del inventario de las distribuciones de mejor ajuste
identificadas. La distribución normal se comporta de forma ligeramente
diferente, ya que aumenta su ajuste a la demanda del tiempo de entrega (como
se esperaba, ya que la agregación favorece la normalidad). Sin embargo, el
ajuste disminuye cuando se usa la prueba modificada. Los hallazgos para la
distribución gamma son completamente diferentes, ya que observamos un ajuste
disminuido para la demanda del tiempo de entrega, pero observamos un ajuste
aumentado cuando se mide a través de la prueba modificada. La explicación de
esta diferencia se encuentra en una vez que confirmemos empíricamente la
intuición de que la prueba K-S modificada permite un mejor desempeño del
inventario de las distribuciones de mejor ajuste identificadas. La distribución
normal se comporta de forma ligeramente diferente, ya que aumenta su ajuste a
 Tcapaz 7
Detalles de la simulación.

Variable Conjunto de datos 2

Observaciones de inicialización 48
Observaciones de evaluación 36

5. Implicaciones de inventario

En esta sección, investigamos el problema de vincular la bondad de ajuste

de la distribución con el desempeño del inventario. Primero describimos el
modelo y la medida de rendimiento utilizada enSecciones5.1y5.2;wLuego
presentamos nuestros resultados enSección 5.3.

5.1. modelo de inventario

We implementar una política de pedidos pendientes con backordering, un

método clásico para administrar inventarios de artículos de movimiento lento
(Teuntery Duncan, 2009).Puede considerarse un sistema de revisión continua
con tiempo discreto, ya que revisamos el sistema en cada período de tiempo. La
unidad de tiempo es un mes (igual a la granularidad de las observaciones). El
sistema está orientado al servicio, ya que el valor de S, la cantidad a pedir, se
calcula como S=min{S: F0 (S )≥SL}, dóndeSLes el nivel de servicio de ciclo
objetivo y F0la supuesta distribuciónde la demanda del tiempo de entrega.
Definimos el nivel de servicio como el nivel de servicio del ciclo, que se define
como la fracción de pedidos que llegan a tiempo. Usamos el método de
pronóstico desarrollado porsintetosy Boylan (2005),por las razones explicadas
enSección2. También empleamos el método de Croston y el suavizamiento
exponencial simple, pero como nuestros resultados confirmaron queSyntetos
yBoylán's(2005)método funciona mejor,wSolo reportamos estos últimos
resultados.
En la simulación de inventario, suponemos que los pedidos entregados en
el mes t se pueden utilizar para satisfacer la demanda que se produce en el mes
t. Por lo tanto, calculamos la posición del inventario al final del mes t como la
posición del inventario al final del mes t−1 más los pedidos entregados menos
la demanda recibida durante el mes t. Si este valor es negativo, hemos incurrido
en desabastecimiento. Al final del mes t, reordenamos hasta el nivel S, y el
pedido se entrega después de un tiempo de entrega de L (Tcapaz 7).
WUsamos cuatro años (48 observaciones) para inicializar la simulación del
inventario, siguiendo la sugerencia deTeuntery Duncan (2009).El período de
inicialización nos proporciona una estimación inicial de la demanda del tiempo
de entrega, que se obtiene ajustando la distribución adecuada a los datos de
inicialización. También lo usamos para inicializar (sintetosy Boylan, 2005) de
la siguiente manera: como ocurre al menos una demanda (con tamaño positivo)
para cada artículo en el conjunto de datos 2, la serie de tamaños de demanda
positivos es
inicializadoto el promedio de tamaños de demanda positivos que ocurrieron
durante el período de inicialización. La serie de intervalos entre demandas se
inicializa con los promedios de intervalos entre demandas en el período de
inicialización. El mayor de la longitud de la secuencia cero al principio más uno
(o el tiempo entre el comienzo de las observaciones y la primera demanda
distinta de cero) y el del final de la serie de tiempo más uno también se considera
una interdemanda. - valor Esto significa que en el caso de que solo ocurra una
demanda en el período de inicialización, solo hay un intervalo entre demandas
para promediar, mientras que si ocurren dos demandas, hay dos intervalos entre
demandas disponibles (uno correctamente identificado como el intervalo entre
las dos observaciones positivas).
Los datos de los tres años restantes se utilizan para evaluar las diferentes
implementaciones de la política de cumplimiento y comparar su desempeño.
Cada elemento de nuestro conjunto de datos tiene una demanda con un tamaño
positivo en el período de control, lo que significa que el nivel de servicio
siempre se puede evaluar.
TPara revelar el impacto del uso de diferentes distribuciones en la gestión
de inventario, elegimos diferentes posibles F0 s. En cada punto en el tiempo,
ajustamos la supuesta F0to los datos observados y reevaluar S.
El ajuste se realiza a partir de la media pronosticadam̂
y desviación estándarσ̂ de la demanda por periodo de tiempo devuelto
implementaciones basadasen su eficacia, medida por lo cerca que están del
nivel de servicio objetivo. Como niveles de servicio objetivo, consideramos
90%, 95% y 99%.
5.3. Resultados del
inventario
La eficacia de las implementaciones analizadas de la política order-up-to se
representa enFyo G. 7, donde comparamos los niveles de servicio objetivo (en
el eje x) y alcanzado (en el eje y). La línea continua representa la mejor eficacia
que es teóricamente posible, donde lo logrado siempre es igual al nivel de
servicio objetivo. Nos referiremos a esto como el "mejor teórico" en la
discusión.Fyo G. 7.a usa la clásica evaluación S, mientras queFyo G. 7.b
implementa la corrección Teunter, como se describe enSección 5.1.
A pesar deen el nivel de servicio objetivo más alto (99 %), la versión clásica
parece funcionar tan bien como la versión que emplea la corrección de Teunter
(pero no lo hace, ya que la corrección de Teunter es aún ligeramente mejor),
antes de ese punto, la versión de Teunter claramente lo supera. Por esta razón,
utilizamos la última versión en el resto de nuestro estudio.
La implementación que parece ser la más cercana a la teoría

by el método de pronóstico, dondeσ̂ es la media de la raíz suavizada remejor ticales el NBD, seguido de BestModificad y BestClassic.

error cuadrado(RMSE), siguiendo un enfoque similar alTeunter y comparamos. También comparamos la

Duncan (2009).Luego, estimamos la media y la desviación estándar de la
distribución del tiempo de entrega de la siguiente manera:m̂L=m̂ ·Lyσ̂L=
σ̂· √. Sin
L embargo, comoTeuntery Duncan (2009)nota, mL yσL
podríabe subestimado por este procedimiento, ya que no tiene en cuenta el
hecho de que una orden se realiza sólo si hay demanda durante ese período. Esto
haría que los niveles de servicio realizados fueran considerablemente más bajos
que los niveles previstos. Para corregir esto en métodos similares a los de
Croston, los autores sugieren calcular el
significarde la demanda de tiempo de entrega comom̂
L=ẑ+m̂ ·(L−1 ),dóndezes el
paratransmisión electrónicadel nivel de tamaños de demanda positivos (al
dividir el pronóstico en tamaños de demanda positivos y tiempos entre
llegadas). En nuestro estudio, implementamos esta corrección y comparamos
nuestros hallazgos con los resultados obtenidos sin usarla.
Como punto de referencia, usamos implementaciones de la política de
pedidos hasta donde se usa la misma distribución para cada artículo. Con base
en la literatura discutida enSección2, utilizamos las distribuciones normal,
gamma, Poisson, binomial negativa y tartamudeada de Poisson. En
evcada puntoen el tiempo, usandom̂Lyσ̂L ,we ajuste cada distribución us-
los procedimientos descritos enSección4.1y utilícelos para calcular el
parámetro de control de inventario S como se describe anteriormente. A
continuación, estas implementaciones se denominan Normal, Gamma, Poisson,
NBD y StuttP, respectivamente. Luego implementamos políticas de orden hasta
donde F0es diferente para cada artículo. Primero, usamos la regla de
clasificación desarrollada porsintetosmit al. (2011)to decidir qué distribución
se debe utilizar en la política de inventario para cada SKU, dependiendo de su
p y CV2 . A esta implementación la llamamos regla de clasificación. En segundo
lugar, utilizamos la distribución que mejor se ajusta (con respecto a la prueba
K-S clásica y modificada) para cada elemento. Definimos la distribución de
mejor ajuste como aquella para la cual el estadístico de prueba es el más
pequeño. Estos implemen-
mentacionesde la política de orden hasta se denominan BestClassic y
MejorModifica
do.

5.2. Medidas de desempeño

We medir el desempeño de las diferentes implementaciones de políticas

utilizando dos indicadores: el nivel de servicio alcanzado y el inventario
promedio disponible. Como el sistema de inventario ideal sería capaz de lograr
el nivel de servicio objetivo con el menor inventario disponible posible,
dibujamos curvas de eficiencia (de los niveles de servicio logrados contra el
inventario promedio disponible) de las diferentes implementaciones y las
La implementación usando la distribución de Poisson está lejos de ser óptima.
El Normal también parece funcionar bastante lejos de ser óptimo, en particular
para el nivel de servicio objetivo del 99%.
EnFyo G. 8, representamos las curvas de eficiencia de nuestras
implementaciones de políticas.
Los resultados destacan que la implementación de políticas con mejor
desempeño es BestModificad, ya que logra el mismo nivel de servicio con
inventarios más bajos que las otras implementaciones. NBD también funciona
muy bien, igualando BestModificated para un nivel de servicio objetivo del
95 % y logrando un nivel de servicio ligeramente mejor cuando el objetivo se
establece en el 99 %. La distribución de Poisson es la que peor se comporta y
no puede alcanzar un nivel de servicio superior al 86 %. Esto está de acuerdo
con los resultados informados porsintetosmit al. (2012),quienes excluyen la
implementación de Poisson de su estudio empírico debido a su muy bajo
rendimiento en comparación con las demás. También de acuerdo con sus
resultados, encontramos que StuttP funciona peor que Gamma y
NBD.sintetosmit al. (2012)tenga en cuenta queesto contrasta con los
resultados de ajuste, que indican que el Poisson tartamudo funciona mucho
mejor que NBD y gamma. También observamos la misma inconsistencia, pero,
debido a la prueba modificada, es mucho menos prominente. La distribución
normal también es una mala elección, ya que requiere inventarios más grandes
que las otras implementaciones de políticas para lograr el mismo nivel de
servicio. Una excepción es cuando intercepta la curva de eficiencia de
BestModified en aproximadamente
92,5% del nivel de servicio alcanzado: sin embargo, la distribución normal
alcanza este nivel de servicio cuando apunta al nivel de servicio del 99%,
mientras que BestModificad (o NBD) lo logra con un nivel de servicio objetivo
mucho más bajo.
WTambién graficamos los resultados si tuviéramos que usar la clasificación
introducida porsintetosmit al. (2011)como regla operativa para seleccionar la
distribución de cada artículo. Sin embargo, la implementación de la política de
inventario resultante tiene un desempeño bastante pobre, lo que demuestra que
esta clasificación funciona bien solo para identificar la distribución de la
demanda por período, pero no implica un mejor desempeño del inventario. Sin
embargo, vale la pena usar la distribución que mejor se ajuste a cada artículo,
ya que mejora el rendimiento del inventario. Además, es interesante notar que
BestModificad funciona mejor que la implementación de BestClassic. Esto
implica que el clásico K-S no es una buena prueba para identificar qué
distribución se debe usar para garantizar un buen desempeño del inventario. La
prueba K-S modificada cumple mejor este propósito, gracias al mayor (menor)
énfasis que pone en las diferencias en los percentiles superiores (inferiores) de
las distribuciones.
 1
Poisson
Normal
Gamma
NBD
0,95 StuttP
mejorclásico
MejorModificado
NM logrado

0.9

0.85

0.8

0.75

0.7

0,65
0.9 0,92 0,94 0,96 0.98 1

TmetaSL
(a) Evaluación clásica del nivel de pedido S

1
Poisson
Normal
Gamma
NBD
0,95 StuttP
mejorclásico
MejorModificado
NM logrado

0.9

0.85

0.8

0.75

0.7

0,65
0.9 0,92 0,94 0,96 0.98 1

TmetaSL
(b) Corrección de Teunter del nivel de pedido S
Fyo G. 7.Tmetavs. nivel de servicio alcanzado – Conjunto de datos 2.
 90
Inventario promedio OH
veneno
Normal
Gama
80 NBD
stuttp
mejorclásico
MejorModificado
Regla de clasificación
70
60
50
40
30
20
10
0.8 0.82 0.84
Fyo G. 8.C.Anivel de servicio elevadovs. inventario promedio disponible.
6. Conclusiones y futuras investigaciones
Fpicandola distribución adecuada a la demanda es un tema crucial en la
gestión de inventario de repuestos. La literatura evalúa diferentes distribuciones
y propone algunos esquemas de clasificación. Sin embargo, solo un estudio
hasta el momento intenta investigar las implicaciones de inventario de la
elección de distribución. En nuestro estudio, buscamos vincular la bondad de
ajuste de distribuciones bien conocidas con el desempeño de su inventario.
Además, intentamos investigar la relevancia de usar K–S en este contexto: una
prueba modificada que pone mayor énfasis en las diferencias en la cola derecha
podría ser mejor para identificar las distribuciones que se usarán en las
aplicaciones de inventario. En nuestro estudio empírico, usamos dos conjuntos
de datos empíricos de dos industrias diferentes para un total de
aproximadamente 7000 artículos.
Fprimero,wAjustamos las distribuciones más utilizadas para repuestos a
nuestros datos y comparamos nuestros resultados con los reportados en la
literatura. Confirmamos que la distribución de la demanda por período
generalmente se ajusta a las distribuciones compuestas de Poisson, como el
NBD y la distribución intermitente de Poisson, y que la distribución normal
funciona muy mal con un ajuste del 0 % para uno de los conjuntos de datos y
un ajuste del 0,80 %. para el otro. La distribución gamma funciona peor de lo
esperado, pero su resultado de ajuste mejora cuando se usa la prueba
modificada: como se acomoda más a las diferencias en los percentiles más
bajos, la prueba modificada olvida más el hecho de que la distribución gamma
la distribución toma valor cero en cero mientras que la demanda intermitente
nunca lo hace. Las reglas de clasificación sugeridas en la literatura parecen
ajustarse visualmente a nuestros datos; sin embargo,
WLuego, consideremos la demanda de tiempo de entrega y descubramos
que los resultados también indican que las distribuciones NBD y de Poisson
entrecortada funcionan mejor. La distribución normal exhibe un desempeño
mejorado en este contexto, ya que se ajusta al tiempo de entrega de
aproximadamente el 10% de los SKU. Al comparar los resultados obtenidos al
utilizar la prueba K-S modificada, surgen algunas observaciones interesantes.
Primero, para la demanda de tiempo de entrega, la distribución gamma funciona
mejor cuando
0.86 0.88 0.9 0,92 0,94 0,96
NM logrado
"juzgado"by la prueba modificada. En segundo lugar, las distribuciones
compuestas exhiben un ajuste considerablemente reducido, especialmente la
distribución de Poisson entrecortada, que va desde un ajuste general del 85% al
58% bajo la prueba modificada. Esto demuestra que aunque estas distribuciones
se ajustan muy bien a la demanda por período, es posible que no sean apropiadas
para aplicaciones de inventario.
FPor último, analizamos el rendimiento del inventario de ocho
implementaciones diferentes de políticas de pedido hasta el nivel, obtenidas
utilizando diferentes distribuciones de tiempo de entrega para adaptarse a la
demanda. Encontramos que la implementación de políticas que usa NBD para
cada SKU logra un nivel de servicio objetivo que en promedio está más cerca
del nivel objetivo. Sin embargo, lo hace a costa de mayores costos de tenencia.
La implementación de políticas más eficiente en términos de inventario en
espera por nivel de servicio logrado es BestModified, que, para cada SKU,
implementa la distribución que muestra el mejor ajuste bajo la prueba
modificada. La implementación que utiliza la regla de clasificación para
determinar la distribución que se ajusta tiene un desempeño deficiente y, por lo
tanto, concluimos que esta clasificación no debe usarse con fines de inventario
(debemos señalar aquí quesintetosmit al., 2011, analizó esta regla de
clasificación solo en términos de ajuste de distribución y no hizo ninguna
afirmación con respecto a su desempeño de inventario).
Nuestro estudio muestra que la clásica prueba K-S, a pesar de ser
ampliamente utilizada en la literatura para medir la bondad de ajuste de las
distribuciones de demanda de repuestos, no es una buena prueba para usar
cuando el objetivo es mejorar el desempeño del inventario del sistema. Con este
fin, nuestra prueba K-S modificada funciona mejor.
WCreemos que estos hallazgos son muy importantes para los profesionales,
que luchan por encontrar la política adecuada para sus repuestos. Deben tener
en cuenta que es crucial seleccionar la distribución correcta; si no lo hacen, su
desempeño podría deteriorarse considerablemente, lo que implica costos
sustanciales. Se deben recopilar datos refinados para cada SKU para poder
analizar cada SKU de forma independiente, ya que las reglas de clasificación no
parecen ser particularmente efectivas en esta etapa. Las pruebas que ponen
mayor énfasis en las diferencias en la cola derecha deben preferirse al evaluar
el ajuste de las distribuciones.
 Nuestro estudio tiene ciertas limitaciones y abre vías para futuras
investigaciones. Primero, la prueba K-S es conservadora en nuestro entorno, ya
que estimamos los parámetros a partir de los datos y tenemos datos discretos.
Esto significa que podríamos estar sobreestimando los porcentajes de buen
ajuste, y esta podría ser una de las razones del desajuste entre la bondad de ajuste
y los resultados del inventario para la distribución de Poisson entrecortada, por
ejemplo. Sin embargo, otras distribuciones, como la normal y gamma,
funcionan mucho mejor en aplicaciones de inventario de lo que hubiéramos
esperado en base a los resultados de bondad de ajuste. Por lo tanto, no está claro
si esta actitud conservadora afecta nuestros resultados. Se necesita más
investigación para determinar esto.
Además,dado que el vínculo entre la bondad de ajuste y el rendimiento del
inventario es crucial para la industria, se necesita más investigación en esta área.
Sería muy beneficioso desarrollar un esquema de clasificación que capture
completamente esta relación y permita una fácil correspondencia entre ciertas
características de la demanda y la distribución a utilizar. En este sentido, el
esquema propuesto porLengu et al. (2014)deberíabe investigado en términos
de su rendimiento de inventario. En los próximos pasos de nuestra
investigación, tenemos la intención de replicar nuestros hallazgos en conjuntos
de datos más empíricos y trabajar hacia el desarrollo de un esquema de
clasificación para mejorar el rendimiento del inventario de piezas de repuesto.
Rreferencias
Pronóstico de Air Trasport World (2013) – 2013 otro
desafiante.http://docslide.nosotros/documentos/aire- transporte-wmundo- enero-
2013.html.
Altai,N., Rudisill, F. y Literal, LA (2008). Adaptación de la modificación de Wright del método de Holt
para pronosticar la demanda intermitente. Revista Internacional de Economía de la Producción, 111,
389–408.
anderson,T. W. y Darling, DA (1954). Una prueba de bondad de ajuste. Diario de la
Asociación Estadounidense de Estadística, 49(268), 765–769.
Arsham,H. (1986). Regiones de confianza generalizadas de KS: algunos resultados exactos. Revista de
Computación Estadística y Simulación, 25, 9–23.
Arsham,H. (1987). Una refin de confianza KS unilateral modificada más estrecha en una cola.
Comunicacionesen Estadística – Teoría y Métodos, 16(1), 17–28.
Axsäter,S. (2006). Control de inventario (2ª ed.). Nueva York: Springer.
babai,MZ, Ali, MM y Nikolopoulos, K. (2012). Impacto de la agregación temporal en el rendimiento del
control de existencias de los estimadores de demanda intermitente: análisis empírico. Omega, 40(6),
713–721.http://www.sciencedirect.com/science/article/pii/S0305048311001472,
Problema especialsobre Pronósticos en Ciencias Administrativas
doi:10.1016/j.omega.2011.09.004.
Encuadernador,JH y Lordahl, AE (1989). Estimación de los niveles de reposición de inventario
mediante el procedimiento estadístico bootstrap. Transacciones del IIE, 21(4), 302–312.
boylan,JE (2016). Reproducibilidad. Revista IMA de Matemáticas de Gestión, 27 (2),
107–108. hacer:10.1093/imaman/dpw003.
boylan,JE y Syntetos, AA (2007). La precisión de un procedimiento de Croston modificado.
InternacionalRevista de Economía de la Producción, 107, 511–517.
boylan,JE, Syntetos, AA y Karakostas, G. (2008). Clasificación para pronóstico y control de existencias:
un estudio de caso. Revista de la Sociedad de Investigación Operativa, 59(4),
473–481.
crostón,JD (1972). Previsión y control de stock para demanda intermitente. Operational Research
Quarterly, 23, 289–303.
D'Agostino,RB y Stephens, MA (1986). Técnicas de bondad de ajuste. ESTADÍSTICAS: Libros de texto
y monografías: 68. CRC Press.
degroot,MH y Schervish, MJ (2012). Probabilidad y estadística (4ª ed.). Addis-on-Wesley.
ecker,F. (1979). La distribución asintótica de la supremacía de los procesos empíricos estandarizados.
Los Anales de Estadística, 7(1), 116–138.
FOrtuín,L. (1980). Cinco funciones populares de densidad de probabilidad: una comparación en el campo
de los modelos de control de existencias. Revista de la Sociedad de Investigación Operativa, 31(10),
937–942.
Fricker,RD, Jr. y Goodhart, CCA (2000). Aplicación de un enfoque de arranque para establecer puntos
de reorden en sistemas de suministro militar. Logística de investigación naval, 47,
459–478.
Ghobbar,A. A. y amigo, CH (2003). Evaluación de los métodos de pronóstico para la demanda
intermitente de piezas en el campo de la aviación: un modelo predictivo. Investigación informática y
de operaciones, 30, 2097–2114.
Saludos,R., Lieshout, Jv y Baken, K. (1986). Un modelo de inventario: ¿Cuál es la influencia de la forma
de la distribución de la demanda del tiempo de entrega? Investigación de operaciones de Zeitschrift,
30, B1–B14.
Johnston,F. R. y Boylan, JE (1996). Pronóstico de artículos con demanda intermitente. The Journal of
the Operational Research Society, 47, 113–121.
kOstenko,A. y Hyndman, R. (2006). Una nota sobre la categorización de patrones de demanda. The
Journal of the Operational Research Society, 57(10), 1256–1258.
korentzes, N. (2013). Pronósticos de demanda intermitente con redes neuronales. International Journal
of Production Economics, 143(1), 198–206.
Kwan,H. (1991). Distribuciones a pedido de artículos de lento movimiento. Lancaster University Ph.D.
tesis.
lengua,D., Syntetos, AA y Babai, MZ (2014). Gestión de piezas de repuesto: vinculación de los supuestos
de distribución con la clasificación de la demanda. European Journal of Operational Research, 235(3),
624–635.
Masón,DM y Schuenemeyer, JH (1983). Una prueba modificada de Kolmogorov-Smirnov sensible a las
alternativas de la cola. Los Anales de Estadística, 11(3), 933–946.
Massey,F. J. Jr. (1951). La prueba de Kolmogorov-Smirnov para la bondad del ajuste. Revista de la
Asociación Estadounidense de Estadística, 46(253), 68–78.
Muckstadt,JA (2010). Análisis y algoritmos para cadenas de suministro de repuestos.
Ciencia Springery Medios de Negocios.
norteotro,GE (1963). Nota sobre el estadístico de Kolmogorov en el caso discreto. métrica,
7(1), 115–116.
Educación físicatrópoulos,F., Makridakis, S., Assimakopoulos, V. y Nikolopoulos, K. (2014).
'Caballos de carreras'en la previsión de la demanda. European Journal of Operational Research,
237(1), 152–163.
PAGorras,E. y Dekker, R. (2008). Un sistema de control de inventario de repuestos en una refinería: una
comparación empírica de diferentes métodos de punto de pedido. Revista europea de investigación
operativa, 184, 101–132.
año
Regattieri,A., Gamberi, M., Gamberini, R. y Manzini, R. (2005). Gestión de la demanda irregular de
piezas de repuesto para aeronaves. Revista de Gestión del Transporte Aéreo, 11, 426–431.
do Rego, JR y de Mesquita, MA (2015). Pronóstico de demanda y control de inventario: un estudio de
simulación sobre repuestos automotrices. International Journal of Production Economics, 161(0), 1–
16.http://www.sciencedirect.com/science/article/pii/S0925527314003594hacer:
10.1016/j.ijpe.2014.11.009.
snyder,DR (2002). Pronóstico de ventas de inventarios de movimiento lento y rápido. europeo
Revista de Investigación Operativa, 140, 684–699.
sintetos,A., Boylan, J. y Croston, J. (2005). Sobre la categorización de patrones de demanda. Revista de
la Sociedad de Investigación Operacional, 56, 495–503.
sintetos,A., Lengu, D. y Babai, MZ (2013). Una nota sobre las distribuciones de demanda de repuestos.
Revista internacional de investigación de producción, 51 (21), 6356–
6358.
sintetos,A. A., Babai, MZ y Altay, N. (2012). Distribuciones de repuestos a pedido. Revista internacional
de investigación de producción, 50 (8), 2101–2117.
sintetos,A. A., Babai, MZ y Gardner, ES, Jr. (2015). Pronóstico de demandas de inventario intermitentes:
métodos paramétricos simples frente a bootstrapping. Journal of Business Research, 68(8), 1746–
1752.
sintetos,A. A., Babai, MZ, Lengu, D. y Altay, N. (2011). Supuestos distribucionales para pronósticos
paramétricos de demanda intermitente. En N. Altay, & L. Literal (Eds.), Gestión de piezas de servicio:
previsión de demanda y control de inventario. Saltador. cap. 2
sintetos,A. A. y Boylan, JE (2005). La precisión de las estimaciones de demanda intermitente. Revista
internacional de pronósticos, 21, 303–314.
sintetos,A. A. y Boylan, JE (2006). Sobre el desempeño del control de stock de los estimadores de
demanda intermitente. Revista Internacional de Economía de la Producción, 103,
36–47.
Teunter,R. y Duncan, L. (2009). Pronóstico de la demanda intermitente: un estudio comparativo. Revista
de la Sociedad de Investigación Operacional, 60, 321–329.
Wduro,J. (1978). Determinar los puntos de pedido cuando la demanda es irregular. Gestión
Ciencia,24, 623–632.
willemain,T. R., Smart, CN y Schwarz, HF (2004). Un nuevo enfoque para pronosticar la demanda
intermitente de inventarios de repuestos. Revista internacional de pronósticos, 20, 375–387.
willemain,T. R., Smart, CN, Shockor, JH y DeSautels, PA (1994). Pronóstico de la demanda intermitente
en la fabricación: una evaluación comparativa del método de Croston. Revista internacional de
pronósticos, 10, 529–538.
Williams,T. M. (1984). Control de stock con demanda esporádica y lenta. El
Revista de la Sociedad de Investigación Operacional, 35, 939–948.