Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Spare Parts Inventory Management - New Evidence From Distribution Fitting - En.es
Spare Parts Inventory Management - New Evidence From Distribution Fitting - En.es
com
Contenidolistas disponibles
enScienciadirecta
artículo i abstracto
información
En particular, investigaciones previas demuestran que la demanda de repuestos los percentiles de la distribución de los datos. Estos métodos
generalmente no tiene una distribución normal y que la distribución que mejor (p.ej,Encuadernadory Lordahl, 1989; Willemain, Smart y Schwarz,
se ajusta (típicamente distribuciones de Poisson compuestas como la binomial 2004; Porrasy Dekker, 2008)han demostrado tener ventajas en ciertas
negativa y la tartamuda de Poisson) parece depender de la longitud media del situaciones; sin embargo, son computacionalmente exigentes y aumentan la
intervalo entre demandas y en el coeficiente de variación del tamaño de la complejidad de los cálculos, lo que significa que no son particularmente bien
demanda al cuadrado. recibidos por los profesionales. Además, según un estudio reciente
Dado que las políticas de inventario se basan en la distribución de la desintetos,Babai y Gardner (2015), sus ventajasovEstos métodos clásicos son
demanda del tiempo de entrega pronosticado y esta elección afecta el cuestionables. En este estudio, nos centramos en los métodos paramétricos.
rendimiento del sistema, una distribución hipotética inexacta puede resultar en En el pronóstico paramétrico, se supone una determinada distribución de la
altos costos prevenibles. Por ejemplo, las existencias innecesarias pueden demanda de tiempo de entrega y sus parámetros se estiman directamente a partir
suponer una carga de capital considerable, ya que las piezas suelen ser caras, o de los datos a través de un método de estimación. Como la mayoría de las
pueden surgir elevados costes de penalización debido a roturas de stock no distribuciones que se utilizan tienen dos parámetros, la media y la varianza
planificadas. (consulte también la siguiente subsección), los métodos de estimación
El primer objetivo de nuestro estudio es ampliar el conocimiento empírico paramétrica deben proporcionar un pronóstico tanto de la media como de la
existente sobre las mejores distribuciones para ajustar los datos de demanda de varianza de la demanda del tiempo de entrega.
repuestos. Usamos la prueba de bondad de ajuste de Kolmogorov Smirnov (K- El método de estimación más clásico es el suavizado exponencial. En una
S) para determinar las distribuciones que mejor se ajustan a nuestros datos y contribución de 1972, Croston demuestra que este método está sesgado en
comparar nuestros resultados con los de la literatura. Además, implementamos presencia de demanda intermitente e introduce el primer método de estimación
una prueba K-S ligeramente modificada que pone mayor énfasis en las que aborda directamente la intermitencia de los datos. En un trabajo
diferencias en la cola derecha de la distribución y menos énfasis en la cola posterior,sintetosy Boylan (2005)introducirun nuevo método de estimación
izquierda. Como la mayoría de las aplicaciones de inventario implican calcular que corrige el sesgo en el método de Croston y también se ha vuelto popular
los percentiles 90–95 de la distribución de la demanda pronosticada, la entre los pronosticadores de repuestos.
distribución de la cola derecha es información crucial que se requiere para Todos estos métodos de estimación requieren la suposición de una cierta
implementar un sistema de gestión de inventario exitoso. Aunque ajustar la distribución del tiempo de entrega. Aunque se ha demostrado que la elección de
distribución correcta es importante, necesitamos saber que la distribución la demanda de tiempo de entrega no tiene una gran influencia en el desempeño
seleccionada tendrá un buen rendimiento de inventario. del inventario si la demanda tiene una distribución simétrica (FOrtuín,
WUsamos dos conjuntos de datos en nuestro estudio. El primer conjunto de 1980),este no es el caso de las distribuciones asimétricas.Heuts, Lieshout,y
datos proviene de una empresa alemana que es líder mundial en el mercado de Baken (1986)muestra esael desempeño de un sistema de inventario depende
turbinas eólicas y se compone de la demanda semanal de más de 4000 artículos de la asimetría de la distribución supuesta del tiempo de entrega. Al ser
durante el período 2011-2013. El segundo conjunto de datos proviene de la intermitente, la demanda de repuestos a menudo produce una distribución de
Royal Air Force. Se compone de la demanda mensual de 5000 artículos durante tiempo de entrega sesgada (Lengu, Syntetos y Babai,
el período 1996–2002. 2014),al menos para plazos de entrega razonablemente cortos (para plazos de
El resto del documento está organizado de la siguiente manera. EnSección entrega largos, se aplica el teorema del límite central y la distribución se vuelve
2,we revisar la literatura relevante. Describimos los conjuntos de datos más simétrica). Por este motivo, debe prestarse especial atención a la selección
analizados enSección3.Sección4se dedica al análisis de las distribuciones que de la distribución adecuada en este contexto.
mejor se ajustan, mientras que las implicaciones del inventario se presentan
enSección5. EnSección6, delineamos nuestras conclusiones y direcciones 2.2. Características de la demanda de
para futuras investigaciones. repuestos
demanda agregadapara los años entre 1996 y 2002 y contiene datos sobre
Tcapaz 5000 SKU. La serie de datos resultante tiene una longitud de 84 periodos. El
1
Conjuntos de datos
conjunto de datos 2 es muy intermitente, ya que el tiempo medio mínimo entre
empíricos. 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
NORTE. Industria NORTE. de SKU Tagregación de
tiempo Longitud de la serie demanda también es más homogénea, alcanzando un CV máximo2de solo 11,88
1 Renergía renovable 4483 Wsemanalmente 160 en comparación con los 18,82 del conjunto de datos 1 (el CV medio2sin
2 Militar(RAF) 5000 Mensual 84 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
los procesos de la empresa son tales que los inventarios se revisan recopilamos enTcapaz 4. Solo el 25% de los artículos tienen menos de cinco
semanalmente; por lo tanto, agregamos los pedidos semanalmente y creamos un meses de tiempo de entrega, con una mediana de nueve meses; dos artículos
cronograma de 160 semanas para cada parte. El tiempo de entrega para este tipo tienen un plazo de entrega muy largo de casi tres años (33 meses).
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 4. Bondad de ajuste y clasificación de ítems
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 En esta sección, abordamos nuestro primer objetivo, a saber, contribuir a la
que el almacén central contiene la pieza especificada. literatura empírica sobre las distribuciones que mejor se ajustan a las piezas de
conjunto de datos1 tiene un nivel de intermitencia muy variado. Si repuesto. Para ello, utilizamos los dos conjuntos de datos empíricos descritos en
consideramos p=1.32 como el umbral entre SKU de alta frecuencia e la sección anterior. Primero, describimos el tipo de prueba de bondad de ajuste
intermitentes (umbral identificado porsintetosy Boylan, 2005),wEncontramos que usamos enSección4.1y luego describir los resultados de ajustar la demanda
que 66 SKU son de alta frecuencia, mientras que 4417 partes son intermitentes, para cada período (Sección4.2) y la demanda de tiempo de entrega (Sección
con 1460 artículos (33%) tomando solo un valor distinto de cero. Excluimos de 4.3).
nuestro estudio aquellos puntos de datos que no tienen observaciones en la
inicialización (el primer año, compuesto por 52 observaciones) o período de 4.1. Pruebas de bondad de
control (las 108 observaciones restantes. Por favor verSección5.1para obtener ajuste
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 WUsamos la prueba K–S para evaluar la bondad de ajuste de las
conjunto de datos 1 no se utilizará en las simulaciones de control de existencias. distribuciones. Esta prueba es una de las que se basan en las estadísticas de la
No obstante, excluimos del estudio aquellos elementos que no cumplían con las función de distribución empírica (EDF), que miden la bondad de ajuste
reglas mencionadas anteriormente en un esfuerzo por realizar una comparación comparando la función de distribución empírica Fnorte (X) con la supuesta
justa y sensata entre el rendimiento del ajuste distribucional de los dos conjuntos función de distribución F0 (X). El estadístico K-S se define como
de datos diferentes. Partes en este conjunto de datos también D=sorberXD (X ),dóndeD(X )=|Fnorte (X )−F0 (X )|, conXbeingel conjunto
tienen una variabilidad muy alta de tamaños de demanda con CV2rcada uno de observaciones. Esta medida representa la distancia absoluta entre
máximoNivel de más de 18. interpolaciónlas dos curvas de Fnortey F0 . Más concretamente, si tenemos
conjunto de datos2 se ha utilizado en muchos trabajos de investigación 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 )
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,
Signifi Dakota CV2 Significar Dakota del CV2 Signific Dakota del CV2
car del Sur 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,
Tcapaz 4
conjunto de datos2 – información sobre el plazo de entrega (en meses),
Tiempo de espera 0 5 9 12 33
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 we no tienen una distribución completamente especificada. Esto hace que la
arbitrarias, pero están respaldadas por la literatura sobre pruebas ponderadas, prueba sea conservadora, lo que significa que acepta el nulo más a menudo de
que concluye que la elección de la función de ponderación y los parámetros lo que debería (Massey, 1951). Además,wTenemos datos discretos en lugar
debe basarse en la identificación de la forma deseada de los intervalos de de continuos, lo que también significa que la prueba es conservadora
confianza (andersony Darling, 1954; Arsham, 1986).Si tuviéramos que (norteotro,1963). Por lo tanto,si encontramos que cierta distribución se ajusta
subdividir la región de prueba en solo dos áreas, necesitaríamos que nuestra a nuestros datos, todavía hay una cierta probabilidad de que este no sea el caso.
prueba fuera más estricta en el área derecha y menos estricta en el área Discutiremos las implicaciones para nuestros resultados en la conclusión.
izquierda, sin tener un área intermedia. Esto haría que la transición entre las dos Basado en la literatura descrita enSección2, probamos las siguientes
áreas fuera mucho más fuerte y conduciría a una prueba menos homogénea, que distribuciones: normal, gamma, Poisson, binomial negativa y tartamuda de
se comportaría de manera bastante diferente en datos similares, haciendo que Poisson. Estas son las mismas distribuciones que usaremos en la simulación de
esta elección no sea deseable. Por el contrario, podríamos tener más de tres inventario enSección5. Para estimar estos
áreas, con diferen-
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-
141414
121212
101010
888
666
444
222
0 0 0
01020304050607080 01020304050607080 01020304050607080
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
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 we no tienen una distribución completamente especificada. Esto hace que la
arbitrarias, pero están respaldadas por la literatura sobre pruebas ponderadas, prueba sea conservadora, lo que significa que acepta el nulo más a menudo de
que concluye que la elección de la función de ponderación y los parámetros lo que debería (Massey, 1951). Además,wTenemos datos discretos en lugar
debe basarse en la identificación de la forma deseada de los intervalos de de continuos, lo que también significa que la prueba es conservadora
confianza (andersony Darling, 1954; Arsham, 1986).Si tuviéramos que (norteotro,1963). Por lo tanto,si encontramos que cierta distribución se ajusta
subdividir la región de prueba en solo dos áreas, necesitaríamos que nuestra a nuestros datos, todavía hay una cierta probabilidad de que este no sea el caso.
prueba fuera más estricta en el área derecha y menos estricta en el área Discutiremos las implicaciones para nuestros resultados en la conclusión.
izquierda, sin tener un área intermedia. Esto haría que la transición entre las dos Basado en la literatura descrita enSección2, probamos las siguientes
áreas fuera mucho más fuerte y conduciría a una prueba menos homogénea, que distribuciones: normal, gamma, Poisson, binomial negativa y tartamuda de
se comportaría de manera bastante diferente en datos similares, haciendo que Poisson. Estas son las mismas distribuciones que usaremos en la simulación de
esta elección no sea deseable. Por el contrario, podríamos tener más de tres inventario enSección5. Para estimar estos
áreas, con diferen-
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-
PAGporcentajede
SKU
demandar tiempo entre llegadaspage y igual al CV2de sus tamaños de para el 42,32 % y un buen ajuste para el 8,28 % de los SKU en el conjunto de
demanda. El color es gris si no se identifica ningún ajuste con la distribución datos 1, mientras que tiene un rendimiento deficiente (solo un 13,52 % de fuerte
relativa, y rojo en caso contrario. y un 10,32 % de buen ajuste) para el conjunto de datos 2. Este bajo rendimiento
Fprimerode todo, es muy interesante señalar que los resultados obtenidos se puede atribuir en parte a la prueba K-S clásica . Como la distribución gamma
al utilizar la prueba clásica sobre el Dataset 2 son casi exactamente iguales a los solo puede tomar valores positivos, la distribución acumulativa se ve obligada a
encontrados porsintetos,Lengu y Babai (2013). Esto agregato la credibilidad de ser siempre igual a cero en cero. Esto causa dificultad en el uso de la prueba K-
nuestros resultados y está en línea con el llamado a la reproducibilidad en las S para ajustar una distribución gamma a elementos intermitentes, para los cuales
matemáticas de gestión porBoylán (2016).Los resultados del ajuste de la la distribución empírica asume un alto valor en cero. Al asignar menos peso a
demanda por período con la clásica prueba K-S revelan que la binomial negativa las diferencias para percentiles bajos, como en el caso de la prueba modificada,
y la tartamuda de Poisson son las que más probabilidades tienen de ajustarse a este problema se atenúa.
nuestros datos. En particular, las distribuciones de Poisson entrecortadas logran Los resultados que acabamos de describir, obtenidos al ajustar diferentes
un fuerte ajuste del 95,58 % en el conjunto de datos 1 y del 99,94 % en el distribuciones a la demanda por periodo, parecen confirmar, al menos
conjunto de datos 2. Además, solo el 3,52 % de los SKU no se ajustan a la parcialmente, la validez de la clasificación desarrollada porsintetosmit al.
distribución de Poisson entrecortada en el caso del conjunto de datos 1, mientras (2011)y representado enFyo G. 1. Encontramos evidencia de que la distribución
que el ajuste es menos bueno para cada SKU en el conjunto de datos 2. Tenga de Poisson debe ser considerada para artículos con poca variabilidad en tamaño
en cuenta que los elementos que no se ajustan a la tartamudeada distribución de y algún grado de intermitencia, la distribución normal es efectiva solo para
Poisson para el conjunto de datos 1 se encuentran en el área superior izquierda demanda no intermitente con poca variabilidad, y la NBD y la tartamudez de
deFyo G. 5, lo que significa que son los ítems no intermitentes con alta Poisson la distribución se puede ajustar a elementos que son al menos algo
variabilidad. El ajuste del NBD también es excepcionalmente bueno para el intermitentes y tienen al menos una variabilidad positiva. Con respecto a la
conjunto de datos 2, con distribución gamma, encontramos que se ajusta a artículos con alta variabilidad,
El 93,88 % de los SKU muestran un fuerte ajuste, mientras que esta cifra alcanza independientemente del grado de intermitencia, pero no parece ajustarse bien a
el 79 % para el conjunto de datos 1. Para ambos conjuntos de datos, los datos artículos con intervalos entre demanda bajos, como sugeriría el esquema de
que parecen estar excluidos si se ajustan al NBD (verFigs. 5y6) son los que clasificación; además, los mismos elementos que pueden ser ajustados por la
tienen CV2valores casi igualestcero Se anticipó este buen desempeño de las distribución gamma siempre pueden ser ajustados por el NBD o la distribución
distribuciones binomiales negativas y de Poisson entrecortadas: dada la alta intermitente de Poisson en ambos conjuntos de datos. En total,
intermitencia de los SKU en nuestros conjuntos de datos, esperábamos El uso de la prueba K–S modificada cambia ligeramente los resultados, lo
distribuciones de librasto ajusta muy bien los datos. La distribución de que reduce el ajuste del NBD y la distribución intermitente de Poisson para
Poisson logra buenos resultados y es la tercera distribución con mejor ajuste. ambos conjuntos de datos. La diferencia más llamativa es, sin embargo, la de la
Esta distribución puede modelar puntos de datos para los cuales el tamaño de la distribución gamma, que explicamos en el párrafo anterior.
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 4.3. Ajuste de la demanda de tiempo
también es confirmado porFigs. 5y6, que muestran que la distribución de de entrega
Poisson se ajusta a aquellos SKU con una variabilidad de tamaño muy baja,
independientemente del intervalo medio entre demandas. La distribución Los resultados de las pruebas K-S clásicas y modificadas que se ajustan a la
normal funciona mal, ya que la alta intermitencia de los datos produce demanda del tiempo de entrega se informan enTcapaz 6. Solo conjunto de datos
distribuciones empíricas muy sesgadas, que no pueden ajustarse a la 2
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
Tcapaz 6
Resultados de bondad de ajuste: demanda de tiempo de entrega.
PAGporcentajede
SKU
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.
Observaciones de inicialización 48
Observaciones de evaluación 36
5. Implicaciones de inventario
by el método de pronóstico, dondeσ̂ es la media de la raíz suavizada remejor ticales el NBD, seguido de BestModificad y BestClassic.
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 0.86 0.88 0.9 0,92 0,94 0,96
NM logrado
Fyo G. 8.C.Anivel de servicio elevadovs. inventario promedio disponible.
6. Conclusiones y futuras investigaciones "juzgado"by la prueba modificada. En segundo lugar, las distribuciones
compuestas exhiben un ajuste considerablemente reducido, especialmente la
Fpicandola distribución adecuada a la demanda es un tema crucial en la distribución de Poisson entrecortada, que va desde un ajuste general del 85% al
gestión de inventario de repuestos. La literatura evalúa diferentes distribuciones 58% bajo la prueba modificada. Esto demuestra que aunque estas distribuciones
y propone algunos esquemas de clasificación. Sin embargo, solo un estudio se ajustan muy bien a la demanda por período, es posible que no sean apropiadas
hasta el momento intenta investigar las implicaciones de inventario de la para aplicaciones de inventario.
elección de distribución. En nuestro estudio, buscamos vincular la bondad de FPor último, analizamos el rendimiento del inventario de ocho
ajuste de distribuciones bien conocidas con el desempeño de su inventario. implementaciones diferentes de políticas de pedido hasta el nivel, obtenidas
Además, intentamos investigar la relevancia de usar K–S en este contexto: una utilizando diferentes distribuciones de tiempo de entrega para adaptarse a la
prueba modificada que pone mayor énfasis en las diferencias en la cola derecha demanda. Encontramos que la implementación de políticas que usa NBD para
podría ser mejor para identificar las distribuciones que se usarán en las cada SKU logra un nivel de servicio objetivo que en promedio está más cerca
aplicaciones de inventario. En nuestro estudio empírico, usamos dos conjuntos del nivel objetivo. Sin embargo, lo hace a costa de mayores costos de tenencia.
de datos empíricos de dos industrias diferentes para un total de La implementación de políticas más eficiente en términos de inventario en
aproximadamente 7000 artículos. espera por nivel de servicio logrado es BestModified, que, para cada SKU,
Fprimero,wAjustamos las distribuciones más utilizadas para repuestos a implementa la distribución que muestra el mejor ajuste bajo la prueba
nuestros datos y comparamos nuestros resultados con los reportados en la modificada. La implementación que utiliza la regla de clasificación para
literatura. Confirmamos que la distribución de la demanda por período determinar la distribución que se ajusta tiene un desempeño deficiente y, por lo
generalmente se ajusta a las distribuciones compuestas de Poisson, como el tanto, concluimos que esta clasificación no debe usarse con fines de inventario
NBD y la distribución intermitente de Poisson, y que la distribución normal (debemos señalar aquí quesintetosmit al., 2011, analizó esta regla de
funciona muy mal con un ajuste del 0 % para uno de los conjuntos de datos y clasificación solo en términos de ajuste de distribución y no hizo ninguna
un ajuste del 0,80 %. para el otro. La distribución gamma funciona peor de lo afirmación con respecto a su desempeño de inventario).
esperado, pero su resultado de ajuste mejora cuando se usa la prueba Nuestro estudio muestra que la clásica prueba K-S, a pesar de ser
modificada: como se acomoda más a las diferencias en los percentiles más ampliamente utilizada en la literatura para medir la bondad de ajuste de las
bajos, la prueba modificada olvida más el hecho de que la distribución gamma distribuciones de demanda de repuestos, no es una buena prueba para usar
la distribución toma valor cero en cero mientras que la demanda intermitente cuando el objetivo es mejorar el desempeño del inventario del sistema. Con este
nunca lo hace. Las reglas de clasificación sugeridas en la literatura parecen fin, nuestra prueba K-S modificada funciona mejor.
ajustarse visualmente a nuestros datos; sin embargo, WCreemos que estos hallazgos son muy importantes para los profesionales,
WLuego, consideremos la demanda de tiempo de entrega y descubramos que luchan por encontrar la política adecuada para sus repuestos. Deben tener
que los resultados también indican que las distribuciones NBD y de Poisson en cuenta que es crucial seleccionar la distribución correcta; si no lo hacen, su
entrecortada funcionan mejor. La distribución normal exhibe un desempeño desempeño podría deteriorarse considerablemente, lo que implica costos
mejorado en este contexto, ya que se ajusta al tiempo de entrega de sustanciales. Se deben recopilar datos refinados para cada SKU para poder
aproximadamente el 10% de los SKU. Al comparar los resultados obtenidos al analizar cada SKU de forma independiente, ya que las reglas de clasificación no
utilizar la prueba K-S modificada, surgen algunas observaciones interesantes. parecen ser particularmente efectivas en esta etapa. Las pruebas que ponen
Primero, para la demanda de tiempo de entrega, la distribución gamma funciona mayor énfasis en las diferencias en la cola derecha deben preferirse al evaluar
mejor cuando el ajuste de las distribuciones.
Nuestro estudio tiene ciertas limitaciones y abre vías para futuras Ghobbar,A. A. y amigo, CH (2003). Evaluación de los métodos de pronóstico para la demanda
investigaciones. Primero, la prueba K-S es conservadora en nuestro entorno, ya intermitente de piezas en el campo de la aviación: un modelo predictivo. Investigación informática y
de operaciones, 30, 2097–2114.
que estimamos los parámetros a partir de los datos y tenemos datos discretos.
Saludos,R., Lieshout, Jv y Baken, K. (1986). Un modelo de inventario: ¿Cuál es la influencia de la forma
Esto significa que podríamos estar sobreestimando los porcentajes de buen de la distribución de la demanda del tiempo de entrega? Investigación de operaciones de Zeitschrift,
ajuste, y esta podría ser una de las razones del desajuste entre la bondad de ajuste 30, B1–B14.
y los resultados del inventario para la distribución de Poisson entrecortada, por Johnston,F. R. y Boylan, JE (1996). Pronóstico de artículos con demanda intermitente. The Journal of
the Operational Research Society, 47, 113–121.
ejemplo. Sin embargo, otras distribuciones, como la normal y gamma, kOstenko,A. y Hyndman, R. (2006). Una nota sobre la categorización de patrones de demanda. The
funcionan mucho mejor en aplicaciones de inventario de lo que hubiéramos Journal of the Operational Research Society, 57(10), 1256–1258.
esperado en base a los resultados de bondad de ajuste. Por lo tanto, no está claro korentzes, N. (2013). Pronósticos de demanda intermitente con redes neuronales. International Journal
of Production Economics, 143(1), 198–206.
si esta actitud conservadora afecta nuestros resultados. Se necesita más Kwan,H. (1991). Distribuciones a pedido de artículos de lento movimiento. Lancaster University Ph.D.
investigación para determinar esto. tesis.
Además,dado que el vínculo entre la bondad de ajuste y el rendimiento del 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),
inventario es crucial para la industria, se necesita más investigación en esta área.
624–635.
Sería muy beneficioso desarrollar un esquema de clasificación que capture Masón,DM y Schuenemeyer, JH (1983). Una prueba modificada de Kolmogorov-Smirnov sensible a las
completamente esta relación y permita una fácil correspondencia entre ciertas 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
características de la demanda y la distribución a utilizar. En este sentido, el
Asociación Estadounidense de Estadística, 46(253), 68–78.
esquema propuesto porLengu et al. (2014)deberíabe investigado en términos Muckstadt,JA (2010). Análisis y algoritmos para cadenas de suministro de repuestos.
de su rendimiento de inventario. En los próximos pasos de nuestra Ciencia Springery Medios de Negocios.
investigación, tenemos la intención de replicar nuestros hallazgos en conjuntos norteotro,GE (1963). Nota sobre el estadístico de Kolmogorov en el caso discreto. métrica,
7(1), 115–116.
de datos más empíricos y trabajar hacia el desarrollo de un esquema de Educación físicatrópoulos,F., Makridakis, S., Assimakopoulos, V. y Nikolopoulos, K. (2014).
clasificación para mejorar el rendimiento del inventario de piezas de repuesto. 'Caballos de carreras'en la previsión de la demanda. European Journal of Operational Research,
237(1), 152–163.
Rreferencias 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.
Pronóstico de Air Trasport World (2013) – 2013 otro año
Regattieri,A., Gamberi, M., Gamberini, R. y Manzini, R. (2005). Gestión de la demanda irregular de
desafiante.http://docslide.nosotros/documentos/aire- transporte-wmundo- enero-
piezas de repuesto para aeronaves. Revista de Gestión del Transporte Aéreo, 11, 426–431.
2013.html.
do Rego, JR y de Mesquita, MA (2015). Pronóstico de demanda y control de inventario: un estudio de
Altai,N., Rudisill, F. y Literal, LA (2008). Adaptación de la modificación de Wright del método de Holt
simulación sobre repuestos automotrices. International Journal of Production Economics, 161(0), 1–
para pronosticar la demanda intermitente. Revista Internacional de Economía de la Producción, 111,
16.http://www.sciencedirect.com/science/article/pii/S0925527314003594hacer:
389–408.
10.1016/j.ijpe.2014.11.009.
anderson,T. W. y Darling, DA (1954). Una prueba de bondad de ajuste. Diario de la
snyder,DR (2002). Pronóstico de ventas de inventarios de movimiento lento y rápido. europeo
Asociación Estadounidense de Estadística, 49(268), 765–769.
Revista de Investigación Operativa, 140, 684–699.
Arsham,H. (1986). Regiones de confianza generalizadas de KS: algunos resultados exactos. Revista de
sintetos,A., Boylan, J. y Croston, J. (2005). Sobre la categorización de patrones de demanda. Revista de
Computación Estadística y Simulación, 25, 9–23.
la Sociedad de Investigación Operacional, 56, 495–503.
Arsham,H. (1987). Una refin de confianza KS unilateral modificada más estrecha en una cola.
sintetos,A., Lengu, D. y Babai, MZ (2013). Una nota sobre las distribuciones de demanda de repuestos.
Comunicacionesen Estadística – Teoría y Métodos, 16(1), 17–28.
Revista internacional de investigación de producción, 51 (21), 6356–
Axsäter,S. (2006). Control de inventario (2ª ed.). Nueva York: Springer.
6358.
babai,MZ, Ali, MM y Nikolopoulos, K. (2012). Impacto de la agregación temporal en el rendimiento del
sintetos,A. A., Babai, MZ y Altay, N. (2012). Distribuciones de repuestos a pedido. Revista internacional
control de existencias de los estimadores de demanda intermitente: análisis empírico. Omega, 40(6),
de investigación de producción, 50 (8), 2101–2117.
713–721.http://www.sciencedirect.com/science/article/pii/S0305048311001472,
sintetos,A. A., Babai, MZ y Gardner, ES, Jr. (2015). Pronóstico de demandas de inventario intermitentes:
Problema especialsobre Pronósticos en Ciencias Administrativas
métodos paramétricos simples frente a bootstrapping. Journal of Business Research, 68(8), 1746–
doi:10.1016/j.omega.2011.09.004.
1752.
Encuadernador,JH y Lordahl, AE (1989). Estimación de los niveles de reposición de inventario
sintetos,A. A., Babai, MZ, Lengu, D. y Altay, N. (2011). Supuestos distribucionales para pronósticos
mediante el procedimiento estadístico bootstrap. Transacciones del IIE, 21(4), 302–312.
paramétricos de demanda intermitente. En N. Altay, & L. Literal (Eds.), Gestión de piezas de servicio:
boylan,JE (2016). Reproducibilidad. Revista IMA de Matemáticas de Gestión, 27 (2),
previsión de demanda y control de inventario. Saltador. cap. 2
107–108. hacer:10.1093/imaman/dpw003.
sintetos,A. A. y Boylan, JE (2005). La precisión de las estimaciones de demanda intermitente. Revista
boylan,JE y Syntetos, AA (2007). La precisión de un procedimiento de Croston modificado.
internacional de pronósticos, 21, 303–314.
InternacionalRevista de Economía de la Producción, 107, 511–517.
sintetos,A. A. y Boylan, JE (2006). Sobre el desempeño del control de stock de los estimadores de
boylan,JE, Syntetos, AA y Karakostas, G. (2008). Clasificación para pronóstico y control de existencias:
demanda intermitente. Revista Internacional de Economía de la Producción, 103,
un estudio de caso. Revista de la Sociedad de Investigación Operativa, 59(4),
36–47.
473–481.
Teunter,R. y Duncan, L. (2009). Pronóstico de la demanda intermitente: un estudio comparativo. Revista
crostón,JD (1972). Previsión y control de stock para demanda intermitente. Operational Research
de la Sociedad de Investigación Operacional, 60, 321–329.
Quarterly, 23, 289–303.
Wduro,J. (1978). Determinar los puntos de pedido cuando la demanda es irregular. Gestión
D'Agostino,RB y Stephens, MA (1986). Técnicas de bondad de ajuste. ESTADÍSTICAS: Libros de texto
Ciencia,24, 623–632.
y monografías: 68. CRC Press.
willemain,T. R., Smart, CN y Schwarz, HF (2004). Un nuevo enfoque para pronosticar la demanda
degroot,MH y Schervish, MJ (2012). Probabilidad y estadística (4ª ed.). Addis-on-Wesley.
intermitente de inventarios de repuestos. Revista internacional de pronósticos, 20, 375–387.
ecker,F. (1979). La distribución asintótica de la supremacía de los procesos empíricos estandarizados.
willemain,T. R., Smart, CN, Shockor, JH y DeSautels, PA (1994). Pronóstico de la demanda intermitente
Los Anales de Estadística, 7(1), 116–138.
en la fabricación: una evaluación comparativa del método de Croston. Revista internacional de
FOrtuín,L. (1980). Cinco funciones populares de densidad de probabilidad: una comparación en el campo
pronósticos, 10, 529–538.
de los modelos de control de existencias. Revista de la Sociedad de Investigación Operativa, 31(10),
Williams,T. M. (1984). Control de stock con demanda esporádica y lenta. El
937–942.
Revista de la Sociedad de Investigación Operacional, 35, 939–948.
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.