SISTEMAS

SISTEMAS DE
DE CONTROL
CONTROL DE
DE INVENTARIOS
INVENTARIOS DE
DE
TIPOS:
TIPOS: ITEMS
ITEMS ESPECIALES:
ESPECIALES:
AA CC PERECEDEROS
PERECEDEROS
ESTACIONALES
ESTACIONALES OO DE
DE TEMPORADA
TEMPORADA
MODELOS
MODELOS DE
DE PRONÒSTICOS
PRONÒSTICOS PARA
PARA ITEMS
ITEMS CON
CON DEMANDA
DEMANDA
•• MEDIANA
MEDIANA ::
•• ALTAMENTE
ALTAMENTE PROBABILISTICA
PROBABILISTICA
MÈTODOS:
MÈTODOS:
WINTERS
WINTERS
AUTO
AUTO REGRESIVOS
REGRESIVOS -ARIMA
-ARIMA

DAN ROOSBELT MAZABUEL

LINA
LINAQUINTERO
WILLIAN HERNAN YANDUN CAÑAS
QUINTERO CAÑAS
DAN
DAN ROOSBELT
LINA QUINTERO CAÑAS MAZABUELT
ROOSBELT MAZABUELT
WILLIAN
WILLIAN HERNAN
HERNANYANDUN
YANDUN
 CONTROL
CONTROL DE
DE INVENTARIOS
INVENTARIOS DE
DE ITEMS
ITEMS CLASE
CLASE A:
A:
GENERALIDADES
GENERALIDADES
• Ítems A, son generalmente aquellos cuyo producto Dv es mayor que
todos los demás ítems

• Utilizar el mismo tipo de control para ítems clase A y B se justifica

cuando los ahorros logrados en el CTR, supera el costo adicional de
tener un sistema más complejo.

• El producto Dv puede ser alto par un ítem clase A debido a un alto

valor de D, de V o ambos.

• El sistema de control de un ítem clase A con alta demanda y bajo valor

unitario no es igual al sistema de control de otro ítem de clase A con
muy baja demanda, pero con costo unitario alto.
D= demanda
D*v=Costo de comprar Costo total relevante (CTR)
V= Valor unitario
Determinación
Determinación simultánea
simultánea dede ss yy Q
Q en
en un
un sistema
sistema (s,
(s, Q)
Q) con
con costo
costo
de
de faltantes
faltantes B2 B2 conocido
conocido

Las Ecuaciones 1 y 2 produce la solución óptima del problema de control de

inventarios (s, Q) con B2 conocido.

1. O equivalente a

2.
 El
El algoritmo
algoritmo para
para resolver
resolver los
los problemas
problemas es
es el
el siguiente:
siguiente:

• Paso 1: Calcule un valor inicial de Q con el EOQ.

• Paso 2: Calcule la probabilidad de que no ocurra un stockout (agotado)

(P1) mediante la expresión

• Paso 3: Calcule el valor corregido de Q, el valor de Gu(k) se obtiene de las

tablas.

• Paso 4: Repita los pasos 2 y 3 anteriores hasta que el cambio en P1 (ó en k)

y en Q sea despreciable.

• Paso 5: Calcule el punto de reorden s, el costo total relevante TRC2, y el

nivel de servicio alcanzado P2
 Ejemplo
Ejemplo

Se va a aplicar el algoritmo anterior para determinar el valor

óptimo de Q y de k (y, por ende, de s)
Demanda Mensual d 12.000
Valor del ítem v $ 14,00
Costo de cargar el inventario r 20%
Costo por faltante B 2 9%
Costo de ordenar A 1.000
Desviación estándar s L 3.797
 Ejemplo
Ejemplo

• A partir de la Ec. (1), este valor genera un primer valor de P1 , así:

Nivel de servicio P 1 0,8434900

Ahora, se determina

pz (k) = 1 – P1 = 1 – 0,8435 = 0,1565. Pz(k) 0,1565100

 Ejemplo
Ejemplo

• Recalcular Q
 Ejemplo
Ejemplo

El punto de reorden s y el nivel de servicio P2 (para Q = 12.453

unidades y k = 0,87) para esta solución, asumiendo que los faltantes
se convierten en órdenes pendientes, vienen dados por:

Con respecto al problema original cuyo costo es de

$45.232.20, y el actual es de $44.116.9.
se logra un ahorro del 2.74%
 CONTROL
CONTROL DE
DE INVENTARIOS
INVENTARIOS DE
DE ITEMS
ITEMS CLASE
CLASE C:
C:

• Los ítems clase C son los ‘menos importantes’ No significa que su control pueda descuidarse.

• Son un número considerable de ítems.

• Representan el menor valor Dv de todos los ítems.

• Pueden convertirse en ítems muy importantes porque son:

 
* Claves para alguna parte del proceso productivo.
 
* Importantes para uno o más clientes claves de la organización.
 
* Poco costosos, pero pertenecientes a ensambles o subensambles clase A.
 
* Ítems que pueden ser complementarios con otros debido a su naturaleza.
 
* Ítems clasificados como C, pero que está en crecimiento y llegan a convertirse en ítems clase A.
El
El proceso
proceso para
para un
un sistema
sistema (R,
(R, S)
S) puede
puede resumirse
resumirse en
en los
los siguientes
siguientes
pasos
pasos
• Paso 1: Fije el valor del intervalo de revisión R ( Utilice el mayor posible) Fije
el valor de TBS requerido

• Paso 2: Determine el valor de k de acuerdo con la fórmula:

• Paso 3: Determine Donde d es la demanda promedio.

s1 es la desviación estimada de los errores de los pronósticos.

• Paso 4: Calcule el inventario máximo como:

 No es muy común utilizar sistemas de revisión periódica,
pero, igual se pueden hacer los cálculos por analogía del
sistema .
 
Si no hay un sistema de pronósticos, se sugiere utilizar
procesos de distribución Poisson, de tal forma que:

xˆRL  d (R  L), donde d es la demanda promedio estimada

 R L  xˆRL  d (R  L)
 Ejemplo
Ejemplo
Un ítem clase C se pronostica con promedio móvil mensual
El pronóstico d para el próximo mes es de 12.5 unidades
El ECM mensual actual tiene un valor de 96.75 unidades2.
Período de revisión cada R = 3 meses
El Lead Time L = 0.5 meses.
Para un TBS = 20 años, calcule el inventario máximo S.

Se calcula: Finalmente:

El factor de seguridad asociado es: 2,24

El inventario deberá revisarse cada 3 meses y
ordenarse una cantidad igual a 85 unidades menos
el inventario efectivo al momento de la revisión.
 

Se espera que el tiempo promedio entre stockouts

de este ítem no sea menor que 20 años.
 CONTROL
CONTROL DE
DE ITEMS
ITEMS PERECEDEROS
PERECEDEROS YY ESTACIONALES
ESTACIONALES

Un tema clave en el control de inventarios es el control de ítems perecederos,

estacionales o “de moda”, ya que pueden llegar a un alto grado de obsolescencia en
tiempos relativamente cortos.
Suelen ser productos de muy corto ciclo de vida, como los teléfonos celulares, las
calculadoras e, incluso, los computadores.

Se presenta en una gran variedad de ítems perecederos y estacionales, como

diversos tipos de alimentos perecederos (leche, carne, comidas rápidas, etc.), ropa
de venta estacional, flores, artículos de Navidad y artículos que se venden en otras
festividades especiales, bancos de sangre y computadores, entre otros.
 Ejemplo
Ejemplo
Suponga que es propietario de una librería y vende cierta revista de circulación semanal muy
apetecida. A través de datos de demanda de las últimas 70 semanas, ha logrado establecer
cierta distribución de frecuencias de demanda semanal de la revista, con 14 valores discretos de
demanda. La correspondiente información se muestra en la tabla
 Ejemplo
Ejemplo
Información de costos con respecto a la revista
• Su problema fundamental es, ¿cuántas
revistas debería usted comprar cada
semana para maximizar su utilidad neta
esperada?
1. ordenar siempre el valor esperado de
revistas que se venden cada semana,
el cual viene dado por:
2. Ordenar 13 revistas cada semana.
3. Una forma de determinar el número
óptimo de revistas a comprar cada semana
es la de calcular la utilidad neta esperada
U(x) en función de la cantidad ordenada
cada semana, x. Obviamente, 7 ≤ x ≤ 20. La
utilidad neta esperada sería entonces igual
a:
 Ejemplo
Ejemplo

El desarrollo de la Ec. para cada

valor x es relativamente sencillo a
través de una hoja electrónica. La
tabla presenta los resultados de la
utilidad neta esperada U(x) en
función del número de revistas
ordenado x.
 Ejemplo
Ejemplo
Obsérvese que si se ordenan x*= 16 revistas cada semana, el nivel de
servicio óptimo P1* será del 93% (la probabilidad de que la demanda sea
menor o igual que 16 revistas leída de la tabla), mientras que el nivel de
servicio P2 vendría dado por:
 Método
Método de
de Winters
Winters

El modelo Holt-Winters incorpora un
conjunto de procedimientos que
conforman el núcleo de la familia de
series temporales de suavizamiento
exponencial. A diferencia de muchas
otras técnicas, el modelo Holt-
Winters puede adaptarse fácilmente
a cambios y tendencias, así como a
patrones estacionales
 Método
Método de
de Winters
Winters

Es una ampliación perfeccionada del enfoque de

la suavización exponencial, mientras que el
procedimiento de suavización proporciona una
impresión general, movimientos a largo plazo en
la información y permite la elaboración de
pronósticos a corto plazo
Método
Método de
de Winters
Winters
Método
Método de
de Winters
Winters
Método
Método de
de Winters
Winters
APLICAR METODO DE WINTERS
PARA EL PRONÓSTICO DEL AÑO •CASO APLICADO: METODO DE WINTERS CON PATRON DE DEMANDA
ESTACIONAL
2004
•LA ESTACIONALIDAD SE REPITE CADA 4 PERIODOS
FACTOR ESTACIONAL
Modelo
Modelo autorregresivo
autorregresivo Integrado
Integrado de
de media
media móvil
móvil ARIMA
ARIMA
Modelo
Modelo ARIMA
ARIMA
El término de error de los modelos de este tipo se denomina
generalmente ruido blanco cuando cumple las tres hipótesis básicas
tradicionales:
● Media nula
● Varianza constante
● Covarianza nula entre errores correspondientes a observaciones
¿Cómo
¿Cómo seleccionar
seleccionar entre
entre modelos
modelos ARIMA?
ARIMA?
Proceso
Proceso iterativo
iterativo de
de la
la metodología
metodología de
de Box
Box yy Jenkins
Jenkins
 IMPLEMENTACIÓN DE AJUSTES DE MODELOS ARIMA
SOFTWARE DE PRONOSTICOS
Minitab
https://www.youtube.com/watch?v=DDRfgO_S0As

https://www.youtube.com/watch?v=PBcdIK5oKtQ
https://rpubs.com/valeamasso/386527

https://www.youtube.com/watch?v=AJZEa2F_O-0

ARIMA

NumXL
https://www.youtube.com/watch?v=fxN9miPWmOw

https://www.youtube.com/watch?v=I7_myUqj3fY
 CONCLUSIÓN
CONCLUSIÓN

El pronóstico por medio de los modelos ARIMA es muy versátil, permite hacer
análisis rápidos con resultados de valores que sirven de referencia con un alto
grado de confianza, mas no son óptimos. Su ejecución toma por base la
experiencia de resultados pasados sin efectuar previamente algún análisis
estadístico, es por esto que la teoría se considera poco fundamentada a pesar de
que en el modelo de pronóstico se soporta con varias herramientas para su
verificación.
 Bibliografía
Bibliografía
Vidal, H. (2010). Fundamentos de control y gestión de inventarios, recuperado de:
Libro Gestión y control de inventarios Carlos Julio Vidal.pdf

Taha, H. A. (2012). Investigación de Operaciones (Novena edición ed.). México, Naucalpan, Juárez:

Pearson. Córdova, I.(2012). El proyecto de investigación cuantitativa. Lima, Perú: Editorial San
Marcos EIRL.

Cárdenas, M. V., Vásquez, V. A. O., & Uribe, J. C. S. (2017). Comparativo de modelos de

pronóstico: clásicos, bayesianos y técnicas de combinación. Revista de la Facultad de
Ciencias, 6(2), 124-140.

Ordorica Mellado, M. (2004). Pronóstico de las defunciones por medio de los modelos
autorregresivos integrados de promedios móviles. Papeles de población, 10(42), 249-264.

Arteta, E., García, L., Guerrero, K., & Pertuz, M. (2020). Diseño del método de estimación de
demanda para mejorar el desempeño de un Contact Center en Barranquilla.

Monroy, V. (2018). ARIMA tomado de; https://www.youtube.com/watch?v=DDRfgO_S0As