1

Modelo de optimizacin para la planeacin de infraestructura y

operaciones en una empresa productora y comercializadora de caf

Autores:
Santiago Botero L.
Daniel Livano R.
Sebastin Reyes P.

Director de investigacin:
Ing. Juan Carlos Garca

Pontificia Universidad Javeriana

Bogot D.C. Colombia
2016

Resumen ejecutivo
El artculo consta de la formulacin de un modelo matemtico de optimizacin incluyendo el
levantamiento del proceso, datos, parmetros y restricciones, y el diseo y la construccin de una
herramienta de software para apoyar la toma de decisiones estratgicas en el rea de logstica y
operaciones de una empresa productora y comercializadora de caf. Se model toda la cadena de
suministro desde el acopio del caf recolectado en tres fincas ubicadas en Caldas-Colombia hasta la
comercializacin de caf tostado en Bogot-Colombia y Gainesville-Estados Unidos buscando minimizar
el costo logstico y de operaciones mediante la decisin de localizacin, adecuacin y uso de
infraestructura en 63 ubicaciones, as como los transportes entre estas durante 20 trimestres.

El proyecto parte de la identificacin de la necesidad por parte de la empresa y la estimacin de

pronsticos de demanda que son posteriormente utilizados como parmetros del modelo. Se identific el
proceso del caf desde su estado de caf cereza hasta tostado, empacado en presentaciones molido y en
grano. Se identificaron las posibles localizaciones para cada una de las operaciones necesarias y el costo
en que debe incurrirse en cada una de ellas, as como los costos de transporte entre ubicaciones. A partir
de estos datos se formul un modelo de programacin lineal de 240.660 variables que minimiza el costo
total de la red de suministro para los siguientes 5 aos.

Adicional a esto se desarroll una interfaz que permite a los analistas de la empresa interactuar con el
modelo y hacer corridas de manera fcil y de sencilla interpretacin para su posterior utilizacin como
apoyo a la toma de decisiones estratgicas, logrando una aplicacin e impacto reales. Igualmente se hizo
todo el anlisis costo-beneficio y la validacin del modelo correspondientes.

El artculo arroja conclusiones tcnicas relevantes para la empresa en cuestin y genera inquietudes y
recomendaciones generales para la industria cafetera y agrcola en Colombia y Amrica Latina.
 2

1. Glosario de trminos y abreviaciones

Beneficio: Proceso que incluye las actividades de despulpado, desmucilaginacin, pre-secado y secado del
caf. El producto de entrada es caf cereza y el de salida es caf pergamino.
Caf cereza: Grano de caf al ser recolectado del rbol sin someterlo a ningn proceso de transformacin.
Caf pergamino: Grano de caf seco una vez terminado el proceso de beneficio. Aun cuenta con una
capa de cascara (cisco) que debe ser retirada mediante la trilla.
Caf verde: Grano de caf una vez retiradas todas las capas que lo recubren. Es el caf listo para tostar.
Desmucilaginacin: Proceso mediante el cual se lava el mucilago del grano.
ECM: Error cuadrtico medio.
EM: Error medio.
EPAM: Error porcentual absoluto medio.
Funcin objetivo: Relacin de las variables con su respectiva medida de desempeo.
Heursticas: mtodos especficos que estn diseados para resolver un problema especfico o una
Maquila: Tercerizacin de un proceso de produccin o transformacin de un producto.
Meta-heursticas: son algoritmos de propsito general que pueden ser aplicados para resolver casi
cualquier problema de optimizacin.
Modelo matemtico: El modelo matemtico de un problema industrial es el sistema de ecuaciones y
expresiones matemticas relacionadas que describen la esencia del problema.
Mucilago: Sustancia viscosa adherida al grano de caf bajo la cascara ms exterior.
Parmetros: Constantes o coeficientes dentro de la funcin objetivo o las restricciones, comnmente son
datos de recursos, requisitos o rendimiento fijos dados por el problema a analizar.
Restricciones: Limitaciones que tienen las posibles decisiones a tomar o limitaciones sobre los posibles
valores de las variables.
Segundas: Caf que por su tamao y caractersticas no cumple los estndares de calidad requeridos para
tostar ni exportar.
Trilla: Proceso mediante el cual se retira el cisco, transformando el caf pergamino en caf verde.
Instancia de un problema.
Variables: Decisiones cuantificables a tomar dentro de un modelo matemtico.

2. Introduccin
El caf es uno de los productos ms importantes y reconocidos de la economa colombiana, siendo
Colombia el tercer mayor productor del mundo (ICO, 2016). Sin embargo la alta intermediacin en la
cadena de suministro al interior del pas ha hecho de esta una industria ineficiente, considerando que
usualmente hay presencia de 4 a 6 intermediarios en el proceso desde que se recolecta en las fincas hasta
que se entrega al consumidor final. Esto afecta en mayor medida a los agricultores dada la baja retribucin
econmica del cultivo del grano. Igualmente los consumidores deben pagar precios altos causados por los
mrgenes de utilidad de los numerosos intermediarios y los transportes y operaciones innecesarias en el
proceso a cambio de productos de mala calidad debido a las selecciones y mezclas que buscan destinar los
buenos granos exclusivamente a las exportaciones y los de mala calidad para el consumo nacional.

En respuesta a esto una familia con ms de 100 aos de experiencia en el cultivo del grano fund en 2013
la empresa Caf Botero que se encarga de todo el proceso desde la siembra hasta la comercializacin de
caf tostado en Bogot-Colombia y en Gainesville-Estados Unidos. De este modo han eliminado la
intermediacin logrando precios hasta 40% inferiores a los de otros productos de calidad similar.

La integracin vertical ha generado una ventaja competitiva que ha impulsado el crecimiento de Caf
Botero, generando 2.54 veces ms ventas en el ltimo trimestre de 2015 que en el mismo periodo del ao
2014. Este crecimiento acelerado se ha mantenido durante lo corrido del ao 2016. No obstante la empresa
demanda apenas el 5.5% del total de caf recolectado en los cultivos y el resto es exportado como caf
verde, dejando espacio para mucho ms crecimiento.
 3

Habiendo analizado la situacin de Caf Botero y considerando su rpido crecimiento se consider

pertinente mejorar el proceso de toma de decisiones a mediano y largo plazo referentes al diseo de la
cadena de suministro (Garcia & You, 2015). Estas decisiones no solo se centran en la distribucin, ruteos
o administracin de proveedores sino tambin en la ubicacin de instalaciones, lo que genera modelos
enfocados en obtener la mejor configuracin posible de la red de suministro minimizando los costos
totales pero asegurando a su vez flexibilidad y velocidad (Ada, Kazanoglu & zkan, 2005).

Los modelos de este tipo estn comnmente centrados en un solo nivel de la cadena debido al horizonte de
tiempo del tipo de decisin que se desea apoyar, ya sea a nivel estratgico, tctico u operativo. Teniendo
en cuenta las necesidades y oportunidades de la empresa donde se desarrolla este proyecto es posible
establecer un modelo en donde se unifiquen e interacten varios niveles de decisin de la cadena para
apoyar el crecimiento de la empresa a mediano y largo plazo. (Manzini & Bindi, 2009).

Por todo lo anterior se consider pertinente disear, elaborar y aplicar una herramienta de ingeniera con
fundamentos matemticos y logsticos que le permitan a la empresa optimizar la localizacin de los
centros de produccin, almacenamiento y los canales de transporte, pues se sabe que estas tcnicas pueden
generar ahorros de entre el 5% y el 25% en los costos totales por este concepto (Avella, Boccia & Sforza,
2004).

A partir de todo lo anterior se defini a manera de objetivo desarrollar y aplicar un modelo de

optimizacin que minimice los costos asociados a la cadena de suministro de Caf Botero para apoyar
el proceso de toma de decisiones estratgicas.

3. Definicin del proceso y los niveles demanda

3.1. Diagnstico y levantamiento de informacin

Inicialmente se hizo una evaluacin general de la situacin de la empresa y una caracterizacin de la
cadena de suministro. De esta manera se identific el proceso productivo del caf, las particularidades de
la empresa, sus necesidades y oportunidades de mejora.

La situacin general de la empresa se evalu mediante un anlisis DOFA que permiti determinar sus
debilidades, oportunidades, fortalezas y amenazas. Este se realiz partiendo del perfil de oportunidades y
amenazas en el medio (POAM) donde se consideraron 43 factores econmicos, polticos, sociales,
tecnolgicos, geogrficos y competitivos y el perfil de capacidad interna (PCI) que incluy 42 factores de
capacidad directiva, tecnolgica, de talento humano y competitiva. Con base en estos se desarroll la hoja
de trabajo y la matriz ponderada DOFA a partir de la cual se hizo el anlisis presentado en la figura 1
(Serna, 2010).

La cadena de suministros de Caf Botero se model de acuerdo al modelo de referencia SCOR mediante
el diagrama de hilos en la figura 2 hasta la configuracin de nivel 2.

A travs de estos dos anlisis se evidencio la necesidad de desarrollar estrategias enfocadas en los
procesos logsticos dentro de la cadena de suministro al ser aquellos que mayor diferenciacin generan
respecto de la competencia. Esto representa un reto dada la cantidad de operaciones y los altos niveles de
desperdicio propios de los procesos y que no pueden ser evitados por la naturaleza de los mismos. Por
cada saco de 62 kg recolectado se obtienen solo 6.5 kg de caf tostado, es decir que el 89.5% de la masa
del caf cereza cultivado es pulpa, mucilago, cisco, agua y segundas que representan un desperdicio
inevitable. La figura 3 explica este proceso en detalle.
 4

Figura 1. Resultado del anlisis DOFA

Figura 2. Diagrama de hilos de la cadena de suministro

 5

Cultivo Beneficiadero Trilladora Tostadora

Caf
62 kg
cereza
Caf Pulpa y
cereza mucilago Cisco Agua
Acopio Despulpado Trilla Tostin
62 kg 24.5 kg 2.6 kg 1.3 kg

Caf Caf Caf

37.5 kg 9.9 kg 6.5 kg
mojado verde tostado

Agua Caf verde

Pre-secado Seleccin Molienda
19.5 kg 7.8 kg

Caf seco Caf de Caf

18 kg 2.1 kg 6.5 kg
de agua segunda molido

Agua
Secado
5.5 kg

Caf
12.5 kg
pergamino
Caf
pergamino
Seleccin
12.5 kg

Figura 3. Diagrama de bloques del proceso productivo del caf

El caf es recolectado en tres fincas separadas por hasta 19km entre s, los procesos de trilla y tostin se
realizan en tres municipios diferentes de Colombia (La Cabaa, Manizales y Chinchin) y la
comercializacin en otras dos ciudades ubicadas en dos pases (Bogot-Colombia y Gainesville-Estados
Unidos) lo que representa una alta cantidad de transportes. Por ende las operaciones de produccin y
logstica representan alrededor del 26.5% del total de los costos y gastos en que se incurre para la
produccin de caf tostado (incluyendo siembra, cultivo, recoleccin, materias primas e insumos).
Considerando que la empresa cultiva aproximadamente 1200.000 kg de caf cereza anualmente y que los
desperdicios inevitables son de hasta el 89.5% de la masa total, existe un riesgo muy alto de incurrir en
costos por el transporte de cientos de toneladas que en ultimas se desechan. A pesar de esto Caf Botero
no realiza una planeacin de su estrategia logstica adecuada para la magnitud del problema.

3.2. Anlisis del comportamiento de la demanda

Dentro del control y planeacin de la cadena de suministros es fundamental conocer los volmenes de
producto o desperdicios que se manejan en cada fase de la misma, ya que muchos de los costos asociados
dependen directamente de las cantidades que se procesan (Ballou, 2004). Tradicionalmente este tipo de
modelos se enfocan en encontrar la mejor configuracin inicial de las instalaciones, sin tener en cuenta las
posibles expansiones propias del crecimiento natural del negocio, simplificacin que no siempre es
correcta teniendo en cuenta las necesidades de las empresas (Martinez-Gomez; Napoles-Rivera; Ponce-
Ortega; Serna-Gonzalez & El-Halwagi, 2015)

En el caso de Caf Botero existen dos elementos fundamentales que determinan estos volmenes. El
primero es la produccin de las fincas, ya que estas determinan el flujo de entrada a la cadena; el segundo
es la demanda del caf comercializado, dado que se debe asegurar el cumplimiento al cliente.
Considerando el crecimiento propio de la empresa se consider necesario optar por modelos de pronstico
para poder determinar los niveles de demanda al largo plazo que deban utilizarse como parmetros del
 6

modelo matemtico para los siguientes cinco aos. Se realiz una revisin bibliogrfica para identificar
los mtodos comnmente aplicados en casos similares.

Los mtodos de pronstico cuantitativos determinsticos, estocsticos (Pindyck, 2000) y cualitativos que
se consideraron fueron: Promedios mviles, ajuste suavizado exponencial, ajuste suavizado exponencial
doble, ajuste suavizado exponencial triple, Box-Jenkins, descomposicin de series de tiempo,
proyecciones de tendencia, pronostico objetivo, anlisis espectral, camino aleatorio, pronsticos de
colaboracin, Delphi, fuerza de ventas y encuesta a clientes (Brillinger, 2000). No se revisaron modelos
economtricos, causales o modelos de alta complejidad teniendo en cuenta que la precisin que se puede
obtener con estos modelos es muy similar a la precisin usando modelos ms simples (Makridakis,
Hogarth, 1991).

El anlisis se realiz sobre los datos histricos de demanda en libras de cada uno de los 3 productos
principales de Caf Botero (caf molido, caf en grano y caf institucional) durante un periodo de 24
meses. Las series de datos y algunos estadsticos se presentan en las figura 4.

500
450
400
350
300
250
200
150
100
50
0
may.-14

may.-15

sep.-15
nov.-14

nov.-15
sep.-14
mar.-14

mar.-15
ene.-14

oct.-14

ene.-15

oct.-15
dic.-14

dic.-15
jul.-14

jul.-15
feb.-14

feb.-15
jun.-14

jun.-15
abr.-14

ago.-14

abr.-15

Producto Convencin Media() Desviacin estndar () Coeficiente de variacin (Cv) ago.-15

Institucional 279, 39 85,53 31%
Molido 61,37 35,01 57%
Grano 66,91 47,82 71%

Figura 4. Datos histricos de demanda por producto

Con base en la identificacin y evaluacin de modelos de pronstico se escogieron los aplicables a cada
tendencia, se modelaron y se estimaron las medidas de error MAE, RMSE, MAPE y S 2 mediante el
software R. Se realiz un anlisis de los mtodos cualitativos, revisando la bibliografa relacionada y de
igual manera haciendo una comparacin de los diferentes mtodos y sus aplicaciones. Por ltimo se
determinaron los siguientes factores de decisin con sus respectivos niveles e ndices de ponderacin para
la construccin de una matriz de decisin: Horizonte de tiempo (15%), costo de pronosticar (25%),
precisin (25%), disponibilidad de datos e informacin (20%) y facilidad de operacin y comprensin del
mtodo (15%). Luego de realizar esta ponderacin se seleccion el mtodo que tuvo un mejor desempeo
al ser evaluado en todos sus factores para ser utilizado en el modelo de optimizacin de la cadena de
suministro de Caf Botero.

Los mtodos cuantitativos presentaron un problema significativo para todas las series respecto al horizonte
de tiempo. Considerando que se contaba con solo 24 meses de datos histricos y se requeran pronsticos
a 60 meses para poder alimentar el modelo de optimizacin a cinco aos, las medidas de error estimado
resultantes (validadas con 6 periodos) fueron inaceptablemente altas, como se muestra en la figura 5:
 7

Promedios Suavizado Suavizado Camino

Producto Medida Box-Jenkins
mviles exponencial exponencial doble aleatorio
MAE 212,85 169,6 208,01 147,03 184,37
RMSE 241,13 206,53 226,85 167,7 222,73
Institucional
MAPE 25,52 22,48 27,68 19,1 63,3
S2 58145 42655 51461 28121 49609
MAE 63,71 64,6 67,71 60 67,5
RMSE 79,13 84,95 82,12 81,14 86,07
Molido
MAPE 32,14 44,03 42,35 35,6 40,1
S2 6261,46 7216,5 6743,69 8467 7408,04
MAE 103,21 76,87 81,28 63,33 71,12
RMSE 107,22 88,6 90,77 80,02 84,88
Grano
MAPE 49,10 53,12 68,68 38,43 43,22
S2 11496,48 7849,96 8239,19 8234 7104,61
Figura 5. Medidas de error estimado para los mtodos de pronostico cuantitativos

Los mtodos cualitativos son muy usados en contextos en los que la variable a pronosticar tiene una alta
incertidumbre como en este caso o se encuentra en un mercado muy cambiante, por lo cual los datos
histricos pierden relevancia y un mtodo cualitativo se convierte en la mejor opcin (Stevenson, 2015).

Como mejor modelo de pronstico se determin la encuesta a fuerza de ventas. Con respecto a los
resultados obtenidos se definieron 3 escenarios con niveles de demanda optimista, neutral y pesimista con
el fin de mitigar los riesgos de la incertidumbre de los pronsticos. Para determinar estos niveles se tuvo
en cuenta la dispersin porcentual de la serie de datos de demanda con respecto a su media (Coeficiente de
variacin), partiendo de los pronsticos encontrados por el mtodo encuesta a fuerza de ventas, se
increment en esta variacin porcentual para obtener el escenario optimista y se disminuy en igual
medida para obtener el pesimista. Estos se utilizaron ms adelante para validar los resultados matemticos
y financieros y aportar informacin adicional a la empresa. Los resultados de los pronsticos para los tres
escenarios se presentan en la figura 6.

Escenario optimista Escenario neutral Escenario pesimista

Molido Instituc. Grano Molido Instituc. Grano Molido Instituc. Grano
1 261 503 304 166 383 177 71 262 50
2 308 581 355 196 443 207 84 304 59
3 355 660 406 226 503 237 97 345 68
4 414 890 471 264 678 275 113 465 78
5 473 989 535 301 753 312 129 516 89
6 532 1087 599 339 828 350 145 568 100
7 590 1186 664 376 903 387 162 619 110
8 661 1436 741 421 1093 432 181 749 123
TRIMESTRE

9 732 1554 818 466 1183 477 200 811 136

10 802 1672 895 511 1273 522 220 873 149
11 873 1790 972 556 1363 567 239 935 162
12 956 2060 1062 609 1568 620 261 1075 177
13 1038 2198 1152 661 1673 672 284 1147 192
14 1120 2336 1242 714 1778 725 307 1219 207
15 1203 2474 1332 766 1883 777 329 1291 222
16 1297 2763 1435 826 2103 837 355 1442 239
17 1391 2920 1538 886 2223 897 381 1525 256
18 1486 3078 1641 946 2343 957 406 1607 273
19 1580 3236 1744 1006 2463 1017 432 1689 290
20 1686 3545 1860 1074 2698 1085 461 1850 309
Figura 6. Pronsticos de demanda por producto (Datos modificados para esta presentacin)
 8

4. Modelamiento matemtico, programacin y validacin

4.1. Formulacin matemtica y optimizacin

A partir de la informacin obtenida del proceso y la empresa se represent la red de suministro mediante
el grafo direccional presentado en la figura 7 para facilitar la modelacin e interpretacin matemtica. Este
se puede ver en detalle en el anexo B. Cada uno de los 20 trimestres modelados cuenta con un grafo
asociado igual. Dadas las posibles localizaciones de cada una de las operaciones a lo largo de todos los
periodos se identificaron ms de 5.6*e20 configuraciones factibles de la cadena de suministro, cada una
con un costo total asociado por concepto de operaciones y transporte.

Para efectos del modelamiento, cada nodo representa un centro de operacin factible en el proceso y cada
arco representa el transporte entre dos de esos centros de operacin. Igualmente para cada arco existen
hasta tres posibles tarifas. La funcin objetivo busca minimizar el costo total de la red para 20 trimestres
considerando que cada nodo y arco tiene un costo asociado y que se tiene que cumplir con el nivel de
demanda de cada nodo final respetando todas las dems restricciones.

Figura 7. Grafo direccional de la red de suministro

4.1.1. Formulacin de variables

Las variables del modelo se formularon de acuerdo a las decisiones que la empresa debe tomar en
cuanto a localizacin de operaciones, adquisicin de equipos, adecuacin de infraestructura,
capacidad instalada y transportes. Esto se defini mediante la consulta de bibliografa, la
retroalimentacin de la empresa y la observacin directa del proceso.

El modelo tiene un total de 240.660 variables entre binarias y continuas. Cada uno de los nodos de la red
de suministro representa una operacin en una ubicacin especfica y cuenta con dos variables asociadas,
una continua para determinar la cantidad de material all procesada y una binaria para determinar si las
instalaciones abren en el periodo. En la figura 8 se muestran las variables de nodos para un periodo,
siendo X las continuas y Y las binarias. De igual manera existen variables continuas para los arcos que
unen cada par de nodos dependientes del nodo de inicio, nodo de finalizacin, transportadora y periodo.

4.1.2. Formulacin de parmetros

Existen varios tipos de parmetro en el modelo. En cuanto a los costos hay parmetros de costo variable
por kilogramo procesado en un nodo o transportado a lo largo de un arco y de costo fijo por adecuar y
utilizar instalaciones. Se formularon tambin parmetros de cantidades para fijar la demanda y
 9

capacidades de los nodos y arcos. Para modelar los desperdicios propios de los procesos productivos del
caf se utilizaron coeficientes de disminucin de masa a modo de parmetros asociados a cada una de las
operaciones. A los nodos finales de la red se les dio un coeficiente de disminucin de 1.

X Y NODO X Y NODO
x1,p y1,p Acopio Patio finca 1 x32,p y32,p Seleccin caf verde finca 2
x2,p y2,p Despulpado y desmucilaginado finca 1 x33,p y33,p Seleccin caf verde finca 3
x3,p y3,p Pre-secado finca 1 x34,p y34,p Seleccin caf verde proveedor 2
x4,p y4,p Secado finca 1 x35,p y35,p Seleccin caf verde planta 1
x5,p y5,p Seleccin caf pergamino finca 1 x36,p y36,p Seleccin caf verde planta 2
x6,p y6,p Acopio Patio finca 2 x37,p y37,p Tostin proveedor 1
x7,p y7,p Despulpado y desmucilaginado finca 2 x38,p y38,p Tostin Planta finca 1
x8,p y8,p Pre-secado finca 2 x39,p y39,p Tostin Planta finca 2
x9,p y9,p Secado finca 2 x40,p y40,p Tostin Planta finca 3
x10,p y10,p Seleccin caf pergamino finca 2 x41,p y41,p Tostin proveedor 2
x11,p y11,p Acopio Patio finca 3 x42,p y42,p Tostin planta 1
x12,p y12,p Despulpado y desmucilaginado finca 3 x43,p y43,p Tostin planta 2
x13,p y13,p Pre-secado finca 3 x44,p y44,p Molienda proveedor 1
x14,p y14,p Secado finca 3 x45,p y45,p Molienda finca 1
x15,p y15,p Seleccin caf pergamino finca 3 x46,p y46,p Molienda finca 2
x16,p y16,p Trilla proveedor 1 x47,p y47,p Molienda finca 3
x17,p y17,p Trilla finca 1 x48,p y48,p Molienda proveedor 2
x18,p y18,p Trilla finca 2 x49,p y49,p Molienda planta 1
x19,p y19,p Trilla finca 3 x50,p y50,p Molienda planta 2
x20,p y20,p Trilla proveedor 2 x51,p y51,p Empacado proveedor 1
x21,p y21,p Venta caf verde cliente 1 x52,p y52,p Empacado finca 1
x22,p y22,p Almacenamiento caf verde proveedor 1 x53,p y53,p Empacado finca 2
x23,p y23,p Almacenamiento caf verde finca 1 x54,p y54,p Empacado finca 3
x24,p y24,p Almacenamiento caf verde finca 2 x55,p y55,p Empacado proveedor 2
x25,p y25,p Almacenamiento caf verde finca 3 x56,p y56,p Empacado planta 1
x26,p y26,p Almacenamiento caf verde proveedor 2 x57,p y57,p Empacado planta 2
x27,p y27,p Almacenamiento caf verde bodega 1 x58,p y58,p Comercializacin ciudad 1
x28,p y28,p Almacenamiento caf verde planta 1 x59,p y59,p Comercializacin ciudad 2
x29,p y29,p Almacenamiento caf verde planta 2 x60,p y60,p Operacin silos finca 1
x30,p y30,p Seleccin caf verde proveedor 1 x61,p y61,p Operacin silos finca 2
x31,p y31,p Seleccin caf verde finca 1 x62,p y62,p Operacin silos finca 3
x63,p y63,p Compra cisco cliente 1
Figura 8. Variables de nodos para un periodo
*El subndice de las variables concuerda con el nmero de nodo en el grafo direccional

Los datos para alimentar los parmetros del modelo provienen de cuatro fuentes. La primera son los
datos histricos de la empresa, que gracias a ms de 100 aos de experiencia tiene informacin de
costos y cantidades para las operaciones y transportes. La segunda es un software entregado bajo
estrictas condiciones de seleccin a las empresas ms responsables del sector cafetero del pas. El
programa es una herramienta para compartir informacin de costos y rendimientos entre las seis
compaas para comparar indicadores por lo que contiene informacin extensa, real, actualizada y
confiable. Los datos de costos de maquinaria, adecuacin de infraestructura y operaciones
tercerizadas fueron obtenidos a partir de cotizaciones hechas directamente por proveedores a nombre
de Caf Botero. Los parmetros de demanda son los provenientes de los pronsticos desarrollados y
expuestos en la seccin anterior de este artculo. Cabe resaltar que por solicitud de los directivos de la
empresa se modificaron los valores de costos para la presentacin de la investigacin
multiplicndolos todos por el mismo factor y manteniendo la proporcin entre ellos.
 10

Adicionalmente se crearon parmetros de tipo binario asociados a cada uno de los nodos que le permiten
al usuario fijarlos como abiertos o cerrados. As los analistas de la empresa pueden prohibir u obligar
la utilizacin de un nodo en la configuracin de la red de suministro en casos en que hay motivos ajenos al
modelo por los cuales tomar esta decisin.

4.1.3. Formulacin de la funcin objetivo

La funcin objetivo del modelo es la minimizacin de la sumatoria de los costos variables y costos fijos en
que se incurre en todos los nodos y arcos dada la operacin y transporte de caf a lo largo de los 20
trimestres.

4.1.4. Formulacin de restricciones

Se formularon de acuerdo a las restricciones tpicas de una red de suministro, las particulares del proceso
productivo del caf y los requerimientos especficos de la empresa:
La cantidad de masa que entre a cada nodo debe ser mayor o igual a 0. (Ecuacin 2)
La cantidad de masa que se transporte por cada arco debe ser mayor o igual a 0. (Ecuacin 3)
La cantidad de masa que entra a cada nodo debe ser igual a la que sale menos el desperdicio que se
genera en la operacin. (Ecuaciones 4 y 5)
La cantidad de masa que entra a cada nodo debe ser mayor o igual al requerimiento mnimo para
realizar la operacin. (Ecuacin 6)
La cantidad de masa que entra a un nodo debe ser igual a la cantidad de masa que llega a l desde todos
los arcos. (Ecuaciones 7 y 8)
La cantidad de cisco que entre a cada nodo de ventilador debe ser mayor o igual a la requerida para
secar el caf de su respectivo silo. (Ecuacin 9)
La cantidad de caf procesada por un nodo debe ser mayor a 0 solo si el nodo se abre (Ecuacin 10)
Solo un nodo de tostin debe abrirse a la vez. (Ecuacin 11)
Un nodo debe mantenerse cerrado siempre que el usuario lo determine as. (Ecuacin 12)
Un nodo debe mantenerse abierto siempre que el usuario lo determine as. (Ecuacin 13)
La cantidad de masa que entra a un nodo debe ser igual o menor a la capacidad del mismo. (Ecuacin
14)
La cantidad de masa transportada por un arco debe ser mayor o igual al requerimiento mnimo del
mismo. (Ecuacin 15)
La cantidad de masa transportada por un arco debe ser menor o igual a la capacidad mxima del
mismo. (Ecuacin 16)
La cantidad de caf que se muele en todos los nodos de molienda debe ser mayor o igual a la demanda
de caf molido. (Ecuacin 17)
La cantidad de cisco que sale de cada nodo de trilla a cada nodo de ventilador debe ser menor o igual al
desperdicio de cada nodo de trilla. (Ecuacin 18)
Para los nodos que requieren inversin inicial, si se abre en un periodo debe abrirse para todos los
periodos siguientes. (Ecuacin 19)
Si un nodo se abre en algun periodo, debe mantenerse abierto hasta el final. (Ecuacin 20)

4.1.5. Formulacin compacta

Conjuntos: Subconjuntos:
P: Periodos D N: Tostadoras
N: Nodos E N: Moledoras
T: Transporte G N: Silos
O N: Ventiladores
L N: Trilladoras
U N: Nodos con requerimiento de inversin
 11

Parmetros: An,m,t: Mnimo de kilogramos que pueden

Vn: Costo en que se incurre por cada kilogramo
procesado en cada nodo n.
Fn: Costo fijo en que se incurre al operar durante
un periodo en cada nodo n.
En: Proporcin de masa que se pierde al realizar
una operacin en cada nodo n.
Rn,p: Re0querimiento mnimo de masa en
kilogramos que debe entrar a cada nodo n en
cada periodo p.
Qn: Mximo de kilogramos que pueden entrar a
cada nodo n.
Sn,m,t: Costo de transportar un kilogramo de masa
desde el nodo n hasta el nodo m en el medio de
transporte t.
Variables:
Xn,p: Cantidad de masa en kilogramos que entran
a ser procesados en el nodo n en cada periodo p.
Yn,p: Variable binaria que determina si se opera o
no en un nodo n en cada periodo p. 1 si se abre, 0
si no.
transportarse desde el nodo n hasta el nodo m en
el medio de transporte t.
Bn,m,t: Mximo de kilogramos que pueden
transportarse desde el nodo n hasta el nodo m en
el medio de transporte t.
Hn: Factor de requerimiento de cisco para operar
en cada nodo n perteneciente al subconjunto G.
In: Parmetro binario que determina si se fija un
nodo n como cerrado. 1 si se fija cerrado, 0 si no.
Jn: Parmetro binario que determina si se fija un
nodo n como abierto. 1 si se fija abierto, 0 si no.
Kp: Demanda de caf molido e institucional en el
periodo p.
CIn: Costo total de inversin necesario para abrir
la operacin en un nodo n.
Zn,m,t,p: Cantidad de masa en kilogramos que se
transportan desde el nodo n hasta el nodo m en el
medio de transporte t para cada periodo p.
YIn: Variable binaria que determina si se opera o
no en un nodo n en algn momento. 1 si se abre,
0 si no.

Funcin objetivo:

= ( (, + , ) + ,,, ,, )) + (1)

Restricciones:
, 0 , (2)
,,, 0 , , , (3)
( ,,, ) ( ,,, ) + (, ) 0 , (4)
( ,,, ) ( ,,, ) + (, ) 0 , (5)
, , , (6)
, ( ,,, ) , (7)
, ( ,,, ) , (8)
, , , , = (9)
, , , (10)
, 1 (11)
(1 ) , , (12)
, , (13)
, , (14)
,,, ,, , , , (15)
,,, ,, , , , (16)
, , (17)
,,, , , (18)
, ,1 , 1 (19)
, (20)
 12

4.1.6. Mtodo y herramienta de optimizacin

Respecto a este tipo de trabajos se ven diferentes ejemplos que han utilizado tcnicas de programacin
lineal, mixta y no lineal para la toma de decisiones. En otros casos la aplicacin de heursticas fue
necesaria para tener un acercamiento a la solucin ptima en el diseo de la red. (Etemadnia, Goetz,
Canningc & Sadegh Tavallali, 2015). En casos en donde no slo se busca ubicar instalaciones, sino
tambin definir niveles de inventarios y precios de productos ha sido necesaria la solucin heurstica
(Kaya & Urek, 2015).

Para resolver el modelo se consideraron los mtodos ms comunes de optimizacin aplicados a este tipo
de problema: Programacin lineal, programacin no lineal, heursticas y meta-heursticas. Mediante una
matriz de seleccin se determin el mtodo ms adecuado considerando los siguientes factores y su
correspondiente factor de ponderacin: aplicabilidad al modelo (20%), cantidad de variables (15%),
simplificabilidad del modelo (10%), tiempo de ejecucin (20%), precisin de la solucin (20%), facilidad
de programacin (10%) y herramientas de software (5%). Con respecto a la metodologa implementada se
determin ms adecuada la resolucin del modelo mediante programacin lineal.

Estos modelos son de alta complejidad considerando que manejan grandes nmeros de variables discretas.
Sin embargo, alrededor del 53% son resueltos mediante mtodos de programacin lineal (Melo, Nickel &
Saldanha-da-Gama, 2009).

Para la seleccin de la herramienta de software a utilizar se implement la misma metodologa de

seleccin considerando los siguientes factores con su ndice de ponderacin: Costo de la herramienta
(20%), dificultad de programacin (15%), capacidad de numero de variables y restricciones (20%),
simplificabilidad del modelo (15%), tiempo de ejecucin (20%), interfaz grfica (5%) y facilidad de
edicin (5%). Se sometieron a seleccin las herramientas MatLab, LP Solve, Gusek, Solver de Excel y
Open Solver de las cuales se consider ms apropiada la ltima.

El mtodo y herramienta de software seleccionados permitieron simplificar el modelo y no considerar las

variables, nodos y configuraciones no factibles o de costo demasiado alto manteniendo una solucin
ptima global. El resultado fue una reduccin de 240.660 variables iniciales a 13.160 que hace posible la
resolucin exacta del modelo en aproximadamente 15 minutos en un computador regular de oficina,
pudiendo as ser utilizado para la simulacin y toma de decisiones en el campo empresarial real.

4.1.7. Soluciones del modelo

El modelo se corri bajo diferentes escenarios generando ahorros en todos los casos como se muestra ms
adelante en este artculo. Un ejemplo de una solucin para un periodo comparada con la configuracin
actual de la red de suministro se muestra en el grafo direccional del anexo B.

Todas las soluciones ptimas del modelo presentan una tendencia en el corto, mediano y largo plazo a
acercar los procesos industriales al cultivo, iniciando por las primeras operaciones del proceso. Esto se
evidencia en la apertura de beneficiaderos en todas las fincas desde el primer periodo de todas las
soluciones contrario a la central de beneficio que existe actualmente. Adicionalmente se ve en el mediano
plazo la necesidad de realizar la trilla en una de las tres fincas en vez de una ciudad o pueblo e incluso al
largo plazo se muestra ms eficiente la apertura de una planta tostadora en la misma finca que la tostin en
las ciudades como se acostumbra.

En general, el modelo tiende a acercar lo ms posible los procesos productivos a los cultivos con el fin de
reducir en la mayor medida posible el impacto econmico de los transportes de masas que en ltimas se
desperdician. Para volmenes de demanda de alrededor de 6.300 libras mensuales en adelante se realiza
todo el proceso productivo dentro de las mismas fincas, sin tercerizar.
 13

4.2. Interfaz del modelo

Para el desarrollo de la interfaz se tom como referencia el estndar ISO 9241 Ergonomics of human-
system interaction para la presentacin visual de informacin. Dicho documento est basado en el
estndar ANSI/HFES 200 Human Factors Engineering of Software User Interfaces.

El diseo de la interfaz responde adems a solicitudes de la empresa para facilitar su uso. Tras definir
todos los requisitos se desarroll un flujograma (figura 9) para describir de manera grfica y simplificada
la arquitectura del programa. Al ser la facilidad de implementacin un requisito para la empresa se decidi
desarrollar la interfaz en el complemento Visual Basic for Applications (VBA) de Microsoft Excel. En el
anexo A se presentan algunas capturas de pantalla del programa en funcionamiento para dar una idea de la
interfaz del modelo en funcionamiento.

Inicio

Cargar corrida
Corrida nueva
historica

Modificar Ingresar Ingresar Ingresar

Resumen de
parmetros de parmetros de parmetros de parmetros de
corrida
corrida demanda transporte ubicacin

Modificar Modificar Modificar Parmetros de Parmetros de

parmetros de parmetros de parametros de transporte de ubicacin de
transporte ubicacin demanda beneficio beneficio

Parmetros de Parmetros de Parmetros de Parmetros de

transporte de ubicacin de transporte de ubicacin de
beneficio beneficio tostin tostin

Parmetros de Parmetros de Parmetros de Parmetros de

transporte de ubicacin de transporte de ubicacin de
tostin tostin comercializac. comercializac.

Parmetros de Parmetros de
transporte de ubicacin de
comercializac. comercializac.
Resumen de
resultados

Fin

Figura 9. Flujograma de interfaz

 14

4.3. Validacin del modelo

El modelo se valid tanto cualitativa como cuantitativamente. La primera consisti en una validacin por
parte de la empresa. Partiendo de los tres escenarios de demanda obtenidos a partir de los pronsticos se
corri el modelo y se discutieron y revisaron los resultados con el panel de expertos de la compaa
conformado por un ingeniero agropecuario, contador, coordinador comercial, director de operaciones y
miembros de la gerencia. Igualmente fue validado por expertos en optimizacin de operaciones y
modelamiento matemtico de la Pontificia Universidad Javeriana.

Posteriormente se realiz una validacin cuantitativa fijando el modelo y sus parmetros con valores
histricos de la empresa para despus compararlos con los resultados reales del ejercicio de esos mismos
periodos. (Eppen et al, 2000)

4.4. Anlisis costo-beneficio

Para evaluar el impacto econmico sobre la empresa del modelo de optimizacin se hicieron
comparaciones entre los costos totales de operacin de las configuraciones de red de suministro
optimizadas y la actual. Esto se hizo para los escenarios pesimista, optimista y neutral de demanda
explicados en el numeral 3.2. A manera de ejemplo se muestra en la figura 10 el resultado de una corrida
bajo el escenario de demanda neutral y con todos los costos multiplicados por la misma constante por
motivo de confidencialidad solicitada por la empresa.

Cabe aclarar que los costos de adecuacin de infraestructura son tenidos en cuenta por el modelo. Para el
ejemplo presentado el ahorro total es del 7,3% incluyendo en el costo la adquisicin, apertura y puesta en
operacin de dos beneficiaderos y una planta tostadora calculados en. El ahorro netamente operacional de
esta corrida es del 20,17%.

Costo total de red Costo total de red

Periodo Ahorro (COP) %Ahorro
actual (COP) optimizada (COP)
Trimestre 1 $54.656.358 $50.476.108 $(4.180.250) 7,6%
Trimestre 2 $54.946.660 $50.766.410 $(4.180.250) 7,6%
Trimestre 3 $55.236.962 $51.056.712 $(4.180.250) 7,6%
Trimestre 4 $55.841.790 $51.661.540 $(4.180.250) 7,5%
Trimestre 5 $56.204.668 $52.024.418 $(4.180.250) 7,4%
Trimestre 6 $56.567.545 $52.387.295 $(4.180.250) 7,4%
Trimestre 7 $56.930.423 $52.750.173 $(4.180.250) 7,3%
Trimestre 8 $57.607.827 $53.427.577 $(4.180.250) 7,3%
Trimestre 9 $58.043.280 $53.863.030 $(4.180.250) 7,2%
Trimestre 10 $57.216.428 $53.036.178 $(4.180.250) 7,3%
Trimestre 11 $58.914.186 $54.733.936 $(4.180.250) 7,1%
Trimestre 12 $59.664.166 $55.483.916 $(4.180.250) 7,0%
Trimestre 13 $60.172.194 $55.991.944 $(4.180.250) 6,9%
Trimestre 14 $58.928.231 $54.747.980 $(4.180.250) 7,1%
Trimestre 15 $61.188.252 $57.008.001 $(4.180.250) 6,8%
Trimestre 16 $62.010.806 $57.830.556 $(4.180.250) 6,7%
Trimestre 17 $60.422.277 $56.242.027 $(4.180.250) 6,9%
Trimestre 18 $63.172.015 $58.859.850 $(4.312.165) 6,8%
Trimestre 19 $63.752.619 $59.069.228 $(4.683.391) 7,3%
Trimestre 20 $64.647.749 $59.392.542 $(5.255.208) 8,1%
Total $1.176.124.437 $1.090.809.422 $(85.315.016) 7,3%
Figura 10. Anlisis costo-beneficio del resultado. (Datos modificados para esta presentacin)

Las corridas realizadas utilizando los datos de costo reales dieron como resultado ahorros del 5.6% para el
escenario de demanda pesimista, 7,3% para el neutral y 6,3% para el optimista. Todas las soluciones
consideran la apertura de dos beneficiaderos en el primer periodo y una planta tostadora cuando la
 15

demanda total de caf tostado alcanza valores alrededor de 6.300 libras mensuales, por ende se incurre
tambin en este costo que implica ahorros operacionales superiores al 20% e incremento del patrimonio de
la empresa.

5. Conclusiones
El proyecto permite concluir ampliamente no solo sobre los temas tcnicos propios de la ingeniera, la
optimizacin de operaciones y la empresa Caf Botero sino tambin respecto a la industria, principalmente
en el sector agrcola y la caficultura.

En cuanto al proceso tcnico se concluye que la optimizacin de operaciones representa efectivamente una
gran oportunidad para mejorar los procesos logsticos de las empresas, en particular las redes de
suministro. Esto permite generar grandes ahorros en costos mediante la relocalizacin de operaciones que
entre otras hace ms eficientes los transportes, almacenamientos y disminuye los costos y gastos de
instalacin y adecuacin de infraestructura, demostrando que se puede lograr una disminucin de entre el
5% y el 25% en los costos totales por este concepto como se asegura en la bibliografa (Avella, Boccia &
Sforza, 2004). Del mismo modo se recomienda aplicar este tipo de modelos para optimizar otros
elementos como distancias, tiempos, emisiones contaminantes, niveles de inventario y dems.

Cabe resaltar tambin los buenos resultados obtenidos a partir de los mtodos de pronstico cualitativos
que rara vez son considerados pero en este caso mostraron ser significativamente ms acertados que los
cuantitativos.

En cuanto a la empresa se concluye que existe un amplio espacio para la mejora de los procesos logsticos
y operativos. Los esfuerzos realizados en pro de la disminucin de la intermediacin, la eficiencia en la
cadena de suministro y la integracin vertical han demostrado ser tcnicamente muy rentables, dndole a
Caf Botero una ventaja competitiva sostenible. De acuerdo a los resultados obtenidos del modelo se
recomienda continuar acercando los procesos industriales a los cultivos hasta el punto de tener toda la
lnea productiva dentro de las mismas fincas. De este modo se lograra la mxima eficiencia al despachar
el caf desde los cultivos ya tostado y empacado a cualquier lugar del mundo. Igualmente se propone
reformular ms adelante el modelo estocsticamente buscando apoyar an ms la toma de decisiones,
considerando la variabilidad de la demanda.

Respecto a la agricultura y en particular la caficultura se evidencia una enorme oportunidad de mejora y

un problema importante en el modelo de negocio. Por dcadas se ha cultivado el caf en el campo
colombiano para ser trillado, seleccionado y almacenado en los pueblos y ciudades del pas y tostado en
ciudades de todos los continentes. Esto representa una elevada rentabilidad para las grandes empresas
industriales y exportadoras y mrgenes mnimos o incluso negativos para los campesinos y caficultores.
Sin embargo, la aplicacin de modelos matemticos, tcnicos y de ingeniera de la mano de las
herramientas logsticas actuales demuestran una ventaja competitiva en la proximidad de los procesos
industriales a los cultivos. Esto implica llevar la industria e inversin al campo, abriendo una ventana de
oportunidad a los campesinos al elevar su competitividad y mrgenes de rentabilidad. Lo anterior presenta
una posibilidad de generar desarrollo en el campo e impulsar la agricultura en los pases en desarrollo,
replicando este tipo de modelos tambin a otros productos agrcolas.
 16

6. Referencias bibliogrficas
Ada, E., & Kazancoglu Yigit & Ozkan, G. (2005). The plan location problem by an expanded linear
programming model. The 7th Balkan Conference on Operational Research.
Alexandra E. Duarte, W. A. (2014). A facility-location model for biofuel plants: Applications in the
Colombian context. Energy, 476-483.
Avella, P., & Boccia, M. &. (2004). Solving a fuel delivery problem by a heuristic exact approaches.
European Journal of Operational Research, 170-179.
Ballou, R. H. (s.f.). Logistica, administracin de cadena de sumistros. Mxico: Pearson.
Box, G., Jenkins, G., & Gregory, R. (2008). Time Series Analysis, Forecasting and control. Wiley
proveedor.
Brillinger, D. R. (2000). Time Series: General. Berkely, California.
Chambers, J., Mullick, S., & Smith, D. (1971). How to choose the right forecasting technique. Harvard
Business Review.
Daniel J. Garcia, F. Y. (2015). Supply chain design and optimization: Challenges and opportunities.
Computers & Chemical Engineering, 153-170.
Eppen, G., Gould, F., Schmidt, C., Moore, J., & Weatherford, L. (2000). Investigacin de Operaciones en
la Ciencia Administrativa. Mxico D.F: Prentice-Hall.
Etemadnia, H., Goetz, S. J., Canning, P., & Sadegh Tavallali, M. (2015). Optimal wholesale facilities
location within the fruit and vegetables supply chain with bimodal transportation options: An LP-
MIP heuristic approach. European Journal of Operational Research, 648-661.
Goetschalckx, M. & Fleischmann, B. (2009). Supply Chain Management and Advanced Planning:
Concepts, Models, Software, and Case Studies. Berlin, Alemania. Editorial Springer, Cuarta
edicion. Cap. 6, 117-136.
Hamideh Etemadnia, S. J. (2015). Optimal wholesale facilities location within the fruit and vegetables
supply chain with bimodal transportation options: An LP-MIP heuristic approach. European
Journal of Operational Research, 648-661.
International Coffee Organization ICO (2016). Historical Data on the Global Coffee Trade. Londres,
Inglaterra. Recuperado de http://www.ico.org/new_historical.asp?section=Statistics
Kaya, O., & Urek, B. (2015). A mixed integer nonlinear programming model and heuristic solutions for
location, inventory and pricing decisiones in a closed loop supply chain. Computers & Operations
Research, 93-103.
M.T. Melo, S. N.-d.-G. (2009). Facility location and supply chain management A review. European
Journal of Operational Research, 401-412.
Makridakis, R. M. (1981). Forecasting and planning: an evaluation.
Martinez-Gomez, J., Napoles-Rivera, F., Ponce-Ortega, J. M., Serna-Gonzlez, M., & El-Halwagi, M.
(2015). Optimization of facility location and reallocation in an industrial plant through a multi-
annual framework accounting for economic and safety issues. Journal of Loss Prevention in the
Process Industries, 129-139.
O'Connor, R. W. (1996). Judgemental an statical time series forecasting. International Journal of
forecasting.
Onur Kaya, B. U. (2015). A mixed integer nonlinear programming model and heuristic solutions for
location, inventory and pricing decisions in a closed loop supply chain. Computers & Operations
Research, 93-103.
Pindyck, R. S. (2000). Econometra modelos y pronsticos. Mxico: McGrawHill.
Rafael Guillermo Garca Cceres, J. A. (2009). Integral analysis method IAM. European Journal of
Operational Research, 891-903.
Riccardo Manzini, F. B. (2009). Strategic design and operational management optimization of a multi
stage physical distribution system. Elsevier, 915-936.
Stevenson, W. J. (2015). Operations Management. Rochester: McGrawHill.
Zhang, D., Zhan Q., Chen, Y., Li, S. (2016) Joint optimization of logistics infrastructure investments and
subsidies in a regional logistics network with CO2 emission reduction targets. Transportation Research.
 17

Anexo A. Diseo de interfaz

Figura 1. Pgina de inicio

Figura 2. Pgina tipo de entrada de datos

 18

Figura 3. Pgina de consulta de resultados

Figura 4. Detalle de resultados

 19

Anexo B. Grafo direccional del modelo de red de suministro

El siguiente es el diagrama de red del problema. Cabe aclarar que por cada arco existen 3 posibles tarifas y este se repite para cada uno de los 20 trimestres
analizados.

CONVENCIONES

Nodo que opera en la solucin Ruta de transporte utilizada en la

x
optimizada solucin optimizada

x Nodo que opera actualmente Ruta de transporte utilizada actualmente

Nodo que opera actualmente y en Ruta de transporte utilizada actualmente

x
la solucin optimizada y en la solucin optimizada

Ruta de transporte disponible para

x Nodo disponible para operacin
operacin

16 22 30 37 44 51

1 2 3 4 5 17 23 31 38 45 52

6 7 8 9 10 18 24 32 39 46 53 58

11 12 13 14 15 19 25 33 40 47 54

27 35 42 49 56 59

20

60 28 36 43 50 57

63 61 21 26 34 41 48 55

62 29