Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Proyecto final de
la materia de
simulación.
Aplicación de simulación al almacén de
SIVESA para la minimización de sus costos.
Alumno:
Juan Pablo Sánchez Olivos.
Maestro:
Constantino Gerardo Moras Sánchez.
1.2.8 Documentación........................................................................................... 34
1.3 Resultados......................................................................................................... 34
Niveles de inventario
1.1 Objetivo
Determinar el mejor modelo matemático de selección de niveles de inventario para los
productos de mayor importancia económica que se manejan en el almacén de materiales
y refacciones de SIVESA para minimizar sus costos.
1.2 Metodología
Para llevar a cabo el análisis planteado, se propone evaluar los modelos matemáticos a
través de un modelo de simulación que compare los resultados obtenidos. A continuación
se describe la metodología propuesta por la Asociación de Ingenieros Alemanes para
llevar a cabo un estudio de simulación.
Existen muchas respuestas para las preguntas básicas para la gestión de los niveles de
inventario, ¿cuánto pedir? y ¿cuándo pedir? la respuesta adecuada depende
invariablemente del comportamiento de la demanda. En esencia, se debería analizar cada
uno de los comportamientos de la demanda de los productos para asignarle a cada uno
su mejor tratamiento y así obtener el costo mínimo en el manejo del inventario. Sin
embargo, en un almacén donde se manejan un total de 4,690 productos diferentes, el
análisis sería impráctico. Por lo que en esta sección se evaluará cuál es la mejor
respuesta para indicar los niveles de inventario adecuados tomando en cuenta el análisis
del 80-20. En este caso, el análisis 80-20 indicaría que el 20% de los productos provoca el
80% de los costos del inventario. La sorprendente respuesta al realizar este análisis a la
empresa vidriera, es que tan sólo el 5% de los productos del almacén conllevan al 80% de
los costos totales. Los modelos matemáticos (alternativas) a evaluar son:
a) Modelo empírico de la empresa.
b) Lote económico de pedido (EOQ).
c) Lote económico cuando la demanda es normal (LEP normal).
d) Calculadora Kanban.
e) Modelo optimizador GAWizard de Plant Simulation.
Por medio de varias reuniones con los encargados del sistema se recolectó la información
necesaria y se clasificó de la siguiente manera:
Proceso.
Forma en la que los clientes del proceso son atendidos.
Manera en la que se colocan los pedidos a los proveedores.
Demanda de los productos.
Costos.
Costos de los productos.
Costos de almacenamiento.
Costos de pedidos.
Tiempos.
Tiempos de atención a los clientes.
Frecuencia con que los clientes van a realizar los pedidos.
Tiempo que el departamento de compras se tarda en liberar la solicitud de pedido
a los proveedores.
Tiempo que se tardan los proveedores en entregar los productos.
Tiempo de descarga de los materiales una vez que llegan al estacionamiento de
SIVESA.
1.2.4.1 Proceso
Punto de reorden.
La información recolectada del proceso fue fundamental para conocer la funcionalidad del
sistema. Con esto se conoció que existen aspectos que no se toman en cuenta a la hora
de asignar el lead time. Para ejemplificar lo antes mencionado, en la Tabla 1 se enlistan
las actividades que se contemplaban en el lead time.
Pasos Tiempo considerado
Se llega al punto de reorden. No se considera. Dado que es un nivel del stock
y no conlleva un tiempo determinado.
Se emite un pedido al proveedor. Se pensaba que se ejecutaba el pedido en
automático debido a que manejan el sistema
SAP.
Se espera que llegue el material Es la única actividad que se toma en cuenta a la
solicitado. hora de considerar el nivel del punto de reorden.
Depende del proveedor.
Tabla 1. Actividades que se contemplaban para calcular el punto de reorden. FUENTE:
Elaboración propia.
Sin embargo, al platicar con los encargados del sistema se observó que en realidad el
proceso es como se especifica en la Tabla 2.
Pasos Tiempo considerado
Se llega al punto de reorden. No se considera. Dado que es un indicador.
Se realiza una solicitud de pedido al El pedido es atendido hasta las 8 a.m. del
departamento de compras. siguiente día. Por lo tanto se debe contemplar
este tiempo.
Se emite un pedido al proveedor. Esta emisión del pedido depende del comprador.
Puede variar desde 2 hasta 8 días para que se
realice el pedido.
Se espera que el material solicitado Depende del proveedor. Si es nacional puede
llegue. variar desde unos días hasta un mes, si es
internacional puede variar desde dos hasta seis
meses.
Tabla 2. Actividades que se contemplaron para calcular el punto de reorden. FUENTE:
Elaboración propia.
Así mismo, el 5% de los productos que contemplan el 80% de los costos totales del
almacén se identificaron para posteriormente ser simulados. Al identificarlos se
diferenciaron en dos tipos de productos descritos en la Tabla 3.
Nombre Descripción Número de productos
Regulares Productos con rotación que va de regular a 67
alta y que se piden en cantidades que van de
medianas a altas.
No regulares Productos con baja rotación y en bajas 97
cantidades.
Tabla 3. Descripción de productos regulares. FUENTE: Elaboración propia.
Productos regulares
Dado el comportamiento de la demanda de estos productos sí se simularán. La
metodología para elegir los niveles de inventario de los productos regulares se muestra a
continuación en la Figura 3.
Representar el Proponer distintos Elegir los mejores
sistema actual. tamaños de lote y niveles de
puntos de reorden. inventario.
• Se evalua • Por medio de: • Tomando en
económicamente • Optimizador. cuenta dos
el costo anual y • Fórmulas. criterios.
los costos • Calculadora • Menor costo
mensuales del Kanban. total del
inventario. inventario.
• No se presente
ruptura de
stock.
Productos no modificables
Por la baja rotación de estos productos no se considerará realizar ningún tipo de
tratamiento, motivo por el cual solo se propone verificar que sus tamaños de lotes sean
pequeños, ya que no existe mucha rotación, ni las cantidades pedidas son considerables.
La justificación de que estos productos estén dentro de los productos con mayor
importancia económica es que individualmente tiene un alto costo.
Ejemplo:
Como se puede observar en la Tabla 4 en casi tres años ha existido muy poca rotación de
este producto. Además, las cantidades pedidas son muy pequeñas.
Tamaño de lote: 4. Punto de reorden: 3.
Datos
Tiempos Cantidades
28/03/2011 1
21/02/2011 1
03/02/2011 1
03/11/2010 1
26/10/2010 1
Tabla 4. Demanda de un producto con baja rotación. FUENTE: Elaboración propia.
Una vez determinados los productos a analizar, se recolectaron los costos asociados a los
67 productos a simular. Por motivos de confidencialidad no se mostrarán estos datos.
1.2.4.3 Tiempos
Figura 4. Histograma de frecuencias del tiempo entre llegadas de los clientes para solicitar
un producto determinado. FUENTE: Plant Simulation.
Por la forma del histograma se podría presumir que se ajusta a la distribución
exponencial. Sin embargo, se aplicaron las pruebas de bondad de ajuste: Chi-Cuadrada,
Kolgomorov-Smirnov y Anderson Darling para tener el respaldo estadístico en la elección
de la distribución de probabilidad. En la Figura 5 se muestra los resultados obtenidos por
el DataFit.
Como se puede apreciar, la distribución exponencial se acepta por las tres pruebas de
bondad de ajuste, debido que es menor el estadístico de prueba (Chi statistic, KS statistic
y AD statistic) que el valor de la región de rechazo (Chi value, KS value y AD value). Por
esta razón, se elegirá dicha distribución en lugar de otras que también son aceptadas,
pero sólo por dos pruebas. El parámetro a ingresar en el modelo de simulación es una
beta de 18 días.
Figura 6. Histograma de frecuencias del tiempo entre llegadas de los clientes para solicitar
cierto producto. FUENTE: Plant Simulation.
Como se puede observar en la Figura 7 los resultados no otorgan una distribución que
cumpla con todas las pruebas de bondad de ajuste dado que el estadístico de prueba (Chi
statistic, KS statistic y AD statistic) es mayor al valor de la región de rechazo (Chi value,
KS value y AD value). Además, debido a que el número de datos recolectados es 124,
cualquier distribución de probabilidad debería cumplir con las tres pruebas para ser
aceptada, motivo por el cual se elaboró una tabla de frecuencias para crear una
distribución empírica continua (ver la Tabla 5).
Figura 7. Resultados de las pruebas de bondad para cierto producto. FUENTE: Plant
Simulation.
1:00:00:00.0000 3:20:00:00.0000 4
3:20:00:00.0000 7:19:00:00.0000 5
7:19:00:00.0000 12:07:00:00.0000 2
12:07:00:00.0000 17:15:00:00.0000 1
17:15:00:00.0000 24:09:00:00.0000 4
24:09:00:00.0000 33:14:00:00.0000 5
33:14:00:00.0000 49:23:00:00.0000 3
49:23:00:00.0000 73:00:00:00.0000 5
Tabla 5. Distribución empírica continua de un producto. FUENTE: Elaboración propia.
Producto 16 110 91 79 25 79 28 32 40
Producto 17 80 61 98 37 98 44 33 41
Producto 18 150 174 125 11 125 14 11 17
Producto 19 250 151 180 38 180 42 0 0
Producto 20 100 201 137 13 137 17 10 13
Producto 21 126 160 140 13 140 16 13 16
Producto 22 500 301 453 85 453 95 119 TIEMPO
En esta tabla se describen los niveles de inventario para cada uno de los productos a
simular (exceptuando el optimizador que se expondrá en la sección 3.2.7.1). Sin embargo,
como se puede notar en algunas celdas, aparece el mensaje de “ERROR” o de
“TIEMPO”. Esto se debe a que el modelo propuesto por la calculadora Kanban no
propone una solución (en el caso de la leyenda “ERROR”) o que propone un sistema de
pedidos que solicite ciertas unidades cada determinado tiempo y no pide producto al
llegar al punto de reorden (en el caso de la leyenda “TIEMPO”).
Una vez identificados los tamaños de lotes y puntos de reorden se procederá a simular las
alternativas.
1.2.5 Modelación
Para una lograr una correcta representación del sistema real se realizaron dos pasos:
1. Obtener un modelo base de un modelo conceptual.
2. Transferir el modelo hacia un software de simulación.
A continuación se describe cada una de ellas.
La creación del modelo conceptual se realizó al término de las pláticas con los
encargados del sistema. La información recolectada se muestra en la Figura 8.
1. Un cliente llega
al almacén a
realizar un pedido
2. El encargado del
7. El material llega
almacén busca el
y es descargado al
material y lo
almacén
despacha
3. El nivel del
6.El proveedor
inventario se
transporta y
decrementa con
entrega el material
cada pedido
Con esta información se tiene un panorama más amplio y conciso del sistema que se
pretende simular. Este paso muchas veces es omitido y tiene como consecuencia la
reelaboración del modelo de simulación porque éste no se apega a la realidad o está
incompleto.
Plant Simulation fue el software utilizado para realizar el modelo de simulación y evaluar
las alternativas de los niveles de inventario propuestos por los cinco modelos matemáticos
para cada uno de los 29 productos principales del almacén de la empresa vidriera.
A continuación se detallarán las características del modelo de simulación que ayudarán a
comprender la funcionalidad del modelo realizado.
Declaración de objetos.
Identificación de áreas del layout de simulación.
Modelos de simulación creados.
Validación de los datos.
Declaración de objetos
Primero, se describirán cada uno de los objetos utilizados para representar el sistema real
del almacén. La Tabla 7 muestra los objetos de construcción empleados.
Nombre del objeto Ícono Descripción
Se utilizó un event controller. Programado para que
Event controller el modelo corriera por un año.
Ubicación
Nombre Descripción
Objeto Salida/Entrada
Indica el número de piezas que
deben existir en el almacén al
Init N/A N/A comenzar la simulación, el número
de piezas será igual al tamaño de
lote.
Abastecimiento Despacho Salida Si cuando llega un cliente a solicitar
un pedido de piezas el número de
stock es mayor o igual al pedido,
asigna un valor a la variable
cantidad solicitada para representar
aleatoriamente el número de piezas
que se despacharán del almacén; si
la cantidad del stock es menor a la
solicitada se activarán los costos de
penalización.
Cada vez que ingresan piezas al
Ingresos material Almacén Entrada almacén, esta variable incrementa
en una unidad.
Compara la cantidad despechada
con la solicitada, al entregar todas
Condición Salida piezas Entrada las piezas necesarias se cierra la
puerta del almacén para no entregar
piezas de más.
Mueve el número de piezas
solicitadas de donde está el
Carga MP Track Entrada sensor
proveedor hacia el camión que las
llevará a la empresa.
Libera las piezas del camión
Descarga MP Track Salida proveedor hacia el área de
descarga de SIVESA.
Decrementa el número de piezas
del almacén cada vez que salen del
Solicitud pedido Almacén Salida sistema. Al llegar al punto de
reorden emite un pedido e
incrementa el número de pedidos.
Crea el número de piezas (tamaño
de lote) que serán solicitadas al
Pedido a
Compras Salida proveedor. Incrementa los costos de
proveedor
pedir y asigna la velocidad al
camión proveedor para representar
el mismo tiempo que se tarda el
proveedor en realizar la entrega.
Cada día evalúa el número de
piezas en el inventario e incrementa
los costos de mantener el almacén.
Costo llevar Al final de cada mes obtiene el
Almacén diario Salida
almacén promedio de costos incurridos cada
día. Cuando se termina el año
obtiene el promedio diario de todo el
año.
Tabla 9. Métodos del modelo de simulación. FUENTE: Elaboración propia.
El área de pedidos (ver Figura 10) representa la llegada de los clientes para realizar un
pedido, éstos permanecen un tiempo para ser atendidos y al entregárseles el material
solicitado se marchan del sistema.
Figura 10. Área de pedidos. FUENTE: Plant Simluation.
El área del departamento de compras se puede observar en la Figura 12. En esta sección
se recibe la solicitud de pedido de parte del almacén y al pasar unos días emiten un
pedido al proveedor. Las solicitudes de pedido sólo pueden ser atendidas después de las
8 a.m.
Figura 12. Área del departamento de compras. FUENTE: Plant Simulation.
Área de la visualización de los resultados. Aquí se localizan las variables que llevan el
control de los datos del modelo y los resultados que se evaluarán para elegir la mejor
alternativa. Dicha área se representa en la Figura 14.
Figura 14. Visualización de los resultados. FUENTE: Plant Simulation.
Modelos construidos
Se realizaron dos modelos de simulación: un modelo que optimiza los niveles de
inventario y un modelo que evalúa las alternativas. Estos modelos contribuyen a la
elección de la mejor herramienta para calcular los niveles de inventario adecuados para
obtener los menores costos del inventario. Ambos contienen las características descritas
desde la sección 1.2.1 hasta la sección 1.2.5.2, la única diferencia es el objeto de análisis
ocupado al final de las corridas de simulación.
Modelo optimizador
Este modelo tiene como objetivo obtener los mejores niveles de inventario resultantes de
un optimizador de algoritmos genéticos, GAWizard. El mejor tamaño de lote y punto de
reorden serán los que otorguen el menor costo del inventario. En la Tabla 10 se pueden
observar las características utilizadas en el GAWizard.
Característica Valor
Variables de entrada Tamaño de lote y punto de reorden
Variable de salida Costo total del inventario
Dirección de la optimización Minimizar
Number of generations 15
Size of generation 200
Observations per individual 301
Fitness reference Absoluta
Parent selection Determinística
Offspring selection 1 de 4
Tabla 10. Características relevantes utilizadas en el GAWizard. FUENTE: Elaboración propia.
La función objetivo de este modelo incluye los costos de pedidos (el número de pedidos
por el costo del pedido), los costos de mantener el inventario (número de piezas en el
inventario por el costo de mantener las piezas en el inventario), el GAWizard a través de
cada una de las generaciones minimiza dicha función objetivo. A su vez, entre las
principales restricciones destacan: que no exista ruptura de inventario, que se respeten
los horarios de oficina (en el caso del departamento de compras), capacidades de las
máquinas, entre otras, dichas restricciones están implícitas al momento de la construcción
del modelo de simulación.
1
Este número es el obtenido por medio de la determinación del número de corridas óptimas.
Tabla 11. Características relevantes utilizadas en el Experiment Manager. FUENTE:
Elaboración propia.
Con los datos obtenidos de la tabla 3.12, ahora se realiza el cálculo de la varianza:
Z Z 12
12
2
Vˆar Z 12
i
13,330
i 1
100.98
n(n 1) (12)(11)
0.05
N 12
Var[Z12] 100.98
tn-1,0.95 0.6974
Tabla 13. Datos para la prueba t-apareada. FUENTE: Elaboración propia.
Z 12 t n 1 , / 2 Vˆar ( Z n)
2 0.697 100.98
2 7.01
(9.01,5.01)
2
Para la obtención de los datos de la tabla se sumaron las cantidades pedidas de los productos
por cada mes, de tal manera que cada renglón representa un mes del año.
Debido a que el intervalo resultante (-9.01, 5.01) sí contiene al 0, se acepta la hipótesis
nula y se concluye que la diferencia Z=x-y no es estadísticamente significativa, por lo
que se puede decir que el modelo es válido.
3
Las doce replicaciones corresponden a cada uno de los meses del año.
Para estimar la cantidad de piezas solicitadas por el almacén durante un mes con un error
absoluto () de 24 piezas y un nivel de confianza del 95% se utilizará la siguiente fórmula:
n * ( ) min i n : ti 1,1 / 2
s 2 ( n)
……………………Ecuación 2
i
Los datos que se ocuparán en la ecuación 3.2 se presentan en la Tabla 15.
Datos Valores
X 12 1,419.08
Var[Z12] 31,840.94
24
0.05
ti-1,0.95 0.6974
Tabla 15. Datos para la prueba n*() FUENTE: Elaboración propia.
31,840.9444
min i 12 : ti 1 ,0.95 24
i
Debido a que esta prueba se debe realizar hasta encontrar un valor que cumpla con la
condición planteada, se creyó conveniente hacer uso de una tabla. En la Tabla 16 se
muestra el proceso de selección del número de corridas.
i Resultado de la fórmula Relación Error absoluto Recomendación
12 35.9263 ≥ 24 Seguir buscando
15 32.1334 ≥ 24 Seguir buscando
20 27.8283 ≥ 24 Seguir buscando
25 24.8904 ≥ 24 Seguir buscando
30 22.7217 ≤ 24 Número óptimo
Tabla 16. Cálculo del número óptimo de corridas. FUENTE: Elaboración propia.
La forma en la que se evaluó el rendimiento del optimizador fue por medio de una gráfica
que muestra las condiciones de la optimización (ver Figura 17). En dicha figura se puede
apreciar que los mejores niveles de inventario se obtienen desde el principio de la
optimización, esto se concluye porque la peor solución y la mejor se aproximan desde la
tercera generación. Dado que en las generaciones posteriores se mantiene una distancia
estrecha entre estas dos soluciones, esto quiere decir que se ha encontrado la mejor
respuesta (el mínimo costo total del inventario).
Figura 17. Gráfica de los resultados de cada una de las alternativas. FUENTE: Plant
Simulation.
Como se aprecia los mejores resultados son los del optimizador (experimento 5), debido a
que aparece más abajo en el eje Y de la gráfica (eje Y=Costo total del inventario), lo que
indica que tiene menores costos totales en el inventario que las demás alternativas. En
segundo lugar se ubica el sistema actual (experimento 1) por tener mayores costos del
inventario que el experimento 5 pero menores a los demás. Para ejemplificar con mayor
claridad esta diferencia de costos se muestra la Figura 18 donde se encuentran los
parámetros numéricos de los experimentos obtenidos por el Experiment Manager de Plant
Simulation.
Figura 18. Resultados numéricos de las alternativas. FUENTE: Plant Simulation.
Optimizador
Actual
LEP normal
EOQ
La Figura 20 muestra que el segundo mejor modelo matemático es el modelo actual. Esto
se debe que las demás alternativas fueron penalizadas en gran medida por presentar
ruptura de inventario. Por lo que se intuye que los puntos de reorden no están
considerando la totalidad del tiempo que conlleva realizar un pedido como puede ser
tiempo de entrega, tiempo de pedido y/o tiempo de descarga.
0% 0%
4%
17%
Optimizador
Actual
LEP normal
EOQ
Calculadora Kanban
79%
Una vez hecha la evaluación y el respectivo cálculo de los tamaños de lote y puntos de
reorden usando el modelo matemático 5 y el actual, para poderlos comparar, incluyendo
los 67 productos (esta cantidad equivale al 5% de los productos que hacen el 80% de los
costos del inventario), se obtuvieron los costos totales del almacén con los nuevos niveles
de inventario. La Figura 21 ilustra la comparación del comportamiento del presupuesto
mensual del almacén durante un año entre el sistema actual y el sistema propuesto por el
optimizador para un producto en una corrida de simulación.
$50.000,00
$45.000,00
$40.000,00
Presupuesto mensual
$35.000,00
$30.000,00
$25.000,00
$20.000,00 Actual
$15.000,00 Optimizador
$10.000,00
$5.000,00
$-
Abril
Enero
Mayo
Marzo
Junio
Octubre
Agosto
Diciembre
Septiembre
Noviembre
Julio
Febrero
Figura 21. Gráfica con los costos mensuales para el sistema actual y el propuesto. FUENTE:
Elaboración propia.
Como se aprecia la diferencia entre los presupuestos mensuales para cierto producto es
considerable.
Documentación
Para efectos del trabajo, este paso se omitirá porque el contenido del proyecto de
simulación se contempla en todo el capítulo 1. A su vez, se le entregó un reporte con los
resultados de la simulación a la empresa SIVESA.
1.3 Resultados.
Después de realizar 30 corridas de simulación (número óptimo de corridas) para el
modelo optimizador y para el modelo actual, se obtuvieron los resultados económicos
para los 67 productos. Éstos se dividen en dos:
Costos de inventario esperados para los productos que se penalizaron por
presentar ruptura de inventario. Se registró un total de 38 productos penalizados
en el modelo actual. El modelo optimizador no presentó ninguna ruptura.
Costos de inventario para los productos no penalizados. Al obtener los costos
totales de ambos sistemas (actual y propuesto) se calcularon los ahorros que se
podrían tener de implementar los niveles del modelo optimizador. Se obtuvo un
total de 29 productos no penalizados en ninguno de los dos modelos.
Se consideró necesario realizar la división de los resultados, dado que no sería adecuado
comparar los costos del sistema propuesto contra el actual para los productos que están
penalizados debido a que, al estar penalizados los productos del sistema actual,
contemplan costos muy elevados que en la realidad no son tangibles en el sistema
contable actual, y que al hacer la comparación contra el sistema propuesto parecería que
se ahorraron cantidades muy grandes y en realidad lo único que se consiguió es evitar la
ruptura de inventario. Fue necesario incluir la penalización en los modelos de simulación,
debido a que se necesita “castigar” a los sistemas que presenten ruptura de inventario
porque los productos que se encuentran en el almacén son indispensables para el
correcto funcionamiento de la empresa vidriera y se debe satisfacer la demanda de ellos
en cada momento.
∑=$2,452,730.37