ULSA

APLICACIÓN DE MÉTODOS DE
INVESTIGACIÓN DE OPERACIONES A
UNA DISTRIBUIDORA DE BEBIDAS

Miguel Vargas / Junio 2004

1
 Introducción

Antecedentes

La incertidumbre de cómo se comportará la operación en el área de distribución, durante

años se ha considerado que no puede conocerse debido a que no se tiene la información
de cuantas cajas de producto terminado son las que se deberán de distribuirse para un
periodo o para cierta temporada del año.

En distintas ocasiones se ha solicitado al área de ventas el proporcione un quiebre

estimado de ventas (pronóstico) para realizar algunas negociaciones con proveedores de
transporte, consiguiendo con ello un mejor servicio y un ahorro por volumen de servicio
contratado. Sin embargo la solicitud de la información no se ha recibido y es por ello que
no se conoce ni se tiene un estimado de cual será el objetivo en cajas de producto
terminado a distribuirse.

En la gerencia de distribución se tiene en la actualidad la idea de que como los

pronósticos no siempre se cumplen, a la persona que los realiza no se le tiene la
confianza para creer que está bien realizado el pronóstico por lo siguiente: es el único que
lo ha hecho, quien lo realiza no fue contratado para dicha tarea, no es una práctica común
en la gerencia el realizar o creer en los pronósticos, no se tiene el conocimiento básico
sobre estadística, el pronóstico tendría mayor validez si lo realizara alguien con mayor
jerarquía en el organigrama, la administración de la gerencia requiere de un pronóstico
que carezca de errores, etc.

A pesar de que se ha manejado el hecho de que sin información no es posible realizar

ninguna planeación de la operación, actualmente no se tiene la capacidad de que alguien
pueda analizar la información en caso de obtenerla, ni tampoco la posibilidad de que se
realice algún tipo de pronóstico que ayude a solucionar el problema de la demanda debido
a que no se tiene conocimiento de cómo realizarlo.

La realización del presupuesto para el área de distribución, se hace con un estimado de

cajas a distribuir, pero esta información no se toma en cuenta para la planeación de la

2
operación ya que se considera que tendrá ciertas variaciones en el transcurso del año y
éstas en la mayoría de las veces no son notificadas a distribución.

El proceso que la empresa realiza para la entrega de un pedido es el siguiente: a) Se

levanta el pedido con el cliente ya sea por visita directa o a través de sistemas
informáticos como EDI, b) Se verifica disponibilidad de producto en el sistema,
disponibilidad de crédito, condiciones especiales de venta y se remisiona la cantidad de
cajas que deberán entregarse, c) distribución planifica las entregas en base a criterios
preestablecidos y realiza la entrega del producto.

A través del sistema SAP, es posible conocer cuantas cajas se han remisionado y
embarcado en los últimos años, esta información al estar disponible en el sistema nos
permite darle cierto tratamiento, realmente es un histórico real de ventas de donde se
puede obtener la cantidad de cajas que se han remisionado y a su vez analizar el
comportamiento que se ha tenido y las respectivas variaciones.

El no contar con un pronóstico por parte del área de ventas, ha sido motivo principal para
que el área de distribución no pueda pronosticar la demanda, distribución está en la
posibilidad de hacer un pronóstico de las cajas a distribuir en base a lo que se ha hecho
en los últimos años, y analizando que es lo que se ha hecho en el pasado, poder predecir
la demanda de los próximos periodos, haciendo un buen análisis de la información
disponible, es posible hallar solución a los problemas de planeación de la operación que
se tienen en la actualidad.

Se ha estado analizando la información histórica real de los volúmenes de cajas

distribuidas en los últimos cuatro años y se han hecho análisis para determinar el patrón
de la demanda, a pesar de los múltiples intentos no ha sido posible el obtener el método
que mejor simule la demanda del pasado, por tal motivo se ha dificultado en parte
encontrar un buen método para pronosticar la demanda para los siguientes periodos.

Como toda consideración al pronosticar, se ha buscado que los errores de pronóstico

sean mínimos, así como el considerar a todas las posibles fluctuaciones de cambio que

3
pudieran en determinado momento hacer que el método tenga una modificación y/o
corrección.

Por el tamaño de empresa del que se trata, la distribución tiene que hacerse a diferentes
destinos tanto de la zona metropolitana como en el interior de la república, para el caso
del interior de la república, se tienen cuatro centros de distribución foráneos quienes
atienden cada uno a sus respectivos clientes para mejorar los tiempos entrega, sin
embargo, en ocasiones por la cantidad o volúmenes de pedidos, es preferible (para tener
un ahorro mayor) que este tipo de pedidos se distribuyan directamente desde el almacén
central ubicado en la zona oriente de la ciudad de México.

La distribución en el área metropolitana, no representa hoy día en gran medida problemas

de planeación, el tener el almacén central en la zona metropolitana favorece el realizar las
entregas de manera oportuna, inclusive la planeación de la operación del área
metropolitana requiere de menos tiempo que para la distribución foránea, los tiempos de
reacción son mínimos y por la cercanía de los clientes es posible atender cualquier tipo de
servicio en el momento que se requiera, dando con ello la oportunidad al área de ventas
de crear mayores compromisos asegurando que la entrega no se verá afectada por falta
de producto o por tiempos de tránsito.

La demanda de los principales clientes que la empresa tiene, tampoco es conocida por el
área de distribución, esto ha ocasionado que en las temporadas de alta demanda se
tenga una saturación en cajas por distribuir y poca oferta de servicio de transporte, por
esta razón es conveniente el poder pronosticar el comportamiento de la operación para
las diferentes temporadas del año para hacer un mejor uso de los centros de distribución
foráneos y de ser posible saber que cantidad de cajas es la que deberá de distribuirse
directamente del almacén central sin pasar por los centros de distribución.

El transporte es solicitado para cargar a determinada hora y día según los criterios de
planificación logística y necesidades del cliente, el transporte es citado para cargar por el
área administrativa de distribución quien considera determinados tiempos sin tener plena
certeza de que se cumplan o de que estén bien considerados. Esto ocasiona que quien
realiza la preparación y carga de los pedidos, tenga en ocasiones, saturación de trabajo, o

4
atraso en la operación cotidiana, porque además de cargar los pedidos, se tienen que
recibir contenedores de productos de importación así como la producción diaria.

El embarque de producto consta desde la contratación del mejor proveedor de transporte,

preparación de la carga en base a lo solicitado por el cliente, cargar la unidad de
transporte y hacer la entrega al cliente. La contratación del transporte es un proceso
administrativo que prácticamente ya se tiene controlado y ya se tienen seleccionados los
proveedores para cada servicio determinado y las poblaciones que cada uno cubre en
base a su infraestructura.

La preparación de la carga tiene diferentes variables como la cantidad de productos a

entregarse, preparar los pedidos en base a los requisitos de cada cliente, número de
clientes que cada camión debe de entregar, etc. Esto hace que la preparación de la carga
en ocasiones sea el factor de tener retraso en la operación o tiempo de ocio en cierto
periodo del día. Actualmente los tiempos de preparación de la carga se tienen registrados
a nivel hoja de registro, pero no se tiene registrada esta información en ninguna base de
datos lo que hace que la información no pueda ser analizada de manera óptima.

El abastecimiento de los centros de distribución foráneos, se hace en base a la demanda

que han tenido en los últimos años y a la solicitud del área de ventas, sin que distribución
participe en la determinación de la demanda en ninguna circunstancia. A distribución le
conviene saber la demanda de los centros para asegurar con tiempo anticipado la
contratación del servicio de transporte así como apoyarse en éstos para mejorar el tiempo
de entrega a determinados clientes que por la ubicación de éstos sea conveniente
aprovechar un solo camión para entrega directa al cliente y a su vez el abastecimiento del
centro foráneo.

Es conveniente para el área de distribución el aplicar cualquier método de pronóstico para

conocer la demanda que tendrá de distribuir de producto terminado a los lugares que
actualmente se entregan a así como saber la demanda que tendrán los principales
clientes quienes por la demanda de pedidos merecen un mejor servicio adelantándose
siempre como proveedor a las necesidades del cliente, a su vez, el conocer la demanda
daría pauta al área de distribución de hacer negociaciones pertinentes con los

5
proveedores de servicio para que por volumen de servicio contratado se tenga un
descuento que beneficie el ahorro, y sobre todo se llegue a una alianza estratégica
asegurando ambas partes con tiempo de anticipación el volumen de servicio a requerir y
programar el equipo necesario para proporcionar el mejor servicio.

En la actualidad el abastecimiento de los centros de distribución foráneos, así como el

abastecimiento para los principales clientes, se hace a través de las rutas que se tienen
de manera predeterminada, mismas que se elaboraron en base a la ubicación de cada
una de las poblaciones y el tiempo de recorrido, sin embargo, no se ha elaborado nunca
antes un modelo de programación lineal que indique de manera cuantitativa cuales son
las rutas por las cuales se debería de entregar el producto en base al costo, es decir, a
pesar de que se tiene el costo por caja para cada una de las diferentes rutas, no se tiene
conocimiento de cómo lograr un ahorro a través de una minimización de costo conociendo
las demandas para cada destino.

Por carecer de una comunicación adecuada y debido a que a la información disponible no

se le ha dado un tratamiento eficaz, se tiene la situación de que en ocasiones para algún
cliente mayorista que tradicionalmente es atendido desde un centro de distribución
foráneo, en la temporada alta de ventas, se tiene la situación de que a ese cliente se le
embarca producto desde el almacén central así como del respectivo centro de distribución
foráneo, lo que ocasiona molestia para el cliente por saturarle su área de recibo, que con
una llamada telefónica que viene posterior al problema se llega a un acuerdo para que
descargue los camiones.

Sin embargo, en la mayoría de las veces esta falta de planeación y comunicación generan
para la gerencia de distribución y para la empresa en general costos innecesarios, ya que
a la línea transportista se le deben de pagar gastos adicionales por estadías, es decir, si
a la línea transportista no se le descarga el camión en un lapso de 12 horas, entonces se
deben cubrir gastos adicionales que en el ramo de transporte se le conocen como
estadías. Estos gastos principalmente incluyen los viáticos del operador, pago de pensión
para resguardar la carga y un pago adicional a la línea para compensar los costos de
oportunidad.

6
La estimación o minimización de costos de distribución en la actualidad se realizan solo al
considerar al proveedor con la menor tarifa por servicio, no se ha realizado un estudio
para determinar si en base al costo por caja que se tiene para cada ruta y la demanda, es
factible seguir utilizando determinadas rutas o bien eliminar algunas y abastecer a los
centros foráneos o a determinados clientes mayoristas por rutas diferentes a las actuales,
el motivo principal por el cual este tipo de estudios no se han llevado a cabo es porque no
se tiene conocimiento de como realizarlos.

La empresa en estudio no ha querido trabajar bajo el esquema de servicio dedicado con

ninguna línea transportista, porque antes de ver los beneficios, siempre han estado
presentes los temores de que se tenga que pagar cierta cantidad de dinero sin haber
hecho uso del servicio, y evitar con ello cualquier fricción sobre el uso “indebido” del
presupuesto con la dirección corporativa de operaciones que es la dirección a la cual le
reporta le gerencia de distribución.

Justificación

La realización de este trabajo ayudará principalmente al área de distribución tanto en la

operación como en la administración. El conocer la demanda de la operación que se
tendrá en los siguientes periodos en base a los datos históricos reales, permitirá crear
programas de planeación de la operación así como alianzas estratégicas con
proveedores.

Con los resultados de este proyecto, la administración de los centros de distribución

foráneos tendrá el beneficio de contar siempre con el abastecimiento de los centros en
tiempo suficiente para cubrir la demanda de los clientes, además de conocer los clientes
mayoristas que pueden ser atendidos desde el almacén central propiciando con ello que
los centros tengan la capacidad de atender a todos los clientes y no quedarse sin
producto a causa de embarcar determinada cantidad de producto a un solo cliente, que en
la mayoría de los casos es un mayorista.

Los centros de distribución foráneos se verán beneficiados en el sentido de que tendrán la

oportunidad de mejorar e incluso personalizar la atención a los clientes que por la

7
cantidad de pedidos no puedan ser abastecidos desde el almacén central. El control de
inventario en estos centros estará designado prácticamente al abastecimiento de clientes
minoristas y eliminar la necesidad de retrasar los tiempos de entrega debido a la falta de
stock, a su vez se eliminaría la mala práctica que a un determinado cliente se le esté
suministrando producto desde el respectivo centro foráneo como desde el almacén
central.

Por su parte los clientes mayoristas cuyo suministro era por parte de los centros de
distribución foráneos, también se verán beneficiados, esto se debe a que la atención será
por parte del almacén central y con esto el cliente ya no tendrá la necesidad de llamar
telefónicamente a distintos lugares para saber que centro es quien va a entregarle el
pedido solicitado, también se eliminaría la mala práctica de que el cliente reciba más de
una llamada para la programación de producto y causarle confusión acerca de que el
pedido le llegará en dos partes, una desde el almacén central y otra desde el centro
foráneo.

También se tendrá el beneficio de eliminar el pago de gastos extemporáneos a causa de

retrasar la descarga de los camiones ocasionada por entregar producto al mismo cliente
desde dos centros de distribución. Con ello también los proveedores tendrán un beneficio
debido a que cuando se les requiera para determinado servicio se tenga la certeza de que
los camiones estarán disponibles en el tiempo acordado creando con ello más confianza y
que las líneas transportistas no condicionen el servicio al contratárseles para entregar a
determinado cliente o población.

El área de ventas también se verá beneficiada ya que al conocer que centro es el que
abastecerá a los clientes mayoristas, tiene la posibilidad de crear mayores compromisos
no solo con mayoristas sino también con los clientes minoristas ya que el centro de
distribución foráneo contará con el stock necesario para surtir pedidos de cantidades
pequeñas, con ello se tendría un mejor tiempo de entrega lo que beneficia a toda la
organización.

Como en muchos otros casos, cuando se propone un cambio es para mejorar la manera
en que se hacen las cosas, en nuestro caso de estudio lo que se busca modificar es la

8
manera en que se determina la minimización de los costos de distribución, esto mediante
la utilización de métodos de programación lineal, así como también se busca el modificar
la manera de planear la operación, mediante el conocimiento de la demanda y con ello
incrementar el nivel de servicio y disminuir los casos en los que por falta de planeación se
tenga que recurrir a la contratación de equipo poco confiable para la realización de
entrega de producto.

Una de las principales utilidades que se espera es hacer que el personal administrativo de
la gerencia de distribución conozcan el funcionamiento de los diferentes métodos de
pronóstico así como el desarrollar la habilidad para hallar las causas que estén
propiciando los errores de pronóstico, esto con la finalidad de enriquecer cada día el
pronóstico con métodos cualitativos por parte del personal con mayor experiencia y
antigüedad, consiguiendo con ello un mayor involucramiento para la determinación de la
demanda para cualquier periodo.

A su vez se está dando pausa para que se conozcan con mayor profundidad la utilización
de las principales herramientas estadísticas para que a la información se le dé un
tratamiento adecuado que permita tomar decisiones y realizar mediante un análisis
preciso mejoras a la operación que la permitan ser más ágil para el personal operativo,
incluso se espera que con un correcto análisis de la información se puedan desarrollar
indicadores de productividad.

El conocer la demanda inclusive permitirá conocer si el personal operativo que se tiene es

suficiente o será necesario la contratación de personal de apoyo para cierta temporada
del año, con este tipo de análisis de la información, al área de ventas se le puede ofrecer
un mejor servicio propiciando con ello que en conjunto el principal beneficiado sea el
cliente final.

Al realizar este trabajo, se tendrá la opción de que en cualquier momento que ventas
ingrese un pedido que por cualquier circunstancia no se haya considerado al inicio del
periodo, distribución tanto en lo administrativo como en lo operativo tenga conocimiento
de cómo se verá afectada la operación y sobre todo realizar la planeación

9
correspondiente para enfrentar este tipo de eventos evitando con ello fricciones entre el
área de ventas y el cliente final.

Tomar decisiones de manera cuantitativa es una práctica que se espera se adquiera en el

mediano plazo, esto sería de gran utilidad para toda la gerencia porque se eliminaría la
duda de saber si se están tomando decisiones incorrectas así como de proporcionar más
herramientas a todo el personal para que al momento de decidir algo se recurra a la
información disponible y a partir de esto se proceda hacer un análisis cuantitativo que
permita predecir determinadas situaciones que no puedan determinarse de manera
anticipada.

El que la propia gerencia de distribución pueda generar sus propios pronósticos, será
fuente de motivación para el personal porque se estará confiando en el trabajo realizado
al interior de la gerencia y ya no será necesario depender de otra u otras áreas para saber
cual será la demanda. Será necesaria la capacitación para el personal administrativo
encargado de planear la operación de tal forma que los pronósticos sean realizados,
actualizados o corregidos por el personal que conozca el proceso y tenga el conocimiento
de entender o hallar el porque se tienen los errores y de manera conjunta tomar las
medidas necesarias para éstos se reduzcan en la medida de lo posible.

Una vez que se utilicen las aplicaciones de programación lineal al proceso de distribución
(método de transbordo), personal de la gerencia encargado de la administración del
presupuesto y la operación, deberán recibir capacitación para que sean ellos mismos
quienes vigilen el buen funcionamiento del modelo que resulte, así como actualizarlo
cada vez que sea necesario para que cualquier cambio que se presente sea entendido
con la debida anticipación y saber en que momento y como debe de modificarse el
modelo para que continúe brindando los beneficios a la operación.

Mantener el buen funcionamiento del método de pronóstico y el modelo de programación

lineal que resulte, no es labor de una sola persona, sino que se recomienda que
intervenga todo el personal relacionado con la finalidad de enriquecer esta nueva forma
de trabajo, al dejar esto en manos de una sola persona no se estarían considerando todos
los puntos de vista y será más difícil hallar todas las áreas de oportunidad.

10
Objetivos

Los objetivos que se persiguen con la elaboración del presente trabajo son los siguientes:

Objetivo General

 Utilizar los métodos de investigación de operaciones en la gerencia de distribución

para solucionar los principales problemas de planeación de la operación, así como
determinar las mejores opciones de distribución de producto terminado para los
principales destinos mediante la optimización de recursos, impulsando con esto la
práctica de un correcto análisis de la información y la toma de decisiones de
manera cuantitativa.

Objetivos específicos

 Analizar el comportamiento de los datos históricos de distribución para determinar

el patrón de la demanda.

 Identificar y utilizar el mejor método de pronóstico que permita determinar la

demanda en la gerencia de distribución con el menor error de pronóstico posible.

 Identificar la demanda para los principales puntos de suministro y el costo de

distribución unitario correspondiente.

 Desarrollar un modelo matemático de programación lineal que permita minimizar

los costos de distribución.

 Utilizar el modelo matemático para identificar las rutas que permitan optimizar la
distribución hacia los principales destinos, así como para generar un desempeño
óptimo en los centros de distribución foráneos.

11
Planteamiento del problema

El problema que actualmente se tiene en el área de distribución, es el de no conocer la

demanda de cajas a distribuir para un periodo o para cierta temporada del año, se han
intentado hacer anteriormente algunos pronósticos pero estos no fueron utilizados debido
a que no se tenía el conocimiento de que estuvieran bien realizados y tampoco se
consideraron los errores de pronóstico, es decir, solo se analizaron los datos del histórico
real y a juicio de la gente con mayor experiencia se determinaba la demanda, incluso, a
pesar de tener un pronóstico elaborado de forma “cualitativa”, la gerencia no lo aceptó ya
que no se tenía una justificación teórica para fundamentar la forma en que se realizaba el
pronóstico, de tal manera que los intentos de querer pronosticar habían sido rechazados y
los mismos problemas de planeación de la operación siguen presentándose en las
mismas etapas del año, principalmente en el último trimestre.

En fechas no muy lejanas la gerencia ha buscado la reducción de costos solamente al

hacer negociaciones con las principales líneas transportistas para conseguir las mejores
tarifas del mercado, sin embargo esto no ha sido suficiente para evaluar cuantitativamente
las decisiones que se han tomado, esto a su vez conlleva a no saber si las rutas actuales
de distribución son las más adecuadas, por lo que los costos de distribución no se han
reducido ni se ha encontrado la forma de encontrar una reducción de éstos.

Por la problemática actual en la gerencia de distribución de la empresa, se derivan las

siguientes preguntas de investigación que se resolverán con el desarrollo de este trabajo
y a su vez permitirán alcanzar algunos de los objetivos antes mencionados.

Las preguntas de investigación son las siguientes:

1. ¿Cuáles son los métodos de pronóstico que pueden utilizarse para determinar la
demanda en base a los patrones de comportamiento obtenidos en el pasado?

2. ¿Cuál es el mejor método de pronóstico que permite conocer la demanda de

manera más exacta en la gerencia de distribución?

12
 3. ¿Cuál es el error de pronóstico obtenido mediante el uso del método de pronóstico
seleccionado?

4. ¿Cuántas cajas deben de embarcarse a través de cada una de las rutas para los
principales destinos?

5. ¿Cuáles son los métodos de la programación lineal aplicables a esta

investigación?

6. ¿Qué modelo de programación lineal permitirá hallar una minimización de los

costos de distribución para los principales destinos?

7. ¿Qué mejoras se tendrán en el desempeño de los centros de distribución foráneos

y sus respectivos clientes?

8. ¿Se tendrán mejores negociaciones o alianzas con los principales proveedores del
servicio de transporte?

Hipótesis

a) El utilizar en el área de distribución de la empresa los métodos cuantitativos de

investigación de operaciones, permiten realizar una mejor planeación de la operación
y optimización de recursos.

b) Al realizar pronósticos en la gerencia, se reducen los márgenes de incertidumbre

dentro de los cuales se efectúan las decisiones de la administración.

c) La elaboración de pronósticos conlleva al mejoramiento de los métodos actuales y/o a

la búsqueda de nuevas formas de pronosticar de tal forma que se obtengan cada vez
los menores errores de pronóstico.

13
d) Los métodos cuantitativos de la investigación de operaciones facilitan la toma de
decisiones de manera cuantitativa y un análisis correcto de la información, proporciona
herramientas para hallar áreas de oportunidad y de mejora.

Metodología

Para cumplir con el cometido en este trabajo, se realizó una revisión bibliográfica de las
publicaciones más recientes y utilizadas en al ámbito de la investigación y administración
de operaciones, esta revisión bibliográfica consiste en contestar algunas de las preguntas
de investigación así como el cumplir con algunos de los objetivos específicos, durante la
revisión bibliográfica, se analizó la manera de cómo se ha utilizado la investigación de
operaciones para la solución de problemas de diferente índole en distintas
organizaciones, como ha evolucionado la investigación de operaciones y de que manera
han contribuido a esto los cada día recientes programas y sistemas de computación.

Se hizo uso también de la revisión bibliográfica para encontrar la manera de solucionar los
problemas de pronósticos y de programación lineal mediante el uso de sistemas de
computación sencillos y accesibles, como lo ofrecido por excel, para no verse en la
necesidad de adquirir algún otro paquete que represente para la empresa en estudio un
costo adicional en la adquisición de licencias.

Para encontrar el mejor método de pronóstico, se analizarán los principales métodos

ofrecidos por la bibliografía y haciendo uso de los datos históricos reales, se determina
que método es el que menor error de pronóstico proporciona, para esto será necesario
conocer las ventajas que cada método proporciona y en que situaciones puede ser
utilizado.

Una vez que se elija el mejor método de pronóstico, se pronosticarán los siguientes dos o
tres periodos y se compararán los resultados para entonces validar el uso del método
asegurando que los errores que se tengan no repercutan en la planeación de la operación
en distribución, el método deberá ser fácil de usar para eliminar desconfianza en los
responsables de la administración de la gerencia.

14
La etapa siguiente en el proyecto consiste en generar un medio a través del cual se tenga
la oportunidad de evaluar el buen desempeño del método de pronóstico elegido, esta será
mediante la utilización de una señal de rastreo en la cual se monitorean los errores de
pronósticos y éstos deberán estar dentro de ciertos límites de control lo que indicaría que
a pesar de tener errores de pronóstico éstos no repercuten en gran medida.

La construcción del modelo se hará en base a la información disponible en el sistema de

base de datos de la empresa para determinar la demanda en los principales destinos y
apoyándonos en el área contable obtener los costos unitarios de distribución,
considerando las restricciones correspondientes se construirá el modelo cuya solución se
hará utilizando la paquetería de excel.

Para determinar la demanda de los centros de distribución foráneos, la información

obtenida del sistema será complementada por la opinión del coordinador de inventarios
quien en base a su experiencia puede validar con mayor certeza que los datos a incluirse
en el modelo son los correctos o deban hacerse algunas modificaciones.

Después de obtener el modelo y su solución, se llevará a cabo un análisis de éste para

ayudar a la administración a una toma de decisiones más concreta acerca de los
resultados obtenidos, de obtener que una ruta deba ser eliminada, entonces se tendría
que analizar en consenso está decisión incluso con el área de ventas para asegurar que
nadie se vea perjudicado.

De la revisión bibliográfica y con los resultados obtenidos en este trabajo, se formulan las
conclusiones correspondientes para sustentar una propuesta de aplicar los métodos de
investigación de operaciones a la distribución de una empresa líder en el mercado de
bebidas.

Contenido capitular

Este trabajo se desarrolla en cuatro capítulos estructurados de la siguiente manera:

15
Capítulo 1, en este primer capítulo se muestra como se desarrolla la investigación desde
el planteamiento inicial, la selección de las herramientas a utilizar y los resultados que se
obtengan al hacer uso de éstas.

Prácticamente este capítulo es la guía de la investigación elaborada, es a su vez una

referencia rápida de lo que contiene cada parte del trabajo elaborado.

Capítulo 2, se realiza la revisión bibliográfica relacionada con los temas de pronósticos e

investigación de operaciones, formando con ello el marco teórico que servirá de referencia
para la elaboración de esta investigación. En este segundo capítulo se muestra la
clasificación y los diferentes métodos de pronósticos a utilizarse en este trabajo así como
la forma de aplicar cada uno de ellos y como la bibliografía menciona que deben de
utilizarse.

Se menciona como los diferentes autores dan su forma de aplicarlos y las

consideraciones que deben tomarse en cuenta para la elección de un método de
pronóstico, también se menciona la forma de cómo se deben de construir los pronósticos
y cual es la información necesaria para ello. Aquí se encontrarán los métodos causales,
de series de tiempo y los cualitativos, la aplicación de cada uno de ellos y cómo se
pudiera complementar un mejor resultado al utilizar métodos cuantitativos y cualitativos de
manera simultánea

En este capítulo se encuentra una reseña de la evolución que ha tenido la investigación

de operaciones y como ha contribuido la computación en la solución de problemas de
esta índole, se hace mención también del uso de las aplicaciones de la programación
lineal mediante los métodos de transporte y transbordo y como pueden utilizarse para la
optimización de recursos de distribución, la forma en que se recomienda se lleve a cabo el
planteamiento del problema a resolver es parte también de este capítulo.

Capítulo 3, en este capítulo se muestra la aplicación de los diferentes métodos de

pronósticos a la empresa en estudio, la forma de aplicarlos con el uso de la información
real, los resultados de cada uno de éstos, la comparación de los errores de pronóstico y la

16
elección del mejor método de pronóstico que se recomienda utilizar para pronosticar la
demanda de los siguientes periodos.

Se hace también mención de los diferentes tipos de errores de pronóstico que se utilizan
como medida de dispersión, como se obtienen y que representan numéricamente. Por el
comportamiento de la demanda en el pasado y los patrones de demanda existentes, en
este capítulo se muestran solamente los pronósticos de series de tiempo que son
mediante los cuales se determinará el método a utilizarse para pronosticar la demanda.

El buen funcionamiento del método elegido, se hace mediante al señal de rastreo misma
que se menciona en este capítulo desde la manera de obtenerse y como aplicarla para el
caso en estudio, así como de satisfacer la suposición de la distribución normal que deben
presentar los errores para que la señal de rastreo pueda utilizarse, la forma de comprobar
que se cumple con esta suposición es mediante la prueba de normalidad, misma que se
encuentra en este capítulo.

Capítulo 4, en este cuarto capítulo se muestra la construcción del modelo de

programación lineal resultante de la información disponible y para del problema por
resolver en la empresa, se menciona desde el planteamiento del problema, la forma de
construir el modelo, la solución proporcionada por la paquetería utilizada y el análisis de
estos resultados.

En este capítulo se hace uso del método de transbordo para la solución del problema de
optimizar recursos de distribución en la empresa en estudio, aquí se encuentran las
variables de decisión, restricciones, función objetivo y sobre todo la utilidad que la
empresa obtendrá con los resultados de este modelo.

Capítulo 5, en esta parte estaremos mostrando un análisis de los resultados obtenidos en

la investigación, donde buscaremos dar respuesta a nuestras preguntas de investigación
resultado del planteamiento del problema, así como el tratar de probar las hipótesis.

Mencionaremos en esta sección los resultados resumidos y sobre éstos hacer un breve
análisis.

17
Capítulo 6, en este último capítulo mostraremos las conclusiones a las que llegamos
después de realizar la investigación así como las posibles recomendaciones para futuras
investigaciones inherentes a la realizada en este trabajo.

18
 Capítulo 1
Modelo de integración de la investigación

Introducción

En esta sección se muestra esquemáticamente la forma en que se realizó este trabajo,

desde como se definió la situación actual, hasta los resultados finales a través de las
herramientas de trabajo. La finalidad de este capítulo es mostrar también mediante un
esquema como se fue desarrollando la investigación, los resultados que se obtuvieron al
utilizar cada herramienta y cuales fueron los resultados obtenidos después de las
aplicaciones de éstas.

Figura 1.1.- Esquema de desarrollo de la investigación

La figura 1.1, muestra como se desarrolló la investigación, en la parte inferior de la figura,

se muestra brevemente el proceso de cambio, que para lograrlo, debemos partir en primer
instancia por definir cual es la situación actual del problema, conocer cual o cuales son
realmente las causas que están ocasionando los problemas a resolver. Por esta razón,
nuestro esquema muestra que primero partimos de una situación actual, posteriormente
debemos pasar por el proceso de cambio, y por último llegar al estado deseado, que es

19
planteado desde la definición del problema, es decir, que desde el inicio, debemos saber
que es lo que se quiere o pretende conseguir. El proceso de cambio por lo regular es el
más difícil de realizar, motivo por el cual en la mayoría de las veces los resultados no se
alcanzan, la razón por la cual el proceso de cambio es el más difícil, es porque, en este
paso del proceso, se deben de seleccionar las herramientas para lograr los resultados,
implementar cambios y sobre todo el combatir la resistencia al cambio que se tiene
principalmente cuando por un largo tiempo las cosas se han hecho de una forma
determinada.

Para nuestro caso de estudio, el proceso de cambio también tuvo cierta dificultad, debido
a que en esta parte fue donde se tuvieron que seleccionar las herramientas que nos
facilitarían la obtención de resultados, además de obtener correctamente la información
que nos permitiría utilizar las herramientas adecuadamente en base a la aplicación de
cada una de éstas. Una vez que se seleccionaron las herramientas, se tuvieron que
comprobar los resultados, hacer ajustes en el procesamiento de la información, y por
último validar los resultados para dar por bueno el uso de la herramienta e implementar su
uso para situaciones futuras.

1.1 Explicación del modelo de integración

Esta sección consiste en ir detallando de izquierda a derecha el modelo de integración del

desarrollo de la investigación, que es el esquema que se muestra en la figura 1.1, la
explicación consiste prácticamente en indicar como se relacionan o integran entre si los
capítulos del presente trabajo para la obtención del resultado final, como se fueron
utilizando cada una de las herramientas y los resultados obtenidos con cada una de éstas.
Por último, como estado deseado, se muestran los resultados finales de la investigación
que son prácticamente el cumplimiento de los objetivos trazados al inicio.

1.1.1 Problemática

Esta sección se desarrolla en la introducción de la investigación, donde se muestra la

definición del problema, los antecedentes, justificación, objetivos generales y específicos,
así como el planteamiento de las hipótesis de investigación. Esta parte del trabajo es

20
esencial para entender porque la empresa enfrenta los problemas actuales y que es
principalmente lo que ha ocasionado que se tenga esto en la actualidad, así como una
explicación de cómo se han intentado resolver los problemas (antecedentes) y dadas las
situaciones actuales de mercado y competencia, cuales serían las herramientas que
permitirían resolver de mejor manera los problemas de la distribución.

Como lo muestra el esquema, con esta sección inicia nuestro trabajo, identificando cual
es nuestra situación actual, es decir, cuales son los problemas que tendremos que
resolver a través del desarrollo de la investigación. Nuestra problemática en parte, es que
en la empresa en estudio se carece de una efectiva planeación de la operación, lo que
ocasiona principalmente que haya saturación de recursos y que se tenga escasez de
equipo de transporte para cierta temporada de ventas en el año.

Así mismo, se tiene un constante desabasto de stock en los centros de distribución

foráneos ya que la capacidad de almacenamiento en esos centros es por mucho de
menor capacidad en relación al almacén central. Por tal motivo, los centros foráneos no
pueden abastecer de manera adecuada a todos los clientes asignados, ya sean,
mayoristas y/o minoristas.

La reducción de costos es un tema constante y preocupante hoy día en las empresas que
buscan competitividad y permanencia en el mercado, los costos de distribución y
almacenaje juegan un papel importante y por lo tanto deben reducirse de tal forma que el
cliente no se vea afectado por el incremento en precio en los productos de consumo
debido a la ubicación geográfica donde radica. La empresa en estudio absorbe los costos
de distribución de todos sus clientes, es por ello la necesidad de encontrar nuevas formas
de distribución y planeación de la operación para que estos costos no mermen de manera
considerable las utilidades de la empresa.

El evaluar la efectividad de las rutas de distribución actualmente establecidas, es parte

fundamental para alcanzar los objetivos trazados, ya que actualmente no se ha elaborado
un estudio correcto para evaluar económicamente los beneficios de utilizar determinadas
rutas para el abastecimiento de determinados clientes. La optimización de las rutas de
distribución y de los centros de distribución foráneos, es fundamental para la reducción de

21
costos, la empresa tiene clientes cuya demanda en ocasiones es mayor que la capacidad
de almacenaje de los centros foráneos, lo que implica el transportar producto del almacén
central al centro foráneo, para posteriormente llevarlo al destino final (cliente mayorista),
esto ocasiona costos innecesarios, ya que puede resultar más económico abastecer a
este tipo de clientes desde el almacén central, de esta forma solo transportaríamos el
producto del almacén central al destino final, sin tener que pasar por un tercer punto que
sería el centro foráneo.

Por esta razón nuestra problemática también radica en encontrar herramientas

estadísticas de optimización que nos permitan evaluar cuantitativamente la mejor opción
de las rutas de distribución así como el de disminuir la incertidumbre en la toma de
decisiones. Además de hallar las herramientas de optimización, debemos seleccionar la
más adecuada para garantizar su uso en situaciones futuras. Estas herramientas de
solución deberán ser de fácil acceso, manejo y entendimiento para los usuarios del
proceso, y se deberán utilizar a través de medios convencionales de computación, de tal
forma que no le ocasione a la empresa la erogación de costos en la adquisición de
nuevos softwares, para ello se debe buscar que estas herramientas puedan utilizarse con
herramientas computacionales en las cuales los usuarios del proceso estén
familiarizados, por esta razón el uso de Microsoft Office (Excel) será la opción a utilizar.

1.1.2 Herramienta de solución a utilizar

Después de realizar la revisión bibliográfica, que se muestra en el capítulo 2 “Pronósticos

e Investigación de operaciones”, se observa que dada la problemática actual que se tiene,
las herramientas de solución elegidas son el de elaborar pronósticos de la demanda y
hacer uso de la programación lineal de la investigación de operaciones.

El decidir utilizar la herramienta de pronósticos, radica principalmente en poder encontrar

un método efectivo que nos permita conocer la demanda para periodos posteriores en la
serie de tiempo, el método de pronóstico que se elija, deberá ser el que nos proporcione
el menor error con respecto a la demanda real. Los pronósticos cuantitativos de series de
tiempo, son los que nos ayudarán a resolver nuestro problema de planeación de la
demanda, esto por la cantidad y tipo de información con que se cuenta, para esto

22
deberemos probar cada método y de ahí elegir el que mejor cumpla con nuestro
requerimiento.

La regresión lineal, es también un tipo de pronóstico, pero para nuestra investigación, no

es de utilidad debido a que en la información obtenida no es posible identificar la
independencia y dependencia en las variables. Para los casos en que esta identificación
en las variables sea posible, la regresión lineal es un método sencillo y fácil de utilizar
para resolver los problemas de pronóstico para este tipo de condición en las variables.

El uso de la investigación de operaciones es una herramienta que se ha venido

desarrollando desde hace más de 50 años y se ha estado utilizando prácticamente para
resolver cualquier tipo de problemas. Este tipo de herramienta nos brinda la oportunidad
de reducir la incertidumbre en la toma de decisiones, además de poder tomarlas de
manera cuantitativa. Al tomar decisiones bajo ciertos parámetros o variables, éstos no
siempre permanecerán constantes, por tal motivo las decisiones alcanzadas bajo esos
parámetros tendrán que cambiar, la ventaja que se tiene al utilizar la investigación de
operaciones, es que los cambios en los parámetros o restricciones pueden ser
considerados sin la necesidad de crear todo un modelo matemático nuevo. Esto es
posible al utilizar el análisis de sensibilidad y el precio sombra, que se obtienen una vez
que se ha resuelto el modelo.

Hasta este momento, hemos mencionado las herramientas que utilizaremos, sin embargo
ambas herramientas son muy amplias, y no utilizaremos éstas en su totalidad, por la
problemática definida, los métodos de pronósticos a utilizar son los de series de tiempo
seleccionando el mejor método en base a lo mencionado anteriormente.

Este tipo de pronóstico son del tipo cuantitativo, también haremos uso en menor medida
de los métodos cualitativos, esto con la finalidad de ajustar los resultados obtenidos de
manera cuantitativa a las situaciones actuales, los métodos cualitativos en la mayoría de
las veces se utilizan para enriquecer los resultados obtenidos, de tal forma que se
aproveche la experiencia. Los métodos cualitativos también se utilizan en los casos en
donde no se cuente con información para hacer una planeación de la demanda, como por
ejemplo cuando se va a lanzar un nuevo producto al mercado, no se tienen datos

23
disponibles de datos históricos reales, entonces es cuando la experiencia toma principal
importancia y en base a esto es como se proyecta la demanda para periodos posteriores.

En relación a la investigación de operaciones, ésta tiene distintas formas de utilizarse, se

selecciona la parte de la herramienta en base al tipo de problema específico que se tenga,
de tal forma que en nuestro caso haremos uso de la programación lineal. A su vez, dentro
de la programación lineal, tenemos una serie de opciones que nos pueden ayudar en la
solución, entendido el problema a resolver y conociendo las características que tiene cada
una de las opciones de la programación lineal, es como se elige el tipo de modelo a
desarrollar.

Para nuestra investigación, lo que se busca es la optimización de recursos y la reducción

en los costos de distribución, para ello se tienen 5 posibles opciones con las cuales se
podría hallar la solución, sin embargo, por las características de funcionamiento del
método de transbordo, es en específico este tipo de herramienta la que utilizaremos por
adaptarse en mayor medida al tipo de problema que se tiene. Con esta herramienta
podremos evaluar la efectividad de las rutas de distribución y conoceremos los costos de
distribución actuales, así como el ahorro que se tendría al hacer cambios en las rutas.

El método de transporte también es una herramienta que se pudiera utilizar para resolver
este tipo de problemas, sin embargo una sola característica diferencía a este método con
respecto al método de transbordo, y esa diferencia es de que en el método de transporte,
solo se tienen orígenes y destinos, mientras que en el método de transbordo los nodos
que se tienen como destinos, también pueden utilizarse como nodos de origen, por esta
razón es porque el método de transbordo es la mejor opción.

Una de las preguntas que se tienen es el de conocer cual es la mejor opción de llegar a
un determinado cliente, hay dos opciones, abastecerlo directamente desde el almacén
central y otra es de abastecerlo pasando antes por un centro de distribución foráneo, el
seleccionar cualquiera de estas opciones tendrá una repercusión en costo, de ahí que la
optimización de los recursos retoma importancia al igual que el método de transbordo en
la solución de nuestro problema. Como se detalla con mayor amplitud en el desarrollo de
la investigación, es recomendable trazar una red donde se observen cuales y cuantos

24
son los nodos de origen y cuales los de destino, así como definir cuales nodos de destino
se utilizarán como origen a la vez. Aunado a esto, se tendrá que definir la capacidad de
los nodos de origen y la demanda de los nodos de destino, para el caso en el que un
mismo nodo es origen y destino, implica definir con mayor claridad cual será la capacidad
y demanda de ese o esos nodos en particular. En nuestra investigación, los nodos que se
utilizarán como destino y origen, son los centros de distribución foráneos.

Con el diagrama de red elaborado, es posible empezar a construir el modelo matemático,

sin embargo, juegan un papel importante el identificar, definir y seleccionar un correcto
tipo de restricciones. Se tienen tres tipos de restricciones, de demanda definida, de
recurso y de capacidad, es importante considerar todas las restricciones en tipo y
magnitud de tal forma de no exceder o mermar en la construcción del modelo.

Esta parte de la investigación se refleja en la segunda y tercer columna de nuestro

esquema de la figura 1.1, en donde se observa que una vez definida la problemática o
situación actual, lo que sigue es definir que utilizaremos para la solución del problema. Es
en esta parte donde inicia nuestro proceso de cambio, que es en iniciar la búsqueda de
que herramienta es la mejor, como aplicarla y sobre todo el comprobar su efectividad, una
sencilla utilización y entendimiento por parte de los usuarios.

La efectividad de las herramientas seleccionadas se tendrá en el momento en que se

vayan obteniendo los resultados esperados, así como en el aprendizaje que se tenga en
la utilización de éstas por parte de los usuarios, esto porque como dueños del proceso
tienen mayor oportunidad de detectar las áreas de oportunidad y tener la posibilidad de
modificar el uso de de las herramientas y saber cuando alguna de éstas ya no esté
proporcionando los resultados esperados.

1.1.3 Resultados esperados

Esta parte corresponde a la cuarta columna de nuestro diagrama de la figura 1.1, es la

parte final de nuestro proceso de cambio, al llegar a esta etapa las herramientas
seleccionadas han quedado implantadas y se ha establecido una nueva forma de trabajo
y se cuenta con un nuevo proceso de análisis de la información, en esta parte de la

25
investigación es donde los resultados esperados nos permitirán asegurar la efectividad de
las herramientas utilizadas.

Después de analizar y utilizar el mejor método de pronóstico cuantitativo de series de

tiempo y estando complementado con el uso de pronósticos cuantitativos, los primeros
resultados que se esperan es el de tener una mejora en la planeación de la operación de
distribución, esto una vez que se ha implantado el método de pronóstico a utilizar para los
siguientes periodos y obtener el error de pronóstico correspondiente a cada periodo con
respecto a la demanda real. El error de pronóstico obtenido no debe exceder los límites
de control establecidos en la señal de rastreo, esto será el principal indicador de que el
método de pronóstico sigue siendo el apropiado bajo las características propias de
utilización y funcionamiento.

Otro resultado que se espera es el de reducir la incertidumbre en la toma de decisiones

con respecto a la operación en distribución, ya que al obtener de manera más confiable
un pronóstico de cual será la demanda para los próximos periodos principalmente para el
último trimestre del año, se tendrá una mayor oportunidad de hacer nuevas negociaciones
con proveedores de transporte sin tener la misma incertidumbre acerca de la demanda
real que se tendría para esa temporada de ventas.

Con estos resultados también se haría una planeación de los recursos a utilizarse,
principalmente para la contratación del personal de apoyo para la temporada alta de
ventas, así como un estimado de la demanda que se tendrá en los principales destinos y
tener una programación de los centros de distribución foráneos. Se espera que al obtener
estos resultados, los usuarios del proceso tengan una mayor confianza y hacer uso de
este tipo de herramientas para la solución de otro tipo de problemas que estén afectando
una correcta planeación de la operación en distribución.

Al utilizar el método de transbordo se espera conocer el costo de distribución que se

tendría al hacer determinados cambios en la forma de distribuir el producto a los clientes
mayoristas, ya sea a través de un centro de distribución foráneo o bien desde el almacén
central. También se espera conocer cual sería de manera cuantitativa la optimización de
los recursos, se conocería si los centros foráneos son los más indicados o no para

26
abastecer a los clientes mayoristas. Para el abastecimiento de la ciudad de La Paz,
BCS., se conocería que almacén es el que deberá suministrar la demanda de esta ciudad,
es posible que después de solucionar el modelo matemático de programación lineal, se
tenga como resultado el que se tenga que utilizar una determinada ruta que implique
erogar un costo de distribución mayor al que actualmente se tiene, para esto deberemos
recordar que lo que se busca es la optimización de recursos, condicionando la función
objetivo de nuestro modelo a minimizar los costos de distribución en base a las variables
de decisión que se definan con sus respectivos coeficientes de contribución.

Con esta optimización, los centros foráneos ya no tendrán desabasto constante de su

stock, por lo que el área de ventas tendría la posibilidad de cubrir roturas de stock con
mayor prontitud en las tiendas de autoservicios principalmente. La rotura de stock es un
término que se utiliza cuando un determinado artículo se agota en la tienda y no existe
ninguna cantidad en tránsito, es entonces cuando el proveedor debe cubrir cierta cantidad
de ese artículo de tal forma que soporte la demanda hasta que llegue el nuevo pedido,
esto puede llevar días dependiendo de la ubicación de los clientes, por ello el optimizar
los centros foráneos por este tipo de circunstancias.

Una vez resuelto el modelo, los resultados que se obtengan deberán ser analizados con
la gente de ventas para que de ser necesario hagan el aviso a los respectivos clientes
para informarles de los cambios que se tendrán acerca del almacén responsable de cubrir
su demanda. También será necesario el hacer algunas modificaciones a las restricciones
de cada nodo con la finalidad de contemplar las variantes correspondientes a las
situaciones actuales o futuras del mercado, y evaluar los posibles resultados que se
tuvieran al presentarse alguna situación que implique el tener que considerar el cambio de
magnitud en alguna restricción.

Es de esperarse que el servicio para los clientes del interior se mejore dado que los
tiempos de respuesta se reducirán, los centros de distribución foráneos también tendrán
una mejor operación dado que con los pronósticos, los centros tendrán una mejor
planeación y solicitar con tiempo debido el abastecimiento para la demanda de los
clientes que cada uno le corresponda.

27
Al conocer cuales serán las rutas que deberemos utilizar para la distribución y la
respectiva cantidad de cajas que se deberán de distribuir a través de cada una de éstas,
la negociación con los proveedores de transporte se puede realizar con una mejor
exactitud, ya que estaremos en la posibilidad de ofrecerles una oferta atractiva de trabajo
con lo cual se podría conseguir una mejor cotización en los servicios que se requieran,
con esto también el área de ventas tendrá una mejor posición de ofrecer tiempos de
entrega al tratarse de nuevos negocios o de alguna situación en particular que requiera,
ya que conocerá que almacén es el más indicado o el más próximo para atender
situaciones no previstas o bien algún pedido que por magnitud y/o compromiso deba
abastecerse de manera inmediata.

1.1.4 Resultados finales

Esto está representado en la quinta columna (de izquierda a derecha) en nuestro

esquema de la figura 1.1, esta es la etapa final del trabajo de investigación, lo que
significa que hemos alcanzado el estado deseado que se planteó al inicio del proceso de
cambio, en esta etapa es donde se tienen los resultados finales y ya están en
funcionamiento las herramientas seleccionadas con anterioridad. En esta etapa final es
donde se han adecuado los resultados obtenidos a las situaciones actuales de mercado y
se estarán monitoreando los errores de pronóstico de tal forma de no exceder los límites
de control establecidos en la señal de rastreo.

La planeación de la operación empieza a realizarse desde principios de cada mes

conociendo con debida anticipación la cantidad de recursos a utilizar así como de conocer
el comportamiento de la demanda a lo largo del mes, del tal forma que al tener un atraso
por parte del área de ventas, distribución está en la posibilidad de monitorear la demanda
que se esté acumulando para trazar los planes correspondientes de contingencia para
hacer frente al final del mes.

Es decir, al realizar los pronósticos de periodos futuros, conocemos la demanda a

distribuirse en el mes, sin embargo, no se puede determinar hasta este momento la
distribución de dicha demanda durante todo el periodo, puede ser que por necesidades
del área de ventas, la mayor parte de esa demanda pronosticada, sea distribuida en la

28
última semana del mes por así convenir también al cliente en cuestión de impuestos, es
por esta razón que distribución al conocer de manera anticipada la demanda total de
determinado periodo, podrá trazar planes de trabajo en caso de que la demanda de cajas
a distribuirse se acumule hacía la parte final de cada mes. A últimas fechas este tipo de
política de ventas es cada vez más constante, por lo que el planear correctamente la
demanda es de gran utilidad para una correcta planeación de la operación en distribución.

Resuelto el modelo matemático de programación lineal, conocemos las rutas que

deberemos utilizar para conseguir el mayor ahorro en los costos de distribución, es decir,
estamos optimizando las rutas de transporte, con esto habrá rutas que deberán de
dejarse de utilizar por no contribuir a la optimización de recursos. Con estos resultados
obtenidos, se puede ayudar al área de ventas en el caso de que haya un cliente nuevo
conocer de manera adecuada cual sería el medio de abastecimiento sin temor a que esta
decisión no esté bien tomada.

La solución del modelo, deberá ser combinada con los pronósticos de tal forma que al
conocer la demanda, se utilicen los mismos datos para conocer el costo de distribución
correspondiente a través de las rutas establecidas. Por su parte el área de ventas
conocerá de manera más certera que centro foráneo será el encargado de abastecer a
determinados clientes. Los nuevos costos de distribución que se obtengan deberán
compararse con periodos pasados (con la misma o similar demanda) para comprobar en
términos monetarios la correcta aplicación y selección de las nuevas rutas.

29
 Capítulo 2
Pronósticos e investigación de operaciones

Introducción

Los pronósticos y la forma de pronosticar forman parte de nuestra vida cotidiana, nos
interesa saber el comportamiento del clima, los niveles de contaminación, tipos de cambio
y situaciones económicas principalmente. Todo esto genera en nosotros situaciones de
incertidumbre, la cual en muchas ocasiones es motivo para no tomar determinadas
decisiones, no llevar a cabo una adecuada planeación de nuestras actividades, o bien
dejar de hacerlas por la incertidumbre que se tiene y el temor a equivocarse.

El hacer uso correcto de los diferentes métodos de pronósticos es una herramienta que
permite disipar la incertidumbre y basándonos en hechos históricos poder predecir que
comportamiento se tendrá. En base a los comportamientos históricos es como se elige el
mejor método de pronóstico, mismo que se espera simule el comportamiento del pasado
para determinar el comportamiento del futuro próximo. Se tienen pronósticos cualitativos
y cuantitativos, los primeros se basan principalmente en la experiencia de los expertos y
en situaciones subjetivas, mientras que los cuantitativos se basan en un análisis detallado
de la información disponible, los pronósticos cuantitativos tienen mayor relevancia en la
medida en que se disponga de una gran cantidad de datos.

Los pronósticos cualitativos toman importancia para pronosticar al momento de no contar

con información, por ejemplo, cuando se va a lanzar un nuevo producto o una promoción
de mercadotecnia, no existen datos históricos que ayuden a formular un pronóstico, sin
embargo con la experiencia del personal es posible determinar cual será la situación que
se tendrá.

Parte fundamental de la elección del mejor método de pronóstico, se tiene en la

recopilación de la información, el pronóstico se basará en la información disponible y si
ésta está errónea, entonces el pronóstico tendrá deficiencias, por lo que un papel principal
del pronosticador es el saber recopilar y procesar la información disponible a fin de que
esto no sea causa de una elección equívoca del método de pronóstico. Una vez que se

30
tiene elegido el método a utilizar, éste debe ser comprendido por la gerencia para que el
manejo se facilite y se interpreten correctamente los resultados, el hallar un modelo de
pronóstico no es en si toda la solución, el administrador debe de tener la capacidad para
adaptar este pronóstico a las situaciones actuales de mercado para obtener mejores
resultados, es decir, un pronóstico cuantitativo puede ser complementado con un
pronóstico cualitativo.

La investigación de operaciones tiene sus inicios prácticamente en la segunda guerra

mundial y desde entonces al igual que otras ciencias ha venido evolucionando en la
medida que cada día es más utilizada para la solución de problemas de diferente índole,
la computación ha jugado un papel importante en la investigación de operaciones al
proporcionar herramientas que ayudan a resolver los problemas de manera más ágil y
tener la opción de resolver problemas con gran magnitud de variables que la solución
manual implicaría más tiempo en la solución.

Tomar decisiones de manera cuantitativa es una de las principales funciones de la

investigación de operaciones, el manejar esta técnica en ocasiones es algo complejo ya
que se requiere de una habilidad matemática así como de habilidad para manejar la
información para poder construir de manera apropiada un modelo matemático que
solucione el problema en cuestión. La facilidad para el manejo de esta técnica consiste
en desarrollar la práctica de entender el problema en cuestión y poderlo llevar a un
modelo matemático, la correcta construcción del modelo es lo más importante, ya que la
solución puede realizarse a través de paquetes computacionales sencillos y
convencionales, es importante también el comprender el problema ya que de esto
depende el seleccionar alguna aplicación de la investigación de operaciones para
solucionarlo. La definición de las variables y restricciones forman parte esencial de la
construcción del modelo, es decir, la solución del modelo depende en gran medida de
como fue construido.

2.1 Pronósticos

David R. Hampton menciona que los buenos pronósticos permiten a los gerentes prestar
un mejor servicio a los clientes y aprovechar mejor sus instalaciones. Todas las

31
compañías deberían tratar de pronosticar la demanda de su sistema de producción, pero
algunas no lo hacen de modo objetivo. Suponen automáticamente que lo que sucedió en
el pasado seguirá ocurriendo en el futuro, no se trata de una buena planeación de los
negocios, en especial si se sabe que habrá cambios más adelante1.

En la generalidad de los casos se necesitan pronósticos exclusivamente para los

productos terminados cuya demanda no es segura. Esta condición elimina la necesidad
de que una firma manufacturera realice pronósticos sobre las partes, componentes y
unidades que constituyen esos productos. Su demanda está determinada firmemente por
las necesidades del artículo final y sería sencillo el calcularlo.

Hampton, menciona algunas de las metodologías más conocidas del pronóstico, en donde
la mayor parte de éstas se basan en alguna clase de base de datos que suele
conservarse en la computadora de la empresa, los métodos de pronóstico se muestran en
la tabla 2.1. Se comenta también que el método más apropiado que debe aplicarse en
una situación dada depende de lo siguiente2:

1. La finalidad para la cual se utiliza el pronóstico.

2. El horizonte de tiempo que va a ser pronosticado.
3. La base de datos de que se dispone.

Los métodos más refinados como los modelos econométricos y las encuestas de
mercados, pueden costar mucho más que los métodos simples de juicio y las técnicas
estadísticas básicas. La opinión, la analogía y las encuestas de mercados son útiles en
las primeras etapas del ciclo de vida de un producto. A medida que se cuente con más
datos sobre la demanda, podrán irse aplicando los métodos más cuantitativos.

Un buen pronóstico es un punto de partida indispensable, pues sin él no pueden iniciarse

actividades de planeación de la producción, lo que deriva que el plan maestro de la
producción se vea afectado y se retrasen algunas actividades. Sin un buen pronóstico de

1
Hampton David R., Administración, McGraw Hill, 3a ed. pp 704-705
2
Ibíd., p 705

32
la demanda de producto terminado sería difícil planear las actividades del área de
distribución.

Método Descripción
Opinión Juicio subjetivo simple de administración

Analogía histórica Comparación con el ciclo de vida de un producto semejante

Delphi Preguntas a un grupo de expertos
Encuestas de mercado Cuestionarios y encuestas entre consumidores

Series de tiempo Identificación de la tendencia y los efectos estacionales del pasado

Suavización exponencial Empleo de un promedio exponencialmente ponderado y en movimiento

Regresión y correlación Ecuaciones de variables asociativas con mínimos cuadrados

Econométricos Series independientes de ecuaciones de regresión

Tabla 2.1 Métodos de pronósticos

Por su parte Lee J. Krajewski recomienda que antes de usar las técnicas de pronósticos
para el análisis de problemas de administración de operaciones, la administración tiene
que tomar tres decisiones que implican lo siguiente3:

1. Que va a pronosticar.
2. Que tipo de técnica de pronóstico va a aplicar.
3. Que tipo de hardware o software utilizará.

La primer decisión de que se va a pronosticar, a pesar de que en realidad se necesita

algún tipo de estimación de la demanda para los bienes y servicios individuales que una
compañía produce, puede ser más sencillo pronosticar la demanda total para grupos o
conjuntos y derivar después los pronósticos correspondientes a productos o servicios
individuales. Además, la selección de la unidad de medición apropiada para efectuar los
pronósticos es tan importante como la habilidad para escoger el mejor método.
3
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a ed,
2000. p, 496

33
Pocas compañías se equivocan en más del 5% en sus pronósticos de la demanda total de
todos sus productos. En cambio, la proporción de errores en los pronósticos elaborados
para elementos individuales puede ser más alta. Al agrupar varios productos o servicios
similares, en un proceso llamado acumulación, las compañías tienen la posibilidad de
realizar pronósticos más precisos.

Los pronósticos más útiles para la resolución de problemas de planificación y el análisis

de operaciones no son los que se basan en unidades monetarias, sino en unidades de
productos o servicios. Los pronósticos de ingresos sobre ventas no son muy útiles porque
los precios fluctúan con frecuencia. Si no es posible pronosticar con precisión el número
de unidades de la demanda para un producto o servicio, muchas veces resulta preferible
pronosticar las horas estándar de mano de obra o de máquina requeridas a cada uno de
los recursos críticos, basándose en patrones históricos.

La segunda decisión de selección del tipo de técnica de pronóstico, el objetivo del

pronosticador es elaborar un pronóstico útil a partir de la información disponible, aplicando
la técnica que resulte apropiada para las diferentes características de la demanda. Para
los pronósticos de la demanda se usan dos tipos generales de técnicas: métodos
cualitativos y métodos cuantitativos, más adelante haremos la diferencia entre ambos.

La tercera decisión de pronósticos por medio de computadoras, en muchas aplicaciones

de los pronósticos a corto plazo, las computadoras son indispensables, con frecuencia,
las empresas tienen que preparar pronósticos para cientos o incluso miles de productos o
servicios en forma reiterada.

Todos los procedimientos formales de pronóstico comprenden la extensión de las

experiencias del pasado al futuro incierto. De ahí la suposición de que las condiciones
que generaron los datos anteriores son indistinguibles de las condiciones futuras, con
excepción de aquellas variables reconocidas de manera explícita por el modelo de
pronóstico, considerando que la suposición de pasado y futuro indistinguibles no se
cumple, resultarán pronósticos imprecisos, a menos que se modifiquen a juicio de quien
pronostica.

34
Hanke John menciona que la aceptación de que las técnicas de pronóstico funcionan
sobre datos generados en sucesos históricos pasados conduce a la identificación de
cuatro pasos en el proceso del pronóstico4, los cuales son los siguientes:

1. Recopilación de datos.
2. Reducción o condensación de datos
3. Construcción del modelo
4. Extrapolación del modelo (el pronóstico en sí)

El primer paso sugiere la importancia de obtener los datos adecuados y asegurarse que
son correctos, con frecuencia este paso es el mayor reto de todo el proceso de pronóstico
y el más difícil de controlar, ya que los pasos siguientes se efectúan sobre los datos, sean
o no relevantes para el problema en cuestión.

El paso dos, la reducción de datos con frecuencia es necesaria ya que en el proceso de

pronóstico es posible tener muchos o pocos datos. Algunos datos pueden no ser
pertinentes al problema, por lo que reducirían la precisión del pronóstico, otros datos
pueden ser los adecuados, pero sólo en ciertos periodos históricos.

El paso tres, la construcción del modelo, implica el ajustar los datos reunidos en un
modelo de pronóstico que sea el adecuado para minimizar el error en el pronóstico, entre
más sencillo sea el modelo, será mejor para lograr la aceptación del proceso por parte de
los administradores que toman las decisiones en la empresa.

El paso cuatro consiste en la extrapolación en sí del modelo de pronóstico, lo cual ocurre

una vez que se recolectaron y tal vez redujeron, los datos adecuados y que se seleccionó
un modelo de pronóstico apropiado. Es común que quien realizó el pronóstico revise la
precisión del proceso mediante el pronóstico de periodos recientes de los que se conocen
los valores históricos reales, es entonces cuando se observan los errores de pronóstico y
se resumen de algún modo.
4
Hanke John, Reitsch Arthur, Pronósticos en los negocios, Prentice Hall, 5a ed, p 6

35
Ciertos procedimientos de pronóstico suman los valores absolutos de los errores y
pueden reportar esta suma, o dividirla entre el número de intentos de pronóstico para
obtener el error de pronóstico promedio. Otros procedimientos obtienen la suma de
cuadrados de los errores, que se compara luego con cifras similares de métodos de
pronóstico alternativos. Algunos procedimientos también rastrean y reportan la magnitud
de los términos de error sobre el periodo de pronóstico. El examen de los patrones de
error conduce con frecuencia al analista a la modificación del procedimiento de
pronóstico, el cual genera después pronósticos más precisos5.

Como el movimiento de recursos y el poder dentro de la organización se basa a menudo

en el rumbo que se percibe del futuro (pronósticos), no es de sorprender que haya una
cierta cantidad de intriga alrededor del proceso de pronóstico. Esta consideración
subraya la importancia de la segunda regla primaria: los pronósticos generados dentro de
la empresa deben ser entendidos y apreciados por quienes toman las decisiones, de
manera que encuentren su vía en la administración de la empresa6.

Se tiene que los pronósticos se clasifican principalmente en cuantitativos y cualitativos

para nuestro caso de estudio, revisaremos primero la clasificación cuantitativa y
posteriormente la cualitativa.

2.1.1 Pronósticos cuantitativos

G. D. Eppen menciona que los modelos de pronósticos cuantitativos poseen dos

importantes y atractivas características, las cuales son7:

1. Están expresados en notación matemática, por lo tanto, establecen un registro,

carente de toda ambigüedad, sobre como se prepara el pronóstico. Esto es un
excelente vehículo para una comunicación clara sobre el pronóstico entre aquellos a
quienes concierne. Aún más, proporcionan la oportunidad de una modificación y
5
Ibíd., p 7
6
op. Cit. P 11
7
Eppen, Gould, Investigación de operaciones, en la ciencia administrativa, Prentice Hall, 5a ed, p 607

36
 mejoría sistemáticas de la técnica de pronóstico. En un modelo cuantitativo se
pueden modificar los coeficientes y/o agregar términos hasta que el modelo de buenos
resultados.

2. Usando hojas de cálculo y computadoras, los modelos cuantitativos pueden basarse

en una increíble cantidad de datos. Sin modelos cuantitativos y computadoras no
podrían construirse sistemas de control de inventarios para literalmente miles de
artículos que requieren pronósticos que deben actualizarse cada mes.

Los pronósticos cuantitativos tienen dos clasificaciones, pronósticos causales y

pronósticos de series de tiempo, primero analizaremos los pronósticos causales y
después los de series de tiempo, ya que para nuestro caso de estudio utilizaremos las
series de tiempo y se decidió dar mayor referencia a esta clasificación de los pronósticos
cuantitativos.

2.1.1.1 Pronósticos causales

Lee J. Krajewski explica que los métodos causales se emplean cuando se dispone de
datos históricos y la relación entre el factor que se intenta pronosticar y otros factores
internos o externos pueden identificarse8. Las relaciones de este tipo se expresan en
términos matemáticos y suelen ser muy complejas. Los métodos causales proveen
instrumentos de pronósticos más refinados y son excelentes para prever los puntos de
flexión de la demanda y para la elaboración de pronósticos a largo plazo, aunque existen
muchos métodos causales, el de mayor uso es la regresión lineal.

Para Frederick S. Hillier, el pronóstico causal obtiene un pronóstico de la cantidad de

interés (la variable dependiente) al relacionarse en forma directa con una o más
cantidades (las variables independientes) que determinan la cantidad del interés 9.
8
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a ed,
2000, p 503

9
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, p 660

37
Además refiere que cuando se hace un pronóstico causal con una sola variable
independiente, la regresión lineal incluye aproximar la relación entre la variable
independiente y dependiente mediante una línea recta. Esta recta se traza en una gráfica
con la variable independiente en el eje horizontal y la variable dependiente en el eje
vertical, la recta se construye después de graficar los puntos que muestran cada valor
observado de la variable independiente y el valor correspondiente de la variable
dependiente.

Por su parte G. D. Eppen menciona que en un pronóstico causal, el pronóstico de la

cantidad que nos interesa va montada sobre otra cantidad o conjunto de cantidades. En
otras palabras, el conocimiento del valor de una variable (o quizás de algunas variables)
permite pronosticar el valor de otra variable. También comenta que para utilizar un
modelo de pronóstico causal, se deben cumplir las siguientes dos condiciones10:

 Debe haber una relación entre los valores de las variables independiente y
dependiente, de forma que la primera proporcione información sobre la segunda.

 Los valores de las variables independientes deben ser conocidos y estar

disponibles para quien hace el pronóstico en el momento en que éste deba
hacerse.

Un modelo de pronóstico causal utiliza una o más variables independientes para

pronosticar el valor de una variable dependiente o de respuesta. Este modelo a menudo
se elabora ajustando una curva al conjunto de datos existentes y después utilizando esta
curva para determinar la respuesta asociada con nuevos valores de la(s) variable(s)
independiente(s), el método de mínimos cuadrados es un método particularmente útil para
ajustar una curva11.

En la regresión lineal, una variable, conocida como variable dependiente, está relacionada
con una o más variables independientes por medio de una ecuación lineal. La variable

10
Eppen, Gould, Investigación de operaciones, en la ciencia administrativa, Prentice Hall, 5a ed, p 607

11
Ibíd., p 619

38
dependiente es la que se desea pronosticar. Se supone que las variables independientes
influyen en la variable dependiente y, por ende, son la causa de los resultados observados
en el pasado. En términos técnicos, la línea de regresión minimiza las desviaciones al
cuadrado de los datos reales12.

En los modelos de regresión lineal más sencillos, la variable dependiente es función de

una sola variable independiente y, por lo tanto, la relación teórica es una línea recta:

Y = a + bX

En donde:

Y = variable dependiente
X = variable independiente
a = intersección de la recta con el eje Y
b = pendiente de la recta

La ecuación de la recta, se representa en la figura 2.1

El objetivo del análisis de regresión lineal consiste en encontrar los valores de a y b que
minimicen la suma de las desviaciones al cuadrado de los puntos de la línea representada
en la gráfica que corresponde a los datos reales.

El coeficiente de correlación de la muestra, r, mide la dirección y la fuerza (intensidad) de

la relación entre la variable independiente y la variable dependiente. Los valores de r
pueden fluctuar entre –1.00 y +1.00. cuando r tiene valor de cero, significa que no existe
relación alguna entre las variables, cuanto más se aproxime el valor de r a +-1.00, tanto
más adecuado será el ajuste de la línea de regresión con respecto a los puntos de la
gráfica13.

12
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a ed,
2000, p 503

13
Ibíd., p 504

39
 Fig. 2.1 La recta de regresión lineal

El coeficiente de determinación de una muestra mide la cantidad de variación que

presenta la variable dependiente con respecto a su valor medio, que se explica por medio
de la línea de regresión. El coeficiente de determinación es igual al cuadrado del
coeficiente de correlación, es decir, r2. El valor de r2 oscila entre 0.00 y 1.00. Las
2
ecuaciones de regresión, cuyo valor de r se aproxima a 1.00, son deseables porque eso
significa que las variaciones de la variable dependiente y del pronóstico generado por la
ecuación de regresión se encuentran estrechamente relacionados14.

G. D. Eppen menciona que la gente que hace estadísticas gusta de hablar de las tres
diferentes sumas de errores, suma total de los cuadrados (STC), suma de los errores
cuadrados (SEC) y la suma de regresión de los cuadrados (SRC). La SEC es la cantidad
que se intenta minimizar con la herramienta de la regresión. La relación entre este tipo de
errores es la siguiente15:

STC SEC  SRC

14
op. cit., p 505
15
Eppen, Gould, Investigación de operaciones, en la ciencia administrativa, Prentice Hall, 5a ed, pp 612-613

40
 n
STC   Yi  Y  2
i 1

n
 Yi  Yˆ 
2
SEC 
i 1

n
SRC   Yˆi  Y  2
i 1

La cantidad SRC es efectivamente la cantidad de variación total original (STC) que se

elimina utilizando la línea de regresión. El coeficiente de determinación explicado
anteriormente, Eppen dice que otra manera de obtenerlo es la siguiente:

SCR
R2 
STC

En una línea de regresión perfectamente ajustada (SEC=0), se observa que SRC=STC y

que R2 = 1.00 (su valor máximo).

El análisis de regresión puede ser una guía útil para tomar decisiones importantes en
materia de operaciones, como la de administración de inventarios, planificación de la
capacidad y administración de procesos. Frecuentemente, más de una variable
independiente puede influir en la variable dependiente. En esos casos, el análisis de
regresión múltiple ayuda a plantear una ecuación una ecuación de pronóstico para la
variable dependiente, en función de múltiples variables independientes16. El análisis de
regresión múltiple es relativamente costoso por la gran cantidad de datos y análisis
ulteriores que implica. A pesar de esto, los modelos de análisis de regresión lineal son
muy útiles para prever la incidencia de puntos de flexión y para resolver muchos
problemas de planificación.

2.1.1.2 Pronósticos de series de tiempo

16
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a ed,
2000, p 506

41
En lugar de emplear variables independientes para el pronóstico, como en los modelos de
regresión, los métodos con series de tiempo usan información histórica que solo se refiere
a la variable dependiente. Estos métodos están basados en la suposición de que el
patrón de la variable dependiente en el pasado habrá de continuar en el futuro.

En el análisis de las series de tiempo se identifican los patrones fundamentales que se

combinan entre si para generar el patrón histórico observado en la variable dependiente,
después de lo cual se elabora un modelo capaz de reproducir dicho patrón.

Para G. D. Eppen los modelos de pronóstico con series de tiempo, son modelos que
producen pronósticos mediante la extrapolación del comportamiento histórico de valores
de una sola variable particular de interés17. Los modelos de series de tiempo utilizan una
técnica para extrapolar el comportamiento histórico hacia el futuro, los datos en la serie de
tiempo son datos históricos en orden cronológico, con un solo valor por periodo.

Frederick S. Hillier expone18: “en realidad es un tanto erróneo hablar de pronosticar el

valor de la siguiente observación en una serie de tiempo, es imposible predecir con
precisión el valor, porque este siguiente valor puede ser cualquiera en un intervalo. El
valor que sea dependerá de circunstancias futuras fuera de nuestro control”.

Es decir, el siguiente valor que ocurrirá en una serie de tiempo es una variable aleatoria,
tiene una distribución de probabilidad, dicha distribución indicaría la relativa posibilidad de
los diversos valores de la demanda, por esta razón nadie puede decir por adelantado que
valor ocurrirá en realidad.

Es conveniente realizar el siguiente planteamiento: ¿entonces cual es el significado del

número individual seleccionado como el “pronóstico” del siguiente valor en la serie de
tiempo?, si es posible, se querría que este número fuera la media de la distribución. La
razón es que las observaciones aleatorias de la distribución tienen a amontonarse

17
Eppen, Gould, Investigación de operaciones, en la ciencia administrativa, Prentice Hall, 5a ed, p 620

18
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, p 656

42
alrededor de la media de la distribución. Por lo tanto, usar la media como pronóstico
equivale a minimizar el error promedio de pronóstico.

Por desgracia, en realidad no se sabe cuál es la distribución de probabilidad, no se diga

su media. Lo mejor que puede hacerse es usar todos los datos disponibles (valores
históricos de la serie de tiempo) para estimar la media lo más cerca posible.

Hillier comenta19, el objetivo de los métodos de pronósticos de las series de tiempo es

estimar la media de la distribución de probabilidad fundamental del siguiente valor de la
serie de tiempo lo más cerca posible. Dadas algunas observaciones aleatorias de una
sola distribución de probabilidad, la mejor estimación de su media es el promedio muestral
(el promedio de todas las observaciones). Por lo tanto, si una serie de tiempo tiene
exactamente la misma distribución para todos y cada uno de los periodos, entonces el
método de pronósticos del promedio proporciona la mejor estimación de la media. Sin
embargo suelen usarse otros métodos de pronósticos porque la distribución puede
cambiar con el tiempo.

Siempre que se tengan valores para una variable de interés específica (una sola), que
pueda ser trazada en función del tiempo, estos valores a menudo se conocen como series
de tiempo, y cualquier método utilizado para analizar y extrapolar dichas series en el
futuro entra en una categoría general llamada análisis de serie de tiempo20. Ésta es
actualmente un área de investigación muy activa en estadística y ciencias de la
administración.
Para los diferentes métodos de pronóstico de series de tiempo, las aplicaciones de éstos
son las siguientes:

 Método de último valor: es adecuado para una serie de tiempo que es tan
inestable que incluso el penúltimo valor no se considera significativo para
pronosticar el siguiente valor.

19
Ibíd., p 657
20
Eppen, Gould, Investigación de operaciones, en la ciencia administrativa, Prentice Hall, 5a ed, p 620

43
  Método del promedio: es apropiado para una serie de tiempo muy estable donde
incluso sus primeros valores se consideran significativos para pronosticar el
siguiente valor.

 Método de promedios móviles: es apropiado para una serie de tiempo

moderadamente estable donde algunos de los últimos valores se consideran
significativos para el pronóstico del siguiente valor. El número de valores incluido
en el promedio móvil refleja el grado de estabilidad anticipada en la serie de
tiempo.

 Método de suavizado exponencial: es adecuado para una serie de tiempo entre

algo inestable a más bien estable, donde se necesita ajustar el valor de la
constante de suavizado para que refleje el grado de estabilidad anticipada. Mejora
el método de promedios móviles asignando el mayor peso a los valores mas
recientes, pero los gerentes no lo entienden tan rápido como el método de
promedios móviles.

 Método de suavizado exponencial con tendencia: es adecuado para una serie de

tiempo donde la media de la distribución tiene una tendencia hacia arriba o hacia
abajo, siempre y cuando los cambios en la tendencia sólo ocurran ocasional y
gradualmente.

Es necesario analizar los patrones de demanda históricos para utilizar un mejor método
de pronóstico, para ello se muestran los patrones de demanda que Lee J. Krajewski
considera como los más frecuentes21:

Figura 2.2 Patrón horizontal: cúmulo de datos en torno a una línea horizontal.

21
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a ed,
2000, p 494

44
 Cantidad
Tiempo

Cantidad

Tiempo

Figura 2.3 Patrón de tendencia: los datos aumentan o disminuyen de manera constante.

Año 1
Cantidad

Año 2

E FM A M J J A S O N D
Tiempo

Figura 2.4 Patrón estacional: los datos muestran crestas y valles de manera consistente.
Cantidad

Tiempo
45
 Figura 2.5 Patrón cíclico: los datos revelan incrementos y decrementos graduales en el
curso de largos periodos de tiempo.

2.1.2 Pronósticos cualitativos

Los modelos cualitativos son una fuente importante de información, los administradores
antes de tomar una decisión deben tomar en consideración una amplia variedad de
fuentes de datos. Incluso cuando hay disponibilidad de buenos datos, algunos gerentes
prefieren los métodos subjetivos o cualitativos en lugar de los métodos estadísticos
formales.

Cuando se carece de datos históricos adecuados, como en los casos en los que se
presenta un nuevo producto o se espera un cambio en la tecnología, las empresas suelen
confiar en la experiencia y en el buen juicio administrativo para generar pronósticos. Los
métodos basados en el juicio suelen usarse para modificar pronósticos generados
mediante métodos cuantitativos22.

Los pronósticos cualitativos que se usan con mayor frecuencia en la actualidad son los
siguientes:

Opinión ejecutiva

Es un método de pronóstico en el cual se hace un resumen de las opiniones, la

experiencia y los conocimientos técnicos de uno o varios gerentes, para llegar a un solo
pronóstico, este método de pronóstico suele usarse para elaborar pronósticos
tecnológicos. Este método puede ser caro por la absorción de tiempo de personal
ejecutivo , la opinión ejecutiva es muy justificable aunque en ocasiones queda fuera de
control.

22
Ibíd., pp 500-505

46
Para Hillier este es el más informal de los métodos ya que en algunos casos puede haber
datos para emitir un juicio, en otros solamente la experiencia y conocimiento de las
condiciones actuales23.

Fuerza de ventas

Cada vendedor estima lo que van a ser las ventas en su región, después estas
estimaciones se envían al mando corporativo con la revisión gerencial en cada nivel. La
fuerza de ventas tiene mayor probabilidad de conocer mejor los productos o servicios que
los clientes comprarán, a su vez este método tiene la principal desventaja de que el
vendedor subestime el pronóstico solo para cumplir con el nivel mínimo de venta.

Investigación de mercado

El objetivo es hacer predicciones sobre el tamaño y estructura del marcado de bienes y/o
servicios, estas predicciones (pronósticos) están basadas por lo general en pequeñas
muestras y son cualitativas en el sentido de que los datos originales generalmente
consisten en evaluaciones subjetivas por parte de los clientes. La investigación de
mercados es una actividad importante en la mayoría de las empresas fabricantes de
productos a clientes.

Este método puede utilizarse para pronosticar la demanda a corto, mediano y largo plazo,
consiste en un enfoque sistemático para determinar el grado de interés del consumidor
por un producto o servicio, mediante la creación y puesta a prueba de diversas hipótesis
por medio de encuestas encaminadas a la recopilación de datos.

Método Delphi

23
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, p 666

47
Es un proceso para obtener el consenso dentro de un grupo de expertos, al tiempo que se
respeta el anonimato de sus integrantes, esta forma de pronóstico es útil cuando no
existen datos históricos sobre los cuales puedan desarrollarse modelos estadísticos y
cuando la administración de la empresa no tiene experiencia en la cual fundamentar
proyecciones bien informadas.

El objetivo es lograr conclusiones con diferencias relativamente pequeñas de la mayoría

de los expertos, este proceso se usa en general solo a los niveles más altos de una
compañía o del gobierno para desarrollar pronósticos a largo plazo de tendencias burdas.

2.2 Investigación de operaciones

La ciencia de la administración se basa en la filosofía de que una gran parte de la toma de

decisiones consiste en: A) Identificar y analizar problemas cuantificables, B) Comprender
la relación entre los factores interrelacionados, C) Aislar los factores sobre los cuales tiene
el control quien toma las decisiones. El objetivo de la ciencia de la administración es
proporcionar procesos y procedimientos que ayuden a resolver problemas.

Algunas actividades exitosas han incluido el estudio de problemas logísticos complejos, el

desarrollo de patrones de vuelo, la planeación de maniobras navales y utilización efectiva
de recursos militares. Sin embargo, los conceptos e ideas de la investigación de
operaciones comenzaron a aplicarse a la industria hasta la década de 1950, cuando
estuvieron disponibles las computadoras. Una de las técnicas matemáticas de más
amplia aceptación es el método símplex de la programación lineal que fue desarrollado en
1947. Esta técnica en particular ha tenido amplias aplicaciones a muchos problemas
operativos y es la base para muchas otras técnicas matemáticas, como la programación
de metas y la programación entera.

En consecuencia, los grupos formales de asesoría de investigación de operaciones

comenzaron a aparecer en las organizaciones industriales y en las operaciones
gubernamentales hasta finales de la década de 1960. El desarrollo de sistemas
computarizados de tiempo compartido ha ayudado al área de implante al permitir que

48
quienes toman las decisiones interactúen en forma directa con los modelos de la ciencia
de la administración.

En cualquier sector, unas de las principales funciones de un administrador es resolver

problemas, la construcción de modelos permite analizar y estudiar problemas, así como
también examinar diferentes alternativas. Es evidente que la elaboración de modelos
(mentales, a escala y matemáticos) en la ciencia de la administración implica algo más
que el desarrollo de relaciones abstractas o funciones entre variables.

La Investigación de Operaciones la podríamos definir como la utilización de un método

planeado y de un grupo interdisciplinario a fin de representar las relaciones funcionales
complejas como modelos matemáticos para proporcionar una base cuantitativa en la toma
de decisiones y descubrir nuevos problemas para su análisis cuantitativo.

El éxito de la investigación de operaciones consiste en la observación, que se usa para

identificar problemas. Un modelo es una representación o abstracción de una situación u
objeto reales, que muestra las relaciones (directas e indirectas) y las interrelaciones de la
acción y la reacción en términos de causa y efecto, el modelo debe ser representativo de
aquellos aspectos de la realidad que están investigándose.

Existen dos clases principales de modelos matemáticos: los modelos descriptivos y los
modelos normativos, un modelo descriptivo es el que presenta una relación pero que no
indica ningún curso de acción, un modelo normativo, que en ocasiones se denomina
modelo de optimización, es prescriptivo porque señala el curso de acción que el
administrador debe seguir para alcanzar un objetivo definido. La mayoría de los modelos
normativos están constituidos por tres conjuntos básicos de elementos que son:

Variables de decisión y parámetros: Son las cantidades desconocidas que deben

determinarse en la solución del modelo, están bajo el control de la persona que toma las
decisiones.

Restricciones: Son las limitaciones físicas que ocurren en el problema cuyo modelo se
plantea, las restricciones se expresan como funciones matemáticas.

49
Función objetivo: Define la efectividad del modelo como función de las variables de
decisión.

En general, se obtiene la solución óptima del modelo cuando los valores de las variables
de decisión arrojan el mejor valor de la función objetivo, al mismo tiempo que se
satisfacen todas las restricciones.

Además de los modelos normativos y descriptivos, se tienen las siguientes clasificaciones:

Modelo determinístico: los parámetros del modelo se conocen con certidumbre.

Modelo estocástico: no se conocen con seguridad los parámetros.

Modelo lineal: todas las relaciones funcionales implican que la variable dependiente es
proporcional a las variables independientes.
Modelo no lineal: se utilizan ecuaciones curvilíneas o no proporcionales.

Modelo estático: se define en un punto fijo del tiempo y se supone que las condiciones
del modelo no cambian para ese periodo específico en el proceso de solución.

Modelo dinámico: el curso de acción se determina examinando periodos múltiples.

Pueden utilizarse tres procesos o métodos de solución para llegar a soluciones óptimas o
casi optimas para problemas basados en la ciencia de la administración: a) algoritmos, b)
métodos heurísticos y c) simulación.

En ocasiones el planteamiento matemático de un problema puede ser tan complejo que

una solución analítica es casi imposible, y la evaluación a través de simulación no es
práctica debido al tiempo excesivo de procesamiento. En estos casos pueden utilizarse
métodos heurísticos para desarrollar soluciones aproximadas aceptables, el proceso
heurístico de solución se basa en reglas empíricas o intuitivas que cuando se aplican al
modelo, proporcionan una o más soluciones. Los métodos heurísticos son

50
procedimientos de búsqueda que intentan pasar de un punto de solución a otro, de
manera que se mejore el objetivo del modelo en cada movimiento sucesivo.

Para que un grupo pueda resolver los problemas internos de la empresa, debe tener
personal competente para el desarrollo de modelos matemáticos y para comunicar sus
recomendaciones a los diversos niveles de la administración, así como a sus
subordinados, sin embargo, los programas de investigación de operaciones no tienen
aceptación y fracasan en su aplicación debido a la falta de una organización apropiada,
cuando ya no es posible encontrar mejoras al objetivo utilizando la regla de búsqueda, la
solución alcanzada se denomina solución aproximada.

Un algoritmo es simplemente un conjunto de procedimientos o reglas que, cuando se

siguen en forma ordenada, proporcionan la mejor solución para un modelo determinado,
un algoritmo se desarrolla para un modelo específico, que es aplicable para resolver
problemas que se asemejen al modelo.

Existen ciertas etapas que deben seguirse en cualquier estudio de I.O., estas etapas
deben seguirse para que sea posible esperar cierto grado de éxito en el proceso de
planteamientos de modelos, estas etapas se denominan "proceso de solución de
problemas", que consisten en: 1) Identificación, observación y planteamiento del
problema, 2) Construcción del modelo, 3) Generación de una solución, 4) prueba y
evaluación de la solución, 5) Implante, 6) evaluación.

La construcción de un modelo puede derivar el tener que realizar operaciones

matemáticas bastante tardías, por lo que utilizando la computadora, es posible reducir
gran parte de la complejidad matemática y de la carga de cálculos implícitos en el uso de
diferentes técnicas de solución, en la práctica los modelos con un solo objetivo pueden
resultar problemas clave, porque con frecuencia quienes toman las decisiones tienen
otros objetivos a parte de maximizar las utilidades o minimizar los costos.

2.2.1 Programación lineal

51
La programación lineal es un proceso de optimización, con una sola función objetivo se
expresa matemáticamente lo que se intenta maximizar (ganancias o el valor presente) o
minimizar (costos o desperdicio) en cada caso. La función objetivo proporciona el sistema
de calificaciones mediante el cual se juzgará en qué medida son atractivas las diferentes
soluciones. La programación lineal se basa en la suposición de que las variables de
decisión son continuas, ya sean cantidades fraccionales o números enteros24.

La programación lineal es una herramienta poderosa para resolver problemas que la

administración de cualquier organización tiene al tomar decisiones acerca de cómo
asignar sus recursos a diversas actividades para cumplir mejor con los objetivos
organizacionales. El enfoque básico es formular un modelo matemático llamado modelo
de programación lineal para representar el problema y luego analizarlo. Cualquier
problema de programación lineal incluye variables de decisión para representar las
decisiones que deben tomarse, restricciones que representan las limitaciones sobre los
valores factibles de estas variables de decisión y una función objetivo que expresa la
medida de desempeño global para el problema.

La programación lineal es un caballo de batalla en el mundo de los modelos cuantitativos.

Su capacidad para manejar cintos de miles de variables de decisión y restricciones, y la
enorme cantidad de interacciones que implican estos números hacen que la programación
lineal sea una herramienta importante para la resolución de gran variedad de problemas25.

Para Frederick S. Hillier la programación lineal usa un modelo matemático para

representar el modelo que se estudia. La palabra lineal en el nombre se refiere a la forma
de las expresiones matemáticas de este modelo. Programación no se refiere a la
programación en computadora; más bien es, en esencia, un sinónimo de planear26. Así, la

24
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a ed,
2000, p 637
25
Eppen, Gould, Investigación de operaciones, en la ciencia administrativa, Prentice Hall, 5a ed, p 226

26
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, pp 21-25

52
programación lineal significa planeación de actividades representadas por un modelo
matemático lineal.

Los modelos de programación lineal se pueden volver muy complejos, implicando un

enorme número de variables y restricciones, y la reacción inicial podría ser fácilmente ser
de rechazo. Sin embargo, no hay que preocuparse por las complejidades matemáticas, el
valor real consiste en estar consciente de las características de los problemas para los
que la optimización lineal pueda ser útil, de tal manera que se puedan sugerir aplicaciones
y evaluar proposiciones de aplicación27.

Lee J. Krajewski señala que la función objetivo y las ecuaciones de restricción son
lineales, la linealidad implica proporcionalidad y aditividad; no puede haber en ella
productos ni potencias de las variables de decisión 28. Todo problema de programación
lineal debe tener una o varias restricciones, consideradas en conjunto, esas restricciones
definen una región factible, la cual representa todas las combinaciones permisibles de las
variables de decisión.

En algunas ocasiones inusuales, el problema está tan estrictamente restringido que solo
existe una solución posible, sin embargo, en el caso más común, la región factible
contiene un número infinitamente grande de posibles soluciones suponiendo que las
combinaciones factibles de las variables de decisión puedan ser valores fraccionales, la
meta de la persona que toma las decisiones consiste en encontrar la mejor solución
posible.

En la programación lineal se tiene la suposición de la no negatividad, lo cual significa que

las variables de decisión deben ser positivas o cero. Para que una formulación de
programación lineal sea formalmente correcta, tiene que mostrar una restricción 0 para
cada variable de decisión.

27
Buffa Elwood S., Dyer James S., Ciencias de la administración e investigación de operaciones, formulación
de modelos y métodos de solución, Limusa, pp 500-505
28
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a ed,
2000, pp 638 - 643

53
2.2.1.1 Formulación del problema

La habilidad para transformar un problema del mundo real en un problema de

programación lineal debidamente planteado es un arte. La mayoría de las personas que
intentan usar los modelos de investigación de operaciones tienen mayores dificultades
con el proceso de planteamiento que con los demás aspectos del área. Si puede
plantearse en forma apropiada el problema, e posible utilizar un programa común de
computadora para obtener una respuesta al problema.

Davis, McKeown consideran que el arte de plantear problemas se mejora con paciencia,
práctica y una estructura apropiada para abordarlos, al plantear los problemas, se ha
encontrado que los siguientes procedimientos son útiles29:

 En primer lugar, debe concentrarse la atención en identificar el objetivo general.

¿cuál es el objetivo final del problema?, maximizar o minimizar según se trate.

 Plantearse el objetivo en forma verbal, incluyendo en la expresión la forma en que

el objetivo se relaciona con los diversos factores (variables de decisión) sobre los
cuales tiene control quien toma las decisiones.

 Identificar y plantear en forma verbal cada restricción.

Una vez que se ha descrito el problema en forma verbal, Davis McKeown, mencionan que
el siguiente paso es transformar las descripciones verbales en una estructura matemática
apropiada, un procedimiento funcional que puede utilizarse en esta etapa del proceso de
planteamiento de problema es30:

1. Identificar y definir las variables de decisión, (las Xj) asociadas con el problema,
incluyendo en la definición las unidades de medición asociadas con cada una de
las variables.

29
Davis, McKeown, Modelos cuantitativos para administración, Grupo Editorial Iberoamérica, pp 65-68
30
Ibíd, p 66

54
 2. Identificar los coeficientes de contribución (los Cj) asociados con cada variable,
incluyendo en la definición la unidad de medición asociada.

3. Plantear la función objetivo y verificar que existe consistencia en las unidades de

medición.

4. Identificar la tasa física de los coeficientes de sustitución (los a ij), incluyendo en la

definición las unidades de medición relacionadas con el coeficiente respectivo.

5. Identificar los recursos o requerimientos disponibles, es decir, los coeficientes del

segundo término (los bi), que son los valores que aparecen en el lado derecho del
signo de igualdad en las ecuaciones de restricción, incluyendo en la definición las
unidades de medición asociadas con los recursos.
6. Plantear las restricciones relacionadas con cada uno de los respectivos recursos o
requerimientos y verificar que haya consistencia en las unidades de medición para
cada restricción.

7. Definir las condiciones de no negatividad asociadas con las variables de decisión.

Sea sencillo o complejo, un modelo tiene que ser construido por personas.
Desgraciadamente no existen sistemas expertos automáticos para crear modelos, salvo
en aplicaciones estrechas muy especializadas. La revolución de la computadora y el
desarrollo de programas podrán conducir algún día a paquetes para la construcción
automática de modelos hechos por los directores. Sin embargo en la actualidad, la
construcción de modelos requiere una buena dosis de arte e imaginación, además de
una pizca de conocimientos técnicos31.

Por su parte , Lee J. Krajewski indica que las aplicaciones de la programación lineal
comienzan con la formulación de un modelo del problema que para la formulación de un
modelo que permita representar cada problema único, se sugiere seguir la siguiente

31
Eppen, Gould, Investigación de operaciones, en la ciencia administrativa, Prentice Hall, 5a ed, pp 225-233

55
secuencia de tres pasos, constituyendo la parte más creativa de la programación lineal y,
posiblemente la más difícil32:

1. Definir las variables de decisión: es decir, ¿qué es lo que se pretende decidir?, se

deben de definir específicamente cada variable de decisión, recordando que las
definiciones empleadas en la función objetivo deberán ser igual de útiles en el
caso de las restricciones, las variables deberán ser lo más específicas posibles.

2. Escribir la función objetivo: ¿qué es lo que se intenta maximizar o minimizar?,

deben identificarse los parámetros que acompañarán a cada variable de decisión.
Si una variable no tiene efecto alguno sobre la función objetivo, su coeficiente en
la función objetivo será 0. con frecuencia, se hace que la función objetivo sea
igual a Z y en ese caso el objetivo que se persigue es maximizar o minimizar Z.

3. Escribir las restricciones: ¿cuáles factores limitan los valores de las variables de
decisión?, se deben identificar las restricciones o los parámetros de cada variable
de decisión incluida en esas expresiones. Igual que en el caso de la función
objetivo, el parámetro correspondiente a una variable que no produce efecto sobre
una restricción es 0. A fin de mantener la debida corrección formal, escriba
también las restricciones de no negatividad.

La formulación del modelo, incluye un análisis conceptual básico en el cual es necesario

hacer suposiciones y simplificaciones, la formulación requiere que el constructor del
modelo seleccione o aísle del ambiente total aquellos aspectos de la realidad que son
pertinentes para la situación en cuestión. Las situaciones administrativas que nos ocupan
implican decisiones y objetivos, los cuales deben ser identificados y definidos de modo
explícito.

2.2.2 Método de transporte y transbordo

32
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a ed,
2000, pp 639-645

56
El método de transporte es un enfoque cuantitativo que ayuda a resolver problemas de
localización de instalaciones múltiples, se utiliza también para determinar la pauta de
asignación que minimice el costo de embarcar productos desde dos o más plantas, o
fuentes de suministro, hasta dos o más almacenes o destinos, el método de transportes
está basado en la programación lineal.

El método de transporte no resuelve todas las facetas del problema de localización de

instalaciones múltiples, sino que sólo identifica el mejor patrón de embarques entre las
plantas y los almacenes para un conjunto determinado de localizaciones de plantas, cada
una de las cuales tiene capacidad conocida. El analista debe ensayar diversas
combinaciones de localización – capacidad, y aplicar el método de transporte para
encontrar la distribución óptima que corresponde a cada una33.
Con el modelo de transporte, la gerencia se propone determinar la manera de asignar
productos de sus diferentes almacenes a sus clientes, a fin de satisfacer la demanda con
el menor costo de transportación posible. Este modelo es importante porque tiene
muchas aplicaciones exitosas y porque puede resolverse con rapidez y eficiencia, en
general, el término modelo de transporte se refiere a un modelo de programación lineal
que permite encontrar la forma menos costosa de satisfacer las demandas en n destinos
con las ofertas en m orígenes34.

El modelo de transporte rutinariamente se utiliza para determinar políticas de transporte y

distribución en muchas organizaciones, sin embargo, cuando la capacidad de producción
excede a la demanda de un producto, este mismo modelo también se puede utilizar para
el programa de producción en cada una de las fábricas. En la práctica real las
organizaciones pueden utilizar tales modelos con base anual o semestral para revisar sus
políticas de distribución y transporte35.

33
Ibíd, p 382
34
Eppen, Gould, Investigación de operaciones, en la ciencia administrativa, Prentice Hall, 5a ed, pp 230-236

35
Buffa Elwood S., Dyer James S., Ciencias de la administración e investigación de operaciones, formulación
de modelos y métodos de solución, Limusa, pp 568-570

57
Los costos de distribución (costos variables de embarque y, posiblemente, costos
variables de producción) no son más que uno de los elementos importantes en la
evaluación de una determinada combinación localización – asignación. Los costos de
inversión y otros costos fijos también tienen que ser considerados, junto con diversos
factores cualitativos. Este análisis completo deberá realizarse para cada una de las
combinaciones localización – capacidad que parezcan razonables, en vista de tomar una
buena decisión, este esfuerzo adicional compensa plenamente sus propios costos.

Frederick S. Hillier menciona que los problemas de transporte se ocupan (en forma literal
o imaginaria) de la distribución desde cualquier grupo de centros de suministro, llamados
orígenes, a cualquier grupo de centros de recepción llamados destinos, de modo que se
minimice el costo total de distribución. También comenta que el modelo de transporte tiene
la propiedad y suposiciones siguientes 36:

 Propiedad de soluciones factibles: es decir, un problema de transporte tendrá

soluciones factibles si y sólo la suma de sus recursos es igual a la suma de sus
demandas.

 Suposición de costo: el costo de distribuir unidades de cualquier origen dado a

cualquier destino dado es directamente proporcional al número de unidades
distribuidas, por lo tanto, este costo es justo el costo unitario de distribución por el
número de unidades distribuidas.

 Suposición de requerimientos: cada origen tiene un suministro fijo de unidades,

donde este suministro completo tiene que distribuirse entre los destinos. De
manera similar, cada destino tiene una demanda fija de unidades, donde esta
demanda completa tiene que recibirse desde los orígenes”

Cada origen tiene ciertos recursos para distribuir a los destinos y cada destino tiene cierta
demanda de estos recursos que recibe de los orígenes, la suposición de que no hay

36
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, 188-191

58
libertad en las cantidades que se envían o reciben significa que debe haber un equilibrio
entre el suministro total de todos los orígenes y la demanda total de todos los destinos.

En algunos problemas reales, los recursos en realidad representan cantidades máximas

(y no cantidades fijas) para distribuir, del mismo modo, en otros casos, las demandas
representan cantidades máximas (en lugar de cantidades fijas) a recibir. Tales problemas
no caben en el modelo de un problema de transporte porque violan la suposición de
requerimientos de modo que son variantes de un problema de transporte37.

Los requerimientos de información son los costos de envío por unidad en cada ruta, las
capacidades de abastecimiento en los puntos de abastecimiento y las demandas. Estas
últimas pueden ser las demandas de mercado, las cuales se basan en investigaciones de
mercado o en otras estimaciones de mercado38. El análisis de sensibilidad se puede
utilizar para determinar si la solución es particularmente sensible a cambio en cualquiera
de estas estimaciones. Entonces, cuando ocurren cambios en las estimaciones, al
análisis de sensibilidad se puede emplear para determinar si se necesita calcular una
nueva solución o no, o cuáles son realmente los costos potenciales de no cambiar una
política de distribución existente.

El modelo de transbordo con capacidades (conocido a menudo como el modelo de red) es

importante porque algunos de sus casos particulares son modelos de decisión vitales para
la gerencia, en especial el modelo de transporte, el modelo de asignación y el modelo de
la ruta más corta, son casos particulares del modelo de transbordo con capacidades.

Davis McKeown comenta que el denominado problema de transporte es un caso especial

del problema de transbordo, en el que todos los nodos son o fuentes (nodos de oferta) o
destinos (nodos de demanda)39. En un problema de transporte no existen nodos de
transbordo. Dado que es posible dividir el problema de transporte en dos conjuntos
diferentes de nodo, es un problema de red bipartita.
37
Ibíd, p 189
38
Buffa Elwood S., Dyer James S., Ciencias de la administración e investigación de operaciones, formulación
de modelos y métodos de solución, Limusa, pp 596-599
39
Davis, McKeown, Modelos cuantitativos para administración, Grupo Editorial Iberoamérica, pp 301-306

59
Una forma agradable de visualizar un problema de transporte en forma gráfica es usar su
representación de red, sin embargo, para problemas grandes no es muy conveniente
trazar la red completa y desplegar todos los datos. En consecuencia, la representación
de red en realidad es un medio de visualización.

Buffa Elwood, señala que el problema de transporte con productos múltiples se puede
formular matemáticamente, y se han propuesto algoritmos para su solución. Sin
embargo, los problemas de mercancía múltiple no se pueden representar mediante una
red, consecuentemente, es mucho más difícil resolverlos en lo que se refiere a cálculo, y
requieren mucho más tiempo de computadora, por estas razones, su utilidad práctica está
limitada40.

Si un problema de redes se refiere a la minimización de los costos del flujo de algún

producto entre nodos, en donde cada nodo puede ser un punto de abastecimiento, un
punto de demanda, o ambos, entonces se considera que el problema de redes es un
problema de transbordo. Si un nodo actúa sólo como receptor de flujo, entonces se le
denomina destino, si actúa al mismo tiempo como emisor y receptor de flujo se le
denomina nodo de transbordo.

Buffa Elwood comenta que los modelos de redes están entre los modelos más prácticos y
útiles de la ciencia de la administración al presentar ventajas que aumentan la utilidad
práctica de los modelos de transporte y transbordo, las ventajas son las siguientes41:

1. Muchos problemas reales se pueden formular con modelos de redes.

2. La interpretación visual de la red reduce el problema de comunicación entre el

administrador y el analista.

40
Buffa Elwood S., Dyer James S., Ciencias de la administración e investigación de operaciones, formulación
de modelos y métodos de solución, Limusa, p 580
41
Ibíd., p 595

60
 3. Hay disponibles eficaces códigos de computadora para analizar las redes, y las
soluciones valuadas con enteros se obtienen automáticamente.

Un método alternativo para obtener el costo de envío directo mínimo consiste en formular
el problema como un modelo de transbordo, esto tiene la característica adicional de
permitir que un envío (parcial o completo) pase en forma transitoria por otras fuentes y
destinos antes de que llegue por último a su destino asignado. En esencia, el modelo de
transbordo busca automáticamente la ruta de costo mínimo entre una fuente y un destino
sin tener que determinar dicha ruta con anticipación.
El problema de transbordo es el más general de los problemas de redes, dado que cada
nodo puede tener al mismo tiempo oferta y demanda y no existen restricciones sobre los
flujos o sobre los tipos de nodos.

2.3 Conclusiones

Al construir del marco teórico se estudia la manera de como han sido resueltos problemas
del tipo nos preocupa, así como también el conocer las diferentes formas de solucionarlo
con la utilización de diferentes herramientas de cómputo. Con la elaboración de este
capítulo se conoce la forma de cómo aplicar los diferentes métodos de pronóstico
analizando el comportamiento histórico, así como el saber como obtener los errores de
pronósticos y que representan cada uno de ellos.

Conocer la manera de cómo funcionan los diferentes métodos de pronóstico, ayuda a

identificar de manera preliminar cual o cuales son los que podrían utilizarse para el caso
de estudio que se tenga, sin embargo, también es necesario el que se contemple lo
recomendado por la bibliografía acerca de que es lo que se va a pronosticar, la
información disponible y los medios computaciones .

A pesar de que la investigación de operaciones puede ser utilizada para la solución de

diferentes problemas, debe tenerse en cuenta que se requiere de una gran habilidad para
identificar que parte de la investigación de operaciones es la más adecuada para la
solución del problema, es decir, se tiene la programación lineal y de ésta salen modelos
como los de transporte, transbordo, asignación, etc. Por eso la importancia de entender

61
el problema para llevarlo a la construcción de un modelo y utilizar las aplicaciones
adecuadas para la solución.

62
 Capítulo 3
Aplicación de los métodos de pronóstico

Introducción

Cotidianamente tenemos la incertidumbre de cómo se comportarán los factores que

afectan nuestra vida diaria como lo económico, el clima, devaluaciones entre otros,
el no tener conocimiento sobre esta incertidumbre nos propicia el no realizar una
adecuada planeación. El realizar un pronóstico nos permitirá conocer la respuesta
a estas preguntas, sin embargo es posible que dicha respuesta sea errónea, esto
porque no es posible pronosticar el futuro con absoluta precisión todas las veces.

El supuesto de que el patrón de la demanda del pasado se repetirá en el futuro, es

el supuesto sobre el cual se inicia la selección del método de pronóstico (cuando
se trata de hacer uso de los métodos de pronósticos cuantitativos), este supuesto
es el que se espera encontrar en nuestro caso de estudio para los siguientes
periodos, sin embargo, las situaciones actuales de mercado pueden hacer que
dicho supuesto se tenga que modificar, por tal motivo, el pronosticador deberá
tener siempre presente estas situaciones para que el supuesto inicial que se haya
considerado, no se considere como erróneo cuando los resultados no sean los que
se esperaban. Para nuestro caso de estudio, se supone que las principales
condiciones de mercado son: incremento en impuestos, variación en ventas por
campañas publicitarias, demanda excesiva de un determinado producto, cambios
en la estructura o políticas en el área de ventas y comportamientos económicos en
el extranjero.

Al obtener un adecuado método de pronóstico y que éste cumpla con las

expectativas de la gerencia, se espera que los periodos en los cuales se tiene un
alto volumen de ventas, la operación no sea tan confusa y el nivel de servicio se
mejore al tener un tiempo mayor para la planeación. El mantener funcionando el
método de pronóstico, dará oportunidad a la gerencia de iniciar un análisis de la
información de otras áreas las cuales pueden verse beneficiadas al tener más
herramientas para planear las actividades cotidianas.

63
El éxito de cualquier negocio se basa en la habilidad con que se cuente para predecir las
tendencias de los factores que afectan su participación en los mercados, así como el de
predeterminar la demanda de los clientes, la cantidad de productos a almacenar,
cantidades de producción, compras, etc. En muchas ocasiones las empresas se ven en
aprietos por haber fallado en el pronóstico, sin embargo, la habilidad para realizar los
pronósticos marca la diferencia.

Al contar con datos históricos de ventas, se tiene la posibilidad de utilizar los métodos de
pronósticos estadísticos que nos permiten pronosticar la demanda futura. El uso de esta
herramienta supone que las tendencias históricas continuarán, sin embargo, la labor de la
administración es la de realizar los ajustes correspondientes a las situaciones del
mercado actual, por ello también la importancia de la utilización de los modelos subjetivos
que solo usan el juicio del experto. Realmente los pronósticos subjetivos son útiles
cuando se tienen pocos datos sobre ventas históricas o cuando hay grandes cambios en
el mercado de manera que solo los expertos tienen la capacidad y experiencia de predecir
el futuro de manera cualitativa, que en ocasiones permiten el tomar las mejores
decisiones. En sí no es difícil hacer un pronóstico, sino hay que hacerlo de la manera
correcta.

Los pronósticos juegan un papel cada vez más trascendente en la vida de la empresa
moderna, no solo los pronósticos son importantes, también la utilización de los modelos
cuantitativos desempeñan una papel cada vez más crucial para la función de pronosticar.
Los métodos de pronósticos suelen basarse en modelos matemáticos que utilizan los
datos históricos disponibles, en métodos cuantitativos extraídos de la experiencia
administrativa o en una combinación de ambas.

El propósito del pronóstico consiste en reducir el margen de incertidumbre dentro del que
se deben efectuar los juicios de la administración. Este propósito sugiere dos reglas
principales a las que debe adherirse el proceso de pronóstico:

1. El pronóstico debe ser técnicamente correcto y producir predicciones precisas.

64
 2. El procedimiento de pronóstico y sus resultados deben ser presentados con
efectividad a la administración, de modo que los pronósticos se utilicen en el
proceso de toma de decisiones en beneficio de la empresa; también los resultados
deben ser justificados con base en su costo – beneficio.

La última consideración a menudo se malinterpreta y puede ser frustrante para los

pronosticadores profesionales. Aún cuando los pronósticos se usen en benéfico de la
empresa deben ser utilizados por aquellos que tienen la autoridad en la toma de
decisiones

3.1 Error de pronósticos

El no poder pronosticar con absoluta precisión todas las veces, ocasiona que se tengan
errores, mismos que se denominan errores de pronósticos, éstos se clasifican en42:

a) errores de sesgo: son resultado de equivocaciones sistemáticas, por lo cual se observa

que el pronóstico siempre es demasiado bajo o demasiado alto, en la mayoría de los
casos este tipo de errores es resultado de ignorar o no estimar correctamente ciertos
patrones de demanda como los de tendencia, los estacionales y los cíclicos.

b) errores aleatorios: son resultado de factores imprevisibles que obligan al pronóstico a

desviarse de la demanda real.

A pesar de que el responsable de los pronósticos intenta minimizar los errores utilizando
un adecuado método de pronóstico, es prácticamente imposible eliminar los errores en
todas sus formas.

En pocas palabras, el error de pronóstico es la diferencia entre el pronóstico para un

periodo determinado y la demanda real registrada durante el mismo periodo, es decir, se
tiene:

42
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a
ed, 2000, p 518

65
 E t  Dt  Ft (3.1)
En donde:
Et= Error de pronóstico para el periodo t
Dt= Demanda real para el periodo t
Ft= Pronóstico para el periodo t

Cotidianamente se tiene el interés de conocer el error durante un periodo de tiempo

relativamente largo, para esto se tiene la suma acumulativa de errores de pronóstico
(CFE) (cumulative sum of forecast errors) quien mide el error total de un pronóstico, es
decir:

CFE   Et (3.2)

El cuadrado del error medio (MSE) (mean squared error), la desviación estándar (), y la
desviación media absoluta (MAD) (mean absolute deviation), miden la dispersión de los
errores de pronósticos, se obtienen de la siguiente manera:

MSE 
 E t2 (3.3)
n

 
  Et  E  2 (3.4)
n 1

MAD 
 Et (3.5)
n

Si el valor de cualquiera de estas mediciones es un valor pequeño, el pronóstico se

aproxima generalmente a la demanda real, un valor grande, indica la posibilidad de
errores considerables. La MAD tiene una mayor utilización debido a su fácil comprensión,
obtención, además como medida de la exactitud de los métodos de pronósticos, es las
más directa.

66
El error porcentual medio absoluto (MAPE) (mean absolute percent error) relaciona el
error de pronósticos con el nivel de la demanda, y es útil para colocar el rendimiento del
pronóstico en su correcta perspectiva, se obtiene con:

MAPE 
  Et (100) / Dt (3.6)
n

Todas estas mediciones tienen mayor nivel de confianza a medida que aumenta el
número de periodos de datos, mientras menor sea el error, mejor es el método de
pronóstico, por lo que se vuelve necesario el probar varios métodos de pronóstico
hasta encontrar el menor error.

Las mediciones de errores de pronóstico proporcionan información importante

cuando se desea seleccionar el mejor método de pronóstico para un producto o
servicio. Además sirven de guía a la gerencia en la selección de los valores más
adecuados para los parámetros que el método requiere, por ejemplo: n para el
método de promedio móvil y  para el método de suavización exponencial.

Entre los criterios que se aplican en la elaboración del método de pronóstico y en la

selección de parámetros figuran: 1) minimizar los sesgos, 2) minimizar la MAD y el MSE,
3) satisfacer las expectativas de la administración acerca de cambios en los componentes
de la demanda y 4)minimizar el error de pronóstico del último periodo. Los dos primeros
criterios se relacionan con mediciones estadísticas basadas en el rendimiento histórico; el
tercero refleja las expectativas del futuro que puedan no estar arraigadas en el pasado; y
el cuarto se refiere a la forma de usar cualquier método, siempre que sea el que parezca
dar mejor resultado en el momento en que sea necesario hacer el pronóstico.

3.2 Métodos de pronósticos con series de tiempo

Los métodos de pronósticos con series de tiempo usan información histórica que solo se
refiere a la variable dependiente. Estos métodos están basados en la suposición de que
el patrón de la variable dependiente en el pasado habrá de continuar en el futuro. En el

67
análisis de series de tiempo se identifican los patrones fundamentales de la demanda que
se combinan entre sí para generar el patrón histórico observado en la variable
dependiente, después de esto se elabora un modelo adecuado para reproducir dicho
patrón. En si, una serie de tiempo es una serie de observaciones en el tiempo de alguna
cantidad de interés.

Los pronósticos de series de tiempo producen pronósticos mediante la extrapolación del

comportamiento histórico de valores de una sola variable particular de interés, este tipo de
modelos utiliza una técnica para extrapolar el comportamiento histórico hacia el futuro.
Los datos de las series de tiempo son datos históricos en orden cronológico, con un solo
valor por periodo.

A raíz de que la mayoría de las decisiones de negocios se encuentra en el reto de

pronosticar la demanda del cliente, es una tarea difícil porque la demanda de bienes y
servicios suele variar considerablemente. Se tienen patrones controlables e
incontrolables y para pronosticar la demanda es necesario descubrir los patrones básicos,
a partir de la información disponible.

Las observaciones repetidas de la demanda de un producto o servicio, tomando

como base el orden en que se realizan, forman un patrón que se conoce como serie
de tiempo, los cinco patrones básicos de la mayoría de las series de tiempo
aplicables a la demanda son43:

1. Horizontal: es la fluctuación de los datos en torno de una media constante.

2. De tendencia: es el incremento o decremento sistemático de la media de la serie

a través del tiempo.

3. Estacional: es un patrón repetible de incrementos o decrementos de la demanda,

dependiendo de la hora del día, la semana, el mes o la temporada.

43
Ibid, p 493

68
 4. Cíclico: es una pauta de incrementos o decrementos graduales y menos
previsibles de la demanda, los cuales se presentan en el curso de periodos de
tiempo más largos (años o decenios).

5. Aleatorio: es decir, una serie de variaciones imprevisibles de la demanda.

Los patrones cíclicos provienen de dos influencias, la primera de ellas es el ciclo de

los negocios, que incluye diversos factores por los que la economía pasa de una
recesión a una expansión en el curso de cierto número de años. La otra influencia
es el ciclo de vida del producto o servicio en cuestión, en el cual se reflejan las
etapas de la demanda, desde el desarrollo hasta la declinación. La capacidad de
hacer pronósticos inteligentes a largo plazo depende de que se cuente con
estimaciones precisas de los patrones cíclicos.

Cuatro de los patrones de demanda (horizontal, de tendencia, estacional y cíclico)

se combinan en diversos grados para definir el patrón fundamental de tiempo de
demanda que corresponde a un producto o servicio. El quinto patrón, la variación
aleatoria, es resultado de causas fortuitas y, por lo tanto, no puede ser previsto, la
variación aleatoria representa un aspecto de la demanda por el que todos los
pronósticos resultan equivocados.

En muchas organizaciones se tiene una demanda estacional para los productos o

servicios, los factores estacionales consisten en movimientos ascendentes o
descendentes de la demanda, que se repiten con regularidad, medidos en periodos
de menos de un año (en horas, días, semanas, meses o trimestres), dichos periodos
de tiempo se llaman estaciones.

En general, un factor estacional de cualquier periodo de un año (un trimestre, un

mes, etc.) mide cómo se compara ese periodo con el promedio global de un año
completo. En particular con los datos históricos, el cálculo para el factor estacional
es44:
44
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, 636

69
 Factor estacional = (promedio para el periodo / promedio global) (3.7)

En la tabla 3.1, se muestra el histórico real de ventas que la empresa ha tenido

desde 1999 al 2002, las cantidades están expresadas en cajas, ya que esta es la
unidad de venta que la empresa utiliza para la distribución, al inicio de cada periodo
(mes), el área de ventas indica el número de cajas que se deberán distribuir, de ahí
la importancia que el área de distribución conozca mediante pronósticos la
cantidad de cajas a distribuir, aquí no es de importancia relevante el conocer en
específico que producto es el que se deberá distribuir.

Utilizando la ecuación 3.7, tenemos que los factores estacionales para cada mes
son los que se muestran en la tabla 3.2. Para explicar como se determinó esta
tabla, se ejemplifica solamente la obtención del factor estacional del mes de enero,
ya que de la misma manera se obtiene el de los meses restantes. Los datos se
toman de la tabla 3.1, entonces tenemos para enero lo siguiente:

Promedio de enero = (716390 + 323067 + 410079 + 316318)/4 = 441463

Promedio global = (961257 + 960337 + 827138 + 917782)/4 = 916628

F est. enero = (441463 / 916628) = 0.48

Con el factor estacional conocemos la relación que tiene un periodo de la serie de

tiempo con respecto a la serie completa.

Año
Mes 1999 2000 2001 2002
Ene 716,390 323,067 410,079 316,318
Feb 576,826 570,099 901,925 748,894
Mzo 787,063 799,352 373,364 686,097
Abr 677,335 789,329 470,656 957,956
May 688,833 335,871 776,950 704,975
Jun 722,976 1,061,861 851,034 672,457
Jul 646,949 864,125 670,277 718,365
Ago 920,473 2,121,925 1,096,289 1,076,112

70
 Sep 738,817 634,873 396,601 650,951
Oct 1,484,146 1,334,344 949,375 1,254,188
Nov 1,693,191 1,492,754 1,507,020 1,500,728
Dic 1,882,083 1,196,444 1,522,084 1,726,341
Promedio = 961,257 960,337 827,138 917,782

Tabla 3.1 Histórico real de cajas vendidas

Como se comentó con anterioridad, el mejor método de pronóstico es aquel en el

que se obtenga el menor error de pronóstico, por ello analizaremos varios métodos
de pronóstico aplicados a la empresa en estudio.

Factor
Mes estacional
Ene 0.48
Feb 0.76
Mzo 0.72
Abr 0.79
May 0.68
Jun 0.90
Jul 0.79
Ago 1.42
Sep 0.66
Oct 1.37
Nov 1.69
Dic 1.73

Tabla 3.2 Factor estacional para cada mes

3.2.1 Método de pronóstico de último valor

Este método ignora todos los datos en una serie de tiempo excepto el último,
entonces el pronóstico para el periodo siguiente, es el último valor en la serie de
tiempo multiplicado por el respectivo factor estacional, por lo que se tiene.

Pronóstico = (factor estacional)(último valor) (3.8)

En la tabla 3.3, se muestran los resultados que se obtienen al realizar el pronóstico

mediante el método del último valor, la forma en que se obtienen cada una de las
columnas es la siguiente:

71
 Factor estacional: de los resultados obtenidos en la tabla 3.2

Ventas reales: de los datos de la tabla 3.1

Ventas con ajuste estacional: del cociente (ventas reales) / (factor estacional)

Pronóstico con ajuste estacional: es el último valor de la serie de tiempo

Pronóstico actual: del producto (pronóstico con ajuste estacional)(factor

estacional)

Error de pronóstico: de la diferencia absoluta (ventas reales) – (pronóstico actual)

MAD: utilizando la ecuación (3.5)

El valor obtenido para la desviación media absoluta (MAD), no podemos decir que
sea bueno, ya que es el primer método de pronóstico que se estudia, este valor
deberá compararse con el de los otros métodos para definir cual es el método que
menor error de pronóstico tiene.

Factor Ventas (cjs) Pronóstico Pronóstico Error de

Mes/Año estacional Real con ajuste estac con ajuste estac. actual pronóstico
Ene-99 0.48 716,390 1,487,469
Feb-99 0.76 576,826 755,945 1,487,469 1,135,018 558,192
Mar-99 0.72 787,063 1,090,670 755,945 545,515 241,548
Abr-99 0.79 677,335 857,762 1,090,670 861,251 183,916
May-99 0.68 688,833 1,007,575 857,762 586,413 102,420
Jun-99 0.90 722,976 801,251 1,007,575 909,144 186,168
Jul-99 0.79 646,949 818,027 801,251 633,681 13,268
Ago-99 1.42 920,473 647,183 818,027 1,163,462 242,989
Sep-99 0.66 738,817 1,118,799 647,183 427,378 311,439
Oct-99 1.37 1,484,146 1,083,549 1,118,799 1,532,428 48,282
Nov-99 1.69 1,693,191 1,002,327 1,083,549 1,830,396 137,205
Dic-99 1.73 1,882,083 1,090,680 1,002,327 1,729,620 152,463
Ene-00 0.48 323,067 670,797 1,090,680 525,290 202,223
Feb-00 0.76 570,099 747,129 670,797 511,854 58,245
Mar-00 0.72 799,352 1,107,699 747,129 539,153 260,199
Abr-00 0.79 789,329 999,589 1,107,699 874,699 85,370

72
 May-00 0.68 335,871 491,288 999,589 683,374 347,503
Jun-00 0.90 1,061,861 1,176,826 491,288 443,293 618,568
Jul-00 0.79 864,125 1,092,633 1,176,826 930,710 66,585
Ago-00 1.42 2,121,925 1,491,921 1,092,633 1,554,027 567,898
Sep-00 0.66 634,873 961,395 1,491,921 985,214 350,341
Oct-00 1.37 1,334,344 974,181 961,395 1,316,831 17,513
Nov-00 1.69 1,492,754 883,674 974,181 1,645,645 152,891
Dic-00 1.73 1,196,444 693,348 883,674 1,524,871 328,427
Ene-01 0.48 410,079 851,463 693,348 333,928 76,151
Feb-01 0.76 901,925 1,181,995 851,463 649,712 252,213
Mar-01 0.72 373,364 517,388 1,181,995 852,967 479,602
Abr-01 0.79 470,656 596,028 517,388 408,558 62,098
May-01 0.68 776,950 1,136,466 596,028 407,478 369,472
Jun-01 0.90 851,034 943,174 1,136,466 1,025,443 174,409
Jul-01 0.79 670,277 847,524 943,174 745,923 75,646
Ago-01 1.42 1,096,289 770,798 847,524 1,205,415 109,126
Sep-01 0.66 396,601 600,577 770,798 509,009 112,408
Oct-01 1.37 949,375 693,122 600,577 822,616 126,759
Nov-01 1.69 1,507,020 892,119 693,122 1,170,863 336,157
Dic-01 1.73 1,522,084 882,058 892,119 1,539,444 17,360
Ene-02 0.48 316,318 656,784 882,058 424,814 108,496
Feb-02 0.76 748,894 981,444 656,784 501,161 247,733
Mar-02 0.72 686,097 950,756 981,444 708,242 22,145
Abr-02 0.79 957,956 1,213,134 950,756 750,768 207,188
May-02 0.68 704,975 1,031,186 1,213,134 829,365 124,390
Jun-02 0.90 672,457 745,262 1,031,186 930,448 257,991
Jul-02 0.79 718,365 908,329 745,262 589,402 128,963
Ago-02 1.42 1,076,112 756,612 908,329 1,291,895 215,783
Sep-02 0.66 650,951 985,742 756,612 499,641 151,310
Oct-02 1.37 1,254,188 915,661 985,742 1,350,179 95,991
Nov-02 1.69 1,500,728 888,394 915,661 1,546,789 46,061
Dic-02 1.73 1,726,341 1,000,427 888,394 1,533,017 193,324
M. A. D. = 196,264
Tabla 3.3 Resultados para el método de pronóstico del último valor
Este método de pronóstico también se le denomina método ingenuo, porque
estadísticamente se considera ingenuo usar solo un tamaño de muestra de uno
cuando se dispone de más datos relevantes45. Sin embargo, cuando las
condiciones cambian con rapidez, puede ser que el último valor sea el único dato
importante para pronosticar el siguiente valor con las condiciones actuales.

En la figura 3.1, se muestra gráficamente el comportamiento que se tiene al usar

este método de pronóstico, en este gráfico se observa que las ventas reales
tuvieron un comportamiento muy similar al del pronóstico, sin embargo, no es
tiempo de asegurar que este método de pronóstico es el adecuado y sobre el cual
debiéramos pronosticar la demanda en los periodos siguientes. Como se comentó

45
Ibid, p 641

73
anteriormente, al pronosticar la demanda o el servicio de la organización, se hace
utilizando los datos históricos y el método de último valor o método ingenuo, no
considera este historial.

Pronósticos mediante el método del último valor

Real
Pronósticos

2,500,000

2,000,000

1,500,000

1,000,000

500,000

M es

Figura 3.1 Resultados para el método de pronóstico del último valor

3.2.2 Método del promedio para pronósticos

A diferencia del método de último valor, el método de promedio para pronósticos,

se va al otro extremo, en lugar de sólo tomar un tamaño de muestra de uno, usa
todos los datos en la serie de tiempo y simplemente promedia estos puntos.

En la tabla 3.4, se muestran los resultados que se obtienen al realizar el pronóstico

mediante el método del promedio, la forma en que se obtienen cada una de las
columnas es la siguiente:

Las tres primeras columnas, el error de pronóstico y el MAD se obtienen de la

misma manera que en la sección anterior.

74
 Pronóstico por promedio: es el promedio de todos los datos a la fecha con ajuste
estacional.

Pronóstico actual: del producto (pronóstico por promedio)(factor estacional)

Al comparar hasta este momento los resultados de las desviaciones medias

absolutas entre los dos métodos utilizados, el método del promedio resulta ser
mejor por tener un menor error de pronóstico, es decir, las diferencias en promedio
entre la demanda real y el pronóstico han disminuido. Sin embargo, no se tiene la
posibilidad de decir que el método del promedio sea el mejor y con el cual se deba
de trabajar para pronosticar los periodos siguientes en la serie.

Este método considera los datos históricos desde el inicio de la serie de tiempo, con lo cual
el pronóstico del periodo siguiente es la media de los datos en la serie a la fecha, al cambiar
la media al inicio de cada periodo, la variabilidad se va ajustando a las situaciones actuales.
A pesar de que este método nos permite obtener de manera rápida un pronóstico al obtener
una media de los datos disponibles a la fecha, no nos permite visualizar la importancia de
los cambios más recientes, así como tampoco el poder determinar la magnitud de las
variaciones, por lo que para determinar que tanto influyen los cambios más recientes, sería
apropiado el utilizar un método con promedios móviles.
Fac estac Ventas (cjs) Pronóstico Pronóstico Error de
Mes/Año estimado Real Ajuste estac por promedio actual pronóstico
Ene-99 0.48 716,390 1,487,469
Feb-99 0.76 576,826 755,945 1,487,469 1,135,018 558,192
Mar-99 0.72 787,063 1,090,670 1,121,707 809,461 22,398
Abr-99 0.79 677,335 857,762 1,111,361 877,591 200,256
May-99 0.68 688,833 1,007,575 1,047,961 716,444 27,611
Jun-99 0.90 722,976 801,251 1,039,884 938,297 215,321
Jul-99 0.79 646,949 818,027 1,000,112 790,953 144,004
Ago-99 1.42 920,473 647,183 974,100 1,385,440 464,967
Sep-99 0.66 738,817 1,118,799 933,235 616,277 122,540
Oct-99 1.37 1,484,146 1,083,549 953,853 1,306,501 177,645
Nov-99 1.69 1,693,191 1,002,327 966,823 1,633,215 59,976
Dic-99 1.73 1,882,083 1,090,680 970,051 1,673,924 208,159
Ene-00 0.48 323,067 670,797 980,103 472,034 148,967
Feb-00 0.76 570,099 747,129 956,310 729,715 159,616
Mar-00 0.72 799,352 1,107,699 941,369 679,323 120,029
Abr-00 0.79 789,329 999,589 952,457 752,112 37,217
May-00 0.68 335,871 491,288 955,403 653,166 317,295
Jun-00 0.90 1,061,861 1,176,826 928,102 837,435 224,426
Jul-00 0.79 864,125 1,092,633 941,920 744,931 119,194

75
 Ago-00 1.42 2,121,925 1,491,921 949,853 1,350,954 770,971
Sep-00 0.66 634,873 961,395 976,956 645,149 10,276
Oct-00 1.37 1,334,344 974,181 976,215 1,337,129 2,785
Nov-00 1.69 1,492,754 883,674 976,123 1,648,924 156,170
Dic-00 1.73 1,196,444 693,348 972,103 1,677,465 481,021
Ene-01 0.48 410,079 851,463 960,488 462,587 52,508
Feb-01 0.76 901,925 1,181,995 956,127 729,576 172,349
Mar-01 0.72 373,364 517,388 964,814 696,242 322,877
Abr-01 0.79 470,656 596,028 948,243 748,784 278,128
May-01 0.68 776,950 1,136,466 935,664 639,671 137,279
Jun-01 0.90 851,034 943,174 942,588 850,506 528
Jul-01 0.79 670,277 847,524 942,608 745,475 75,198
Ago-01 1.42 1,096,289 770,798 939,541 1,336,287 239,998
Sep-01 0.66 396,601 600,577 934,267 616,959 220,358
Oct-01 1.37 949,375 693,122 924,155 1,265,823 316,448
Nov-01 1.69 1,507,020 892,119 917,360 1,549,660 42,640
Dic-01 1.73 1,522,084 882,058 916,639 1,581,757 59,673
Ene-02 0.48 316,318 656,784 915,679 441,006 124,688
Feb-02 0.76 748,894 981,444 908,681 693,372 55,522
Mar-02 0.72 686,097 950,756 910,596 657,116 28,981
Abr-02 0.79 957,956 1,213,134 911,626 719,869 238,087
May-02 0.68 704,975 1,031,186 919,164 628,391 76,584
Jun-02 0.90 672,457 745,262 921,896 831,835 159,378
Jul-02 0.79 718,365 908,329 917,690 725,769 7,404
Ago-02 1.42 1,076,112 756,612 917,473 1,304,901 228,789
Sep-02 0.66 650,951 985,742 913,817 603,454 47,497
Oct-02 1.37 1,254,188 915,661 915,415 1,253,851 337
Nov-02 1.69 1,500,728 888,394 915,420 1,546,383 45,655
Dic-02 1.73 1,726,341 1,000,427 914,845 1,578,661 147,680
M. A. D. = 166,545
Tabla 3.4 Resultados para el método del promedio
En la figura 3.2, se muestra la representación gráfica del comportamiento de este
método de pronóstico contra la demanda real, se tiene una mejor exactitud en
cuanto al pronóstico lo que hace que la MAD resulte de un valor menor con
respecto al método de último valor.

76
 Pronóstico mediante el método de promedio Real
Pronóstico

2,500,000

2,000,000

1,500,000
Ctd (cjs)

1,000,000

500,000

-
9

2
9

2
02
99

00

01
99

00

01

02
l-9

l-0

l-0

l-0
-9

-0

-0

-0
e-

e-
e-

e-
r-

r-

r-

r-
ct

ct

ct

ct
Ju
Ju

Ju

Ju
Ab

En
En

En

Ab

En

Ab

Ab
O

O
Mes

Figura 3.2 Resultados para el método del promedio

Al utilizar este método se tiene la desventaja de que no se consideran los patrones

estacionales, y esto influirá de manera considerable para el pronóstico del siguiente
periodo con lo que se incrementa el error. Es decir, si lo que se intenta pronosticar
es el mes de enero (para nuestro caso de estudio), el pronóstico estará muy
elevado ya que se están considerando los valores de los últimos meses del año
pasado en los que para la mayoría de las empresas representa un periodo de alta
demanda, y entonces resultará que para el mes de enero tendremos una demanda
muy alta y la realidad es otra.

Sin embargo, para los casos en los que se tenga una demanda con variaciones
pequeñas
y poco frecuentes, este método puede resultar útil ya que no se tendrían que
considerar fluctuaciones para determinados periodos y además la forma de
utilizarlo es bastante sencilla así como su interpretación. En realidad esta ventaja

77
 tendría poca consideración, ya que a pesar de tener en determinado caso
variaciones muy pequeñas, hay situaciones de cambio que no se pueden prever, y
el método de pronóstico que se utilice debe tener la opción de adaptarse de manera
inmediata a las situaciones actuales y con este método la adaptación sería de
manera muy retardada.

3.2.3 Método de promedios móviles para pronósticos

Este método resulta más útil cuando la demanda no tiene tendencias pronunciadas
ni influencias estacionales. La aplicación de este método implica simplemente
calcular la demanda promedio para los n periodos más recientes (considerados
particularmente significativos para pronosticar el siguiente periodo), con el fin de
usarla como pronóstico para el siguiente periodo, también se considera que este
método de pronóstico es bueno cuando las condiciones se mantienen parecidas en
los n periodos.

Una vez que se conoce la demanda para el periodo siguiente, la demanda más
antigua incluida en el promedio anterior se sustituye por la demanda más reciente y
luego se vuelve a calcular el promedio, de esta manera se usan las demandas más
recientes, con lo cual el promedio se mueve de uno a otro periodo.

Se recomienda el utilizar valores grandes de n para las series de demanda que sean
estables, y valores pequeños de n para las que sean susceptibles de cambios en el
promedio fundamental, con esto se considerarían los cambios más recientes.

Si se incluyen más datos históricos en el promedio, incrementando el número de

periodos, el resultado es un pronóstico menos susceptible a las variaciones al azar,
si el promedio fundamental de la serie está cambiando, los pronósticos tenderán a
retrasarse por un intervalo de tiempo más largo.

Por lo tanto, este método de pronóstico es algo lento para responder a las
situaciones cambiantes, una razón es que proporciona el mismo peso sobre cada
uno de los últimos n valores en la misma serie de tiempo aunque los valores más

78
 antiguos pueden ser menos representativos de la situación actual que el último
valor observado.

El modelo de promedios móviles funciona mejor con datos estacionarios, no

maneja muy bien la tendencia o la estacionalidad, aunque lo hace mejor que el
método de promedio simple. Entre mayor sea el orden del promedio móvil, mayor
será el efecto de atenuación, empleado como un pronóstico, un promedio móvil
grande presta poca atención a las fluctuaciones en la serie de datos46.

En la tabla 3.5, se muestran los resultados que se obtienen al realizar el pronóstico

mediante el método de promedios móviles, la forma en que se obtienen cada una de
las columnas es la siguiente:

De la tabla 3.5, las tres primeras columnas, el error de pronóstico y el MAD se

obtienen de la misma manera que en las secciones anteriores.

Pronóstico por promedio móviles: es el promedio de los últimos 12 periodos con

ajuste estacional.

Pronóstico actual: del producto (pronóstico por promedio móviles)(factor

estacional)

En la figura 3.3, está representado el pronóstico obtenido por este método, en

donde se puede observar que el pronóstico está mas cerca de la demanda real, es
decir el error de pronóstico ha disminuido, esto está influenciado por el número de
periodos que se tomaron para pronosticar el periodo siguiente, si cambia el número
de periodos a un valor más pequeño, el error de pronóstico variará.

El valor obtenido con este método de pronóstico para la desviación media absoluta
es menor que el obtenido con los dos métodos anteriores, sin embargo no se puede
asegurar todavía que este sea el mejor método para pronosticar los periodos
siguientes.
46
Hanke John, Reitsch Arthur, Pronósticos en los negocios, Prentice Hall, 5a ed, pp 150-153

79
 Fac estac Ventas (cjs) Pronóstico Pronóstico Error de
Mes/Año estimado Real Ajuste estac por prom. móviles actual pronóstico
Ene-99 0.48 716,390 1,487,469
Feb-99 0.76 576,826 755,945
Mar-99 0.72 787,063 1,090,670
Abr-99 0.79 677,335 857,762
May-99 0.68 688,833 1,007,575
Jun-99 0.90 722,976 801,251
Jul-99 0.79 646,949 818,027
Ago-99 1.42 920,473 647,183
Sep-99 0.66 738,817 1,118,799
Oct-99 1.37 1,484,146 1,083,549
Nov-99 1.69 1,693,191 1,002,327
Dic-99 1.73 1,882,083 1,090,680
Ene-00 0.48 323,067 670,797 980,103 472,034 148,967
Feb-00 0.76 570,099 747,129 912,047 695,940 125,841
Mar-00 0.72 799,352 1,107,699 911,312 657,633 141,719
Abr-00 0.79 789,329 999,589 912,732 720,742 68,587
May-00 0.68 335,871 491,288 924,550 632,073 296,202
Jun-00 0.90 1,061,861 1,176,826 881,527 795,409 266,452
Jul-00 0.79 864,125 1,092,633 912,824 721,921 142,204
Ago-00 1.42 2,121,925 1,491,921 935,708 1,330,837 791,088
Sep-00 0.66 634,873 961,395 1,006,103 664,397 29,524
Oct-00 1.37 1,334,344 974,181 992,986 1,360,101 25,757
Nov-00 1.69 1,492,754 883,674 983,872 1,662,015 169,261
Dic-00 1.73 1,196,444 693,348 973,984 1,680,712 484,268
Ene-01 0.48 410,079 851,463 940,873 453,140 43,061
Feb-01 0.76 901,925 1,181,995 955,929 729,424 172,501
Mar-01 0.72 373,364 517,388 992,168 715,981 342,616
Abr-01 0.79 470,656 596,028 942,975 744,624 273,968
May-01 0.68 776,950 1,136,466 909,345 621,678 155,272
Jun-01 0.90 851,034 943,174 963,110 869,023 17,989
Jul-01 0.79 670,277 847,524 943,639 746,291 76,014
Ago-01 1.42 1,096,289 770,798 923,213 1,313,065 216,776
Sep-01 0.66 396,601 600,577 863,120 569,975 173,374
Oct-01 1.37 949,375 693,122 833,051 1,141,037 191,662
Nov-01 1.69 1,507,020 892,119 809,630 1,367,675 139,345
Dic-01 1.73 1,522,084 882,058 810,334 1,398,315 123,769
Ene-02 0.48 316,318 656,784 826,059 397,844 81,526
Feb-02 0.76 748,894 981,444 809,836 617,948 130,946
Mar-02 0.72 686,097 950,756 793,124 572,344 113,753
Abr-02 0.79 957,956 1,213,134 829,238 654,811 303,145
May-02 0.68 704,975 1,031,186 880,663 602,069 102,906
Jun-02 0.90 672,457 745,262 871,890 786,714 114,257
Jul-02 0.79 718,365 908,329 855,397 676,503 41,862
Ago-02 1.42 1,076,112 756,612 860,464 1,223,819 147,707
Sep-02 0.66 650,951 985,742 859,282 567,441 83,510
Oct-02 1.37 1,254,188 915,661 891,379 1,220,929 33,259
Nov-02 1.69 1,500,728 888,394 909,924 1,537,098 36,370
Dic-02 1.73 1,726,341 1,000,427 909,614 1,569,633 156,708
M. A. D. = 165,616
Tabla 3.5 Resultados para el método de promedios móviles

80
 Pronóstico mediante el método de promedios móviles
Real
Pronóstico

2,500,000

2,000,000

1,500,000

1,000,000

500,000

M es

Figura 3.3 Resultados para el método de promedios móviles

Como se comento anteriormente, el resultado de este tipo de pronóstico tiende a

variar según el número de periodos con los cuales se obtuvo el promedio, por lo
tanto esto ocasiona errores de ponderación, por lo que este tipo de errores deben
corregirse para asegurar un buen método de pronóstico y no dejar el buen
resultado del método a criterio de elegir el número de periodos a promediar.

Este método tiene la desventaja de utilizar a juicio del pronosticador el número de

periodos ( semanas, meses, trimestres, etc) en los que se basará el promedio móvil,
por lo que dependiendo del número de periodos a considerar, dependerá el
considerar los datos más recientes y sus respectivas variaciones o bien ignorarlos
y considerar de la misma forma todos los datos de la serie.

Se tiene la ventaja con este método que al considerar un número pequeño de

periodos para la obtención del promedio, se tiene la opción de que el pronóstico se

81
 ajuste con mayor rapidez a las situaciones actuales, mientras que un número
grande de periodos, se supone que las fluctuaciones no son frecuentes en la serie.

A pesar de ser amigable la manera de utilizar este método de pronóstico, por la

sencillez de operaciones requeridas, es importante señalar que para realizar
pronósticos, se deben de considerar todas las variaciones del pasado y a su vez
tener la opción de que el pronóstico pueda adaptarse de manera rápida a las
situaciones actuales, y para ello el método de promedios móviles no tiene esa
facilidad. Es importante para el pronosticador tener las herramientas para
actualizar los pronósticos a las situaciones actuales, por ello el uso de otro tipo de
métodos puede ayudar a resolver esta situación.

3.2.4 Método de suavizado exponencial para pronósticos

Este es un método de promedio móvil ponderado que permite calcular el promedio

de una serie de tiempo, asignando a las demandas recientes mayor ponderación
que a las demandas anteriores, este método se usa más a menudo por su
simplicidad y por solo requerir de tres datos que son: a) el pronóstico del último
periodo, b) la demanda real de ese periodo y c) una constante de suavizado  cuyo
valor fluctúa entre 0 y 1.

La ecuación para determinar el pronóstico del siguiente periodo es:

Pronóstico = (último valor con ajuste estacional) + (1-)(último pronóstico)

(3.9)

La selección del valor de la constante de suavizado  tiene un efecto sustancial en

el pronóstico de modo que la selección debe hacerse con cuidado47. Un valor
pequeño es apropiado si las condiciones permanecen relativamente estables, no

47
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, p 645

82
obstante, se necesita un valor mayor si a menudo ocurren cambios significativos en
las condiciones.

Este enfoque es similar al ajuste del valor de n en el método de promedio móvil,

salvo que en estos últimos valores menores de n ponen énfasis en la demanda
reciente y los valores más grandes conceden mayor ponderación a la demanda
pasada. En la práctica se ensaya con diversos valores de  y se selecciona el que
produzca los mejores pronósticos.

La suavización exponencial es un procedimiento para revisar constantemente un

pronóstico a la luz de la experiencia más reciente48.

Para poner en marcha la suavización exponencial se requiere de un pronóstico

inicial, se tienen dos formas de hacerlo ese pronóstico, a) utilizar la demanda del
último periodo o b) si se disponen de datos históricos, calcular el promedio de
varios periodos recientes de demanda. El efecto de la estimación inicial del
promedio sobre las estimaciones sucesivas del mismo disminuye a lo largo del
tiempo, esto porque con la suavización exponencial, las ponderaciones asignadas a
las demandas históricas sucesivas, que se utilizan para calcular el promedio,
disminuyen exponencialmente.

Los valores de  más altos pueden ayudar a reducir los errores de pronóstico
cuando se produce un cambio en el promedio de la serie de tiempo; sin embargo,
seguiría habiendo retrasos si el promedio cambia sistemáticamente. Por lo tanto si
se requieren valores grandes de  para la aplicación de una suavización
exponencial, es muy probable que se requiera de otro método más refinado de
pronóstico a causa de la presencia de una tendencia o una influencia estacional
significativa en las series de demanda.

Para este método de pronóstico, el iniciar el suavizado exponencial considerando

los datos históricos más recientes obteniendo un promedio, el resultado puede

48
Hanke John, Reitsch Arthur, Pronósticos en los negocios, Prentice Hall, 5a ed, p 159

83
estar condicionado al número de periodos más recientes que se hayan considerado
para la obtención del pronóstico inicial.

Al igual que el valor para , éste debe ser seleccionado con cuidado, ya que el
resultado del pronóstico también dependerá de que valor es el que  tiene, por
estas razones, el elegir aleatoriamente el número de periodos más recientes para el
pronóstico inicial y asignar un valor a , son valores que estarían cambiando
constantemente hasta obtener el menor error de pronóstico posible.

El estar probando que valor es el que debe de adquirir  y que valor es el que se
debe de considerar como pronóstico inicial sería una labor innecesaria ya que el
número de ensayos a realizar sería hasta encontrar el valor mínimo de la desviación
media absoluta (MAD). Para evitar el estar probando valores aleatorios, se decidió
utilizar la función de SOLVER de Excel parametrizando esta función a que
proporcione el valor mínimo de MAD y que considere valores de  entre 0 y 1.

En la tabla 3.6 se muestran los resultados obtenidos al aplicar este tipo de método
para el pronóstico de la demanda, al utilizar la función de SOLVER de Excel, se tiene
que el valor óptimo para  es de 0.04071 y el pronóstico inicial es de 944,155, este
último valor es el que aparece como primer dato en la serie en la columna de
pronóstico por suavizado exponencial. Se consideran como óptimos los valores de
 y del pronóstico inicial ya que a la función de SOLVER se le indicó que se
requería minimizar el valor de la desviación media absoluta.

En la tabla 3.6, las 3 primeras columnas y el error de pronóstico, se determinaron

igual que para las secciones anteriores, las dos columnas restantes de
determinaron de la siguiente manera:

Pronóstico por suavizado exponencial: utilizando la ecuación 3.9, esto es a partir

del segundo dato de la serie por la razón expuesta anteriormente.
Pronóstico actual: del producto (pronóstico por suavizado exponencial)(factor
estacional)

84
 El la figura 3.4 se observa el comportamiento de los valores pronosticados mediante este
método contra la demanda real, se visualiza que el pronóstico se acerca más a la demanda,
es decir, los errores de pronóstico han disminuido, el valor obtenido de MAD mediante este
modelo es el más bajo de todos los métodos probados al momento, lo que pareciera indicar
que este es el método que nos podría proporcionar un mejor pronóstico de la demanda para
los periodos siguientes.
Fac estac Ventas (cjs) Pronóstico Pronóstico Error de
Mes/Año estimado Real Ajuste estac por suav exp actual pronóstico
Ene-99 0.48 716,390 1,487,469 944,155 454,721 261,669
Feb-99 0.76 576,826 755,945 966,275 737,319 160,493
Mar-99 0.72 787,063 1,090,670 957,712 691,116 95,947
Abr-99 0.79 677,335 857,762 963,125 760,535 83,200
May-99 0.68 688,833 1,007,575 958,835 655,512 33,321
Jun-99 0.90 722,976 801,251 960,820 866,956 143,980
Jul-99 0.79 646,949 818,027 954,323 754,740 107,791
Ago-99 1.42 920,473 647,183 948,774 1,349,420 428,947
Sep-99 0.66 738,817 1,118,799 936,496 618,430 120,387
Oct-99 1.37 1,484,146 1,083,549 943,918 1,292,891 191,255
Nov-99 1.69 1,693,191 1,002,327 949,602 1,604,125 89,066
Dic-99 1.73 1,882,083 1,090,680 951,749 1,642,342 239,741
Ene-00 0.48 323,067 670,797 957,405 461,102 138,035
Feb-00 0.76 570,099 747,129 945,737 721,647 151,548
Mar-00 0.72 799,352 1,107,699 937,651 676,640 122,712
Abr-00 0.79 789,329 999,589 944,574 745,886 43,443
May-00 0.68 335,871 491,288 946,814 647,294 311,423
Jun-00 0.90 1,061,861 1,176,826 928,268 837,585 224,276
Jul-00 0.79 864,125 1,092,633 938,387 742,138 121,987
Ago-00 1.42 2,121,925 1,491,921 944,667 1,343,579 778,346
Sep-00 0.66 634,873 961,395 966,947 638,539 3,666
Oct-00 1.37 1,334,344 974,181 966,721 1,324,126 10,218
Nov-00 1.69 1,492,754 883,674 967,025 1,633,556 140,802
Dic-00 1.73 1,196,444 693,348 963,632 1,662,847 466,403
Ene-01 0.48 410,079 851,463 952,628 458,801 48,722
Feb-01 0.76 901,925 1,181,995 948,509 723,763 178,162
Mar-01 0.72 373,364 517,388 958,015 691,335 317,970
Abr-01 0.79 470,656 596,028 940,076 742,334 271,678
May-01 0.68 776,950 1,136,466 926,069 633,111 143,839
Jun-01 0.90 851,034 943,174 934,634 843,329 7,705
Jul-01 0.79 670,277 847,524 934,982 739,444 69,167
Ago-01 1.42 1,096,289 770,798 931,422 1,324,740 228,451
Sep-01 0.66 396,601 600,577 924,882 610,761 214,160
Oct-01 1.37 949,375 693,122 911,679 1,248,734 299,359
Nov-01 1.69 1,507,020 892,119 902,781 1,525,031 18,011
Dic-01 1.73 1,522,084 882,058 902,347 1,557,094 35,010
Ene-02 0.48 316,318 656,784 901,521 434,187 117,869
Feb-02 0.76 748,894 981,444 891,557 680,305 68,589
Mar-02 0.72 686,097 950,756 895,216 646,018 40,079
Abr-02 0.79 957,956 1,213,134 897,478 708,697 249,259
May-02 0.68 704,975 1,031,186 910,329 622,351 82,624
Jun-02 0.90 672,457 745,262 915,249 825,838 153,381

85
 Jul-02 0.79 718,365 908,329 908,329 718,365 0
Ago-02 1.42 1,076,112 756,612 908,329 1,291,895 215,783
Sep-02 0.66 650,951 985,742 902,152 595,751 55,200
Oct-02 1.37 1,254,188 915,661 905,555 1,240,346 13,842
Nov-02 1.69 1,500,728 888,394 905,966 1,530,412 29,684
Dic-02 1.73 1,726,341 1,000,427 905,251 1,562,105 164,236
M. A. D. = 156,072
Tabla 3.6 Resultados para el método de suavizado exponencial

Pronóstico mediante el método de suavizado exponencial Real

Pronóstico

2,500,000

2,000,000

1,500,000

1,000,000

500,000

M es

Figura 3.4 Resultados para el método de suavizado exponencial

Retomando lo que se comentó con anterioridad acerca del significado de utilizar un

valor grande o un valor pequeño de , el valor de  que se utilizó en este método de
pronóstico nos indica que las condiciones permanecen relativamente constantes,
es decir los cambios que ocurren no son significativos.

La suavización exponencial, tiene como ventajas de ser sencilla y requerir un

mínimo de datos, lo que hace a este método económico y atractivo para las
empresas, sin embargo, la sencillez también es una desventaja cuando el promedio
fundamental se modifica, como en el caso de las series de demanda que muestran
una tendencia.

86
 El dar un valor mayor al último dato de la serie es un gran ventaja de este método
ya que con esto permite el considerar de manera oportuna las últimas situaciones
de cambio que se hayan tenido y de esta manera ir actualizando el pronóstico a las
situaciones actuales, además, mediante al variable de suavizado  nos percatamos
acerca del comportamiento de las variaciones, es decir, se puede detectar cuando
éstas aumentan o disminuyen, permitiendo dar un nuevo valor a la constante  y
seguir consiguiendo que el método de pronóstico proporcione resultados
aceptables.

Este método podría tener la diminuta desventaja de tener una ligera complejidad de
entender de primera instancia la manera de cómo funciona, además de en
ocasiones el estar eligiendo el valor de la constante de suavizado de manera
aleatoria hasta conseguir el menor error, sin embargo, este tipo de situación puede
resolverse de manera sencilla al contar con herramientas como el SOLVER de excel.

3.3 Aceptación del modelo de pronóstico

Como se ha comentado con anterioridad, los sucesos de la demanda en el pasado

se espera que se repitan en el futuro, de ahí que el modelo de pronóstico debe
simular el comportamiento de los datos históricos reales. El modelo de pronóstico
elegido para pronosticar la demanda debe de producir el menor error de pronóstico
para que tenga una adecuada aceptación por parte de la administración, de tal
forma que ésta pueda utilizarlo complementándolo con las situaciones actuales del
mercado.

Haciendo un resumen de los errores de pronósticos obtenidos al utilizar los

diferentes métodos de pronósticos, tenemos los resultados de la tabla 3.7, en
donde se observa que le menor error de pronóstico se obtiene al utilizar el método
de suavizado exponencial, por esta razón la gerencia después de haber entendido
el funcionamiento de este modelo lo ha aceptado para pronosticar la demanda de
distribución de los siguientes periodos.

87
 Método de pronóstico MAD
Ultimo valor 196,264
Promedio 166,545
Promedios móviles 165,616
Suavizado exponencial 156,072

Tabla 3.7 Valores de la MAD para los métodos de pronósticos utilizados.

El análisis de la información que se hizo fue de los últimos cuatro años, con el
método de suavizado exponencial se tiene una tendencia de comportamiento
similar a la expresada en el pasado, sin embargo, para validar que el método de
suavizado exponencial es el mejor método de pronóstico, se realizaron los
pronósticos para los siguientes tres periodos, es decir, para los periodos de enero,
febrero y marzo del 2003, utilizando el mismo valor de la constante de suavizado ,
los datos obtenidos se muestran en la tabla 3.8. Cabe señalar que la obtención de
estos pronósticos se realizó de manera similar a lo expresado en la sección 3.2.4,
utilizando los mismos factores estacionales para los periodos en cuestión.

Periodo Pronóstico Vtas reales Error

Ene-03 436,380 427,530 8,850
Feb-03 690,365 709,436 19,071
Mar-03 654,766 671,469 16,703

Tabla 3.8 Pronósticos vs. ventas reales para los últimos periodos

Al colocar los datos de la tabla 3.8 para obtener de tal manera una continuación de
las tablas 3.3, 3.4, 3.5 y 3.6, se tiene la posibilidad de obtener nuevamente un
análisis del valor de la MAD considerando los tres nuevos errores de pronóstico, en
donde se tiene que el menor valor para la desviación media absoluta es cuando se
utiliza el método de suavizado exponencial tal y como se muestra en la tabla 3.9.

Método de pronóstico MAD

Ultimo valor 186,205
Promedio 157,298
Promedios móviles 153,381
Suavizado exponencial 147,766

88
 Tabla 3.9 Valores de la MAD para los métodos de pronósticos utilizados
considerando los tres últimos periodos

Por lo que se observa en la tabla 3.9, el método de suavizado exponencial es el

método que en la gerencia de distribución se seguirá utilizando para determinar la
demanda de los próximos periodos, esto por proporcionar el menor error de
pronóstico. El tener en promedio un error de pronóstico de  147,766 cajas, no es
motivo de preocupación para la gerencia de distribución, ya que la experiencia
muestra que este número de cajas no representan algún problema mayor para
poder ser distribuirlas, incluso la experiencia indica que se tiene la capacidad para
que este número de cajas sean embarcadas en máximo 48 horas. Esto es para el
caso en el que el pronóstico sea menor a la demanda real en un determinado
periodo.

En el caso de que el pronóstico resulte mayor a la demanda real, a la gerencia no le

causa problema alguno el haber pronosticado de más, ya que la cantidad de cajas
que se tienen como error no es significativa para el volumen promedio mensual de
cajas que se tienen que distribuir, la experiencia indica que es posible conocer con
debida anticipación
si el pronóstico quedará por arriba o por debajo de la demanda real para cualquier
periodo, esto permite a la gerencia de distribución tomar las medidas necesarias
para cubrir la operación sin ningún contratiempo.

89
 Pronóstico mediante el método de suavizado exponencial
Real
Pronóstico

2,500,000

2,000,000

1,500,000
Ctd (c js)

1,000,000

500,000

Mes

Figura 3.5 Resultados para el método de suavizado exponencial incluyendo los

periodos más recientes.

En la gerencia se ha decidido programar la operación de los siguientes periodos en

base a lo que indique el pronóstico, se estima que como mínimo cuatro días antes
de finalizar cada periodo se tenga la posibilidad de conocer que tan exacto fue el
pronóstico y de esta manera programar la operación en base a los datos reales ya
sean mayores o menores al pronóstico.

Al igual que en las secciones anteriores se hicieron gráficos para visualizar el

pronóstico y su semejanza con los datos históricos, para reafirmar la aceptación de
este tipo de método de pronóstico (suavizado exponencial) para determinar la
demanda de los siguientes periodos, en la figura 3.5 se muestra el comportamiento
de lo pronosticado y lo real incluyendo los tres periodos recientes.

En este gráfico se observa principalmente para los últimos periodos de la serie, que
el pronóstico ya es muy similar a lo real, es decir, el error de pronóstico ha
disminuido, retomado los valores de la tabla 3.8, tenemos que el error de pronóstico
no rebasa las 20 mil cajas, por lo obtenido en los periodos recientes, el método de

90
 pronóstico tiene una mejor aceptación para la gerencia ya que se considera a los
tres últimos errores de pronóstico como poco relevantes.

3.3.1 Señal de rastreo

La señal de rastreo es una medición que indica si un método de pronóstico está

previendo con precisión los cambios reales de la demanda. La señal de rastreo
mide el número de las MAD representada por la suma acumulativa de errores de
pronóstico, es decir, la CFE.

La CFE tiende a cero cuando se utiliza un sistema de pronóstico correcto, sin

embargo, los errores aleatorios pueden hacer que en cualquier momento la CFE se
convierta en un número diferente de cero49.

Debido a que la suavización exponencial supone la continuidad en el futuro de

algún patrón histórico, resulta útil desarrollar una medida que se pueda utilizar para
determinar cuando se modifica el patrón básico50. La medida más común es la
señal de rastreo, esta señal comprende el cálculo de alguna medición del error a
través del tiempo y establece límites que son determinados de antemano, de modo
que cuando el error rebase dichos límites, se alerte al pronosticador.

Se puede emplear una señal de rastreo para determinar cuando debe cambiarse el
tamaño de la constante de suavización , por lo regular se pronostican un gran
número d elementos, una práctica común consiste en continuar con el mismo
tamaño de  durante varios periodos, antes de determinar si es necesaria una
revisión. La simplicidad de utilizar un modelo establecido de suavización
exponencial es un fuerte motivador para no efectuar un cambio, aunque en algún

49
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a
ed, 2000, pp 520-521

50
Hanke John, Reitsch Arthur, Pronósticos en los negocios, Prentice Hall, 5a ed, pp 161-162

91
 punto es necesario actualizar alfa. Cuando un modelo produce pronósticos que
contienen un amplio de margen de error, un cambio resultaría apropiado.

Un sistema de rastreo proporciona un método para monitorear la necesidad de

cambio, dicho sistema contiene un nivel de variaciones permisibles entre el
pronóstico y los valores reales51. Mientras el pronóstico se ubique dentro del nivel,
no es necesario modificar a alfa, sin embargo, si el pronóstico se sale dl nivel, el
sistema señala la necesidad de actualizar a alfa.

La fórmula para determinar la señal de rastreo (SR) es :

CFE
SR  (3.10)
MAD

Los límites dentro de los cuales deberá estar la señal de rastreo se determinan
mediante el uso de la tabla 3.10, que muestra el área de la distribución de
probabilidad normal dentro de los límites (o acotamientos) de control de 1 a 4 MAD.

Expansión del Número Porcentaje del área

límite de control equivalente de dentro de los
(número de MAD) desv std límites de control
+- +- 
1.00 0.80 57.63%
1.50 1.20 76.99%
2.00 1.60 89.04%
2.50 2.00 95.45%
3.00 2.40 98.36%
3.50 2.80 99.49%
4.00 3.20 99.86%

51
Ibid, p 162

92
 Tabla 3.10 Porcentaje del área de la distribución de probabilidad normal dentro de
los límites de control para la señal de rastreo52.

Krajewski Lee señala53, que para encontrar el número equivalente de desviaciones

estándar, se usa la aproximación de MAD  0.8 (considerando que los errores de
pronósticos están distribuidos normalmente y con una media de cero), usando la
distribución de probabilidad normal, tenemos que el área entre  0.8 es la siguiente:

Para una z de 0.8 se tiene un área de: 0.78814

Para una z de –0.8 se tiene un área de: 0.21186

Entonces, el área entre  0.8 es de: (0.78814 – 0.21186) = 0.57628

Manejando esta cifra en porcentaje y considerando sólo dos cifras se tiene el

resultado del primer renglón de la tercer columna de la tabla 3.10, de la misma
manera se obtienen los porcentajes restantes para los diferentes números de MAD.
Partiendo de la aproximación de que MAD  0.8, entonces se tiene que para  1.5
MAD   1.20 , de esta forma es como se determina el número de   para los MAD
de 1 a 4, y utilizando como se comentó con anterioridad las tablas de la distribución
de probabilidad normal (al igual que para el primer renglón de la tabla 3.10), se
encuentra el porcentaje del área dentro de los límites de control para cada uno de
los diferentes números de las MAD.

La gerencia ha solicitado que para reforzar la aceptación del modelo de pronóstico

de suavizado exponencial, sería interesante que el pronóstico se esté monitoreando
de tal manera que los límites de control estén en  3, para cumplir con este
requerimiento, se debe de encontrar el respectivo número de MAD, el cual se
muestra en la tabla 3.11.

52
Krajewski Lee J., Ritzman Larry P., Administración de operaciones, estrategia y análisis, Prentice Hall, 5a
ed, 2000, p 522

53
op. cit

93
 Expansión del Número Porcentaje del área
límite de control equivalente de dentro de los
(número de MAD) desv std límites de control
+- +- 
1.00 0.80 57.63%
1.50 1.20 76.99%
2.00 1.60 89.04%
2.50 2.00 95.45%
3.00 2.40 98.36%
3.50 2.80 99.49%
3.75 3.00 99.73%
4.00 3.20 99.86%

Tabla 3.11 Porcentaje del área de la distribución de probabilidad normal dentro de

los límites de control para la señal de rastreo, considerando el valor de  3

La tabla 3.11 se obtiene de la misma manera que la tabla 3.10. Para un valor de 3.75
MAD, se tiene el equivalente de  3 y el porcentaje del área dentro de los límites de
control es de 99.73%.

Apoyándonos en las tablas 3.8 y 3.6, obtenemos los valores de CFE (utilizando la
ecuación 3.2) y MAPE (utilizando la ecuación 3.6), el valor de la MAD ya es
conocido, entonces en resumen tenemos los siguientes resultados:

CFE = -792,706
MAD = 147,766
MAPE = 19.68%

Utilizando la ecuación 3.10, tenemos que nuestra señal de rastreo es:

 792,706
SR   5.36
147,766

Es decir, nuestro límite de control superior es 5.36 y nuestro límite de control

inferior es –5.36, con una media en cero. Con esto se grafican las señales de
rastreo utilizando los límites antes descritos, de haber un punto fuera de control se

94
tendría que analizar la causa y de presentarse una causa asignable, entonces dicho
punto no representaría algún problema para la administración ni para el
pronosticador.

En la figura 3.6, se muestra la gráfica resultante de estar monitoreando la señal de

rastreo en cada periodo, en esta gráfica se observa que no se tienen puntos fuera
de los límites, por lo que el método de pronóstico sigue siendo aceptable así como
el valor de la constante de suavización , en el momento en que se tenga que el
proceso está fuera de control, entonces se deben tomar decisiones como el cambio
del método de pronóstico o intentar realizar el pronóstico cambiando la constante
de suavización.

En la figura 3.6, se observa que la señal de rastreo para el periodo de agosto del
2000 tiende a salirse del límite superior, pero la señal de rastreo para este periodo
es de 5.27 y nuestro límite superior es de 5.36, por lo tanto, se puede afirmar que la
señal de rastreo está en control ya que no se tienen puntos fuera de los límites y la
señal no presenta alguna tendencia o patrón que pudiera indicar lo contrario.

Una vez que se graficó la señal de rastreo, es conveniente graficar los errores de
pronóstico para saber si éstos están o no dentro de control, para esto haremos uso
nuevamente de las tablas 3.6 y 3.8, en donde nuestro interés ahora es monitorear el
comportamiento de los errores de pronóstico, la media es el promedio de los
errores en toda la serie de tiempo, y los límites superior e inferior son de  3.75
MAD, esto es para cumplir con los requerimientos de la gerencia de utilizar  3
para el monitoreo de los errores, tal y como se muestra en la tabla 3.11, entonces en
resumen para el monitoreo de los errores tenemos lo siguiente:
MAD = 147,766, entonces, 3.75 MAD = 554,122
Media = -15,543
Límite superior = ((-15,543) + (554,122)) = 538,579
Límite Inferior = ((-15,543) - (554,122)) = -569,666

95
 Proceso
Monitoreo de la señal de rastreo Media
Lim Superior
Lim Inferior
6.00

4.00

2.00
Señal de rastreo

-
9

1
0

2
9

2
99

00

01

02

03
99

00

01

02
l-9

l-0

l-0

l-0
-9

-0

-0

-0
e-

e-

e-

e-

e-
r-

r-

r-

r-
ct

ct

ct

ct
Ju

Ju

Ju

Ju
En

Ab

En

Ab

En

Ab

En

Ab

En
O

O
-2.00

-4.00

-6.00
Periodo

Figura 3.6 Monitoreo de la señal de rastreo

Con estos datos antes mencionados y utilizando los errores para cada periodo de la
serie de tiempo, obtenemos la figura 3.7, en esta figura se observa que hay un
punto que sale del límite superior, es el periodo de agosto del 2000, este mismo
punto en la gráfica de la figura 3.6 parece estar fuera del límite, pero en ese caso no
estuvo fuera de control. Al analizar esto con la gerencia, se tiene que para el
periodo de agosto del 2000, hubo un cambio en la administración de la dirección
corporativa, en donde se tuvo la necesidad de incrementar drásticamente los
volúmenes de ventas para que la administración entrante no tuviera problemas de
márgenes al inicio de su gestión, a su vez que con este cambio en la dirección de
ventas hubieron también cambios en las políticas de negocio que permitieran
obtener un mejor margen de utilidad para la empresa.

96
 Errores
Monitoreo de los errores Media
Lim superior
Lim inferior

800,000
700,000
600,000
500,000
400,000
300,000
200,000
Ctd (cjs)

100,000
-
(100,000)

2
9

2
0

01

03
99

00

02
99

00

01

02
l-9

l-0

l-0

l-0
-9

-0

-0

-0
e-

e-

e-

e-

e-
r-

r-

r-

r-
ct

ct

ct

ct
Ju
Ju

Ju

Ju
(200,000)
En

Ab

En

Ab

En

Ab

En

Ab

En
O

O
(300,000)
(400,000)
(500,000)
(600,000)
Periodo

Figura 3.7 Monitoreo de los errores en la serie de tiempo

Después del periodo de agosto del 2000, no se tiene otro punto fuera de los límites
de control, por lo que la gerencia ha decido aceptar completamente este método de
pronóstico ya que al analizar los últimos tres periodos de la serie que corresponden
a los primeros meses del año 2003, los errores son mínimos y con ello se estima
que el pronosticador estará vigilando que el método funcione y en determinado
momento tomar decisiones del tipo que comentamos anteriormente.

Cuando iniciamos el tema de señal de rastreo, se hizo mención acerca del supuesto
de Krajewski Lee, que dice “la aproximación de MAD  0.8 es considerando que los
errores de pronósticos están distribuidos normalmente y con una media de cero”54,
en el gráfico de la señal de rastreo tenemos una media de cero, para el caso del
monitoreo de los errores la media que se tiene tiende a cero, por lo que hasta ahora
la suposición va por buen camino.

54
op. cit

97
 Sin embargo, el supuesto también menciona que los errores deben estar
distribuidos normalmente, esto debe de cumplirse para validar el uso de las tablas
de la distribución normal de probabilidad con las cuales se construyeron las tablas
3.10 y 3.11. Para saber si se tiene la normalidad o no, se debe entonces hacer la
prueba de normalidad al proceso y de ahí saber si la suposición de la normalidad es
correcta o no, de no ser correcta entonces se tendría que hacer uso de otro método
para el monitoreo de los errores de pronóstico.

Haciendo uso de MINITAB, se realiza la prueba de normalidad obteniendo la figura

3.8, en donde se observa que se tiene un valor de P de 0.174, con lo que se cumple
la condición de normalidad, es decir, para que se considere que un proceso tiene
una distribución normal se debe de cumplir la siguiente condición:

P 0.05

Prueba de normalidad para la señal de rastreo

.999
.99
.95
Probability

.80

.50
.20
.05
.01
.001

-3 -2 -1 0 1 2 3 4 5
Señal de ras
Av erage: -0.105686 Anderson-Darling Normality Test
StDev : 1.39101 A-Squared: 0.524
N: 51 P-Value: 0.174

Figura 3.8 Prueba de normalidad para la señal de rastreo

Por los resultados de esta prueba, tenemos que el supuesto de Krajewski Lee para
la señal de rastreo se cumple, por lo tanto es válido utilizarlo para monitorear los

98
errores de pronóstico en nuestro caso de estudio, ya que tenemos que los errores
están distribuidos normalmente como lo confirma la prueba de normalidad.

Con estos resultados que se han obtenido en relación a la señal de rastreo y a

conseguir el error más pequeño de pronóstico, la gerencia ha decido aceptar por
completo el uso del método de pronóstico de suavizado exponencial. Haciendo uso
de este tipo de pronóstico se determinará la demanda que se tendrá que distribuir
hasta antes de iniciar la próxima temporada alta de ventas, dichos pronósticos
deberán de corregirse a medida que se tenga el dato real para cada periodo así
como de enriquecerlos con el uso de la experiencia de la administración para
adaptar el método a la situación actual del mercado.

La administración tiene la posibilidad con este monitoreo de ir detectando con la

debida anticipación si el modelo está proporcionando una cierta tendencia o se
empieza a salir de los límites de control la señal de rastreo y de esa forma corregir
el método para seguir consiguiendo el menor error de pronóstico posible. Se debe
tener cuidado ya que en cada periodo la MAD se va actualizando, y entonces puede
ser que para el mediano plazo los límites de control sean menores lo que indicaría
que se tiene una mejor precisión en el pronóstico.

Al mantener este tipo de aplicaciones en la administración actual de la empresa,

dará la posibilidad de que en el mediano plazo se fijen ciertos límites de control
para adecuar mejor el método de pronóstico, y hacer que la demanda sea cada vez
mejor conocida para que la incertidumbre en el mediano plazo tienda a desaparecer.

3.4 Conclusiones

Después de analizar los usos y aplicaciones de los diferentes métodos de

pronósticos, resalta la importancia de saber en primera instancia que los
pronósticos deben tener la posibilidad de adaptarse a la situación actual además de
considerar los cambios independientemente del tamaño y frecuencia.

99
El recabar la información forma parte fundamental de un pronóstico ya que ésta es
prácticamente la base para el buen funcionamiento de cualquier método de
pronóstico, esto porque al igual que en cualquier otro medio si se ingresa
información errónea, los resultados serán erróneos.

Es prácticamente imposible el obtener que un pronóstico sea igual a la demanda,

esto puede ocurrir, pero no siempre, por lo que la selección del método consiste
prácticamente en encontrar al que nos proporcione el menor error, es decir, lo que
se busca con los métodos de pronóstico es equivocarse lo menos posible y que
éstos tengan la posibilidad de adaptarse de manera rápida a las situaciones
actuales de cambio. Para aceptar el modelo no basta solo con que éste
proporcione el menor error posible, sino que además el método debe ser entendido
por la administración y por muy difícil que sea, el pronosticador debe encontrar el
medio para hacerlo más amigable y que no represente dificultades para el resto del
personal, la gerencia debe estar convencida del funcionamiento del método y de los
beneficios que se obtienen.

La señal de rastreo es un buen medio para monitorear el funcionamiento del

método, sin embargo, no debe pasarse por alto la suposición que ésta implica, que
es la de tener los errores de pronósticos distribuidos normalmente, esta suposición
debe de cumplirse ya que de lo contrario se estarían utilizando erróneamente las
tablas de la distribución normal de probabilidad. Lo que provocaría tener un mal
control del funcionamiento del método de pronóstico no permitiendo detectar
cuando éste ya no esté funcionando o bien cuando se tengan que hacer
modificaciones.

Obtener los errores de pronóstico a través de sus diferentes expresiones, brinda la

oportunidad de saber que tan exacto es el método, así como el conocer que tanto
es lo que distarán del valor real. Al medir los errores, éstos pueden ser controlados
manteniendo con ello una tolerancia que permita en determinado momento que la
inexactitud del pronóstico no implique complicaciones para la operación de la
gerencia de distribución.

100
La regresión lineal es una forma de pronosticar, sin embargo para nuestro estudio, esta no
fue posible aplicarla debido al número de variables a considerar, además de que no se
tienen definidas las variables tanto dependientes como independientes. Una regresión
lineal múltiple podría ser la solución, sin embargo, no se tienen variables claramente
definidas, por lo que se tuvo que hallar un método de pronóstico alterno a la regresión
para solucionar el problema de estudio.

Los diferentes tipos de pronósticos estudiados, son útiles cuando se determina con
claridad cual será la función principal de pronosticar, no se puede afirmar que un método
es mejor que otro, todo depende de cual sea el objetivo principal, es decir, dependiendo
de las variables a considerar y sobre todo el comportamiento histórico real, se determina
el modelo de pronóstico que mejor represente a dicha demanda y a partir de ahí
pronosticar la demanda futura.

101
 Capítulo 4
Método de transporte y transbordo

Introducción

De la misma manera que la función de compras se hace responsable del flujo de llegada
de materiales, distribución tiene a su cargo el flujo de salida de materiales o de producto
terminado. La distribución consiste en la administración del flujo de materiales, desde los
fabricantes hasta los clientes y desde los almacenes hasta los minoristas, e incluye el
almacenamiento y transporte de productos, la distribución amplía el mercado de una
empresa porque añade a sus productos el valor de tiempo y lugar.

Con un modelo de programación lineal de los métodos de transporte y transbordo se

estaría considerando el seguir utilizando determinadas rutas para la distribución así como
identificar de manera cuantitativa la forma de minimizar costos de distribución. Una vez
elaborado el modelo y hallando la solución a éste, probablemente se obtenga como
resultado el no utilizar ciertas rutas, sin embargo, esto no implica que forzosamente con el
primer resultado del modelo se haya obtenido la solución óptima. Posterior a la solución
deberán considerarse las ventajas y desventajas de los resultados obtenidos de tal forma
que al encontrar la manera de minimizar los costos, no se vea afectada la atención a los
centros de distribución foráneos ni a los clientes, así como tampoco poner en riesgo los
tiempos de entrega, es decir, la programación lineal es solo una herramienta que ayuda a
la administración a la toma de decisiones de manera cuantitativa, pero es realmente la
administración quien decide si la respuesta obtenida es la mejor o habría que realizar
algún otro análisis para fortalecer el resultado.

Una vez resuelto el modelo de programación lineal de transporte y transbordo, posterior a

esto se espera dar inicio a una utilización mayor de la investigación de operaciones para
solucionar problemas que de tiempo a tras se tienen como por ejemplo, la selección de
proveedores, horarios de trabajo, asignación de recursos entre otros. Se espera que para
este tipo de herramientas al principio se tenga cierto rechazo por parte del personal
administrativo encargado de la operación, debido a que este tipo de herramienta es la
primera vez que se utiliza en esta gerencia (al igual que los pronósticos), y es común el no
creer o no confiar en algo de lo cual no se hayan visto sus buenos resultados, esto es una
práctica común en la vida diaria.

102
De presentarse este tipo de problema, la forma en que se le dará solución es utilizando
ejemplos más sencillos de la programación lineal buscando la forma de que estos
ejemplos sean aplicables a las funciones diarias de cada persona, incluso se espera que
ellos mismos sean los que propongan los ejemplos y en forma conjunta hallar las
soluciones.

Varias actividades esenciales para el buen funcionamiento de la cadena de suministro se

refieren al control diario del movimiento de la carga. El programa de embarques debe
estar fusionado con los programas de compras y de control de la producción, en él
también se refleja el trueque de ventajas y desventajas entre los costos de transporte y
los tiempos de respuesta al cliente. Si un embarque se retrasa un par de días más a fin
de combinarlo con otros, es posible obtener una tarifa de camión completo. También hay
opciones en la selección de rutas, es posible obtener una tarifa de embarque más baja si
se elige una ruta que permita combinar los embarques destinados a varios clientes.

La empresa está en condiciones de negociar tarifas generales más bajas al planear rutas
por las cuales se tenga la posibilidad de remitir con regularidad grandes volúmenes de
mercancías, las decisiones son complejas. Aún con las regulaciones existentes, las
tarifas del servicio de transporte varían notablemente, según la modalidad de transporte
de que se trate y el transportista seleccionado.

Existen diferentes formas posibles de propiedad y administración de los servicios de

transporte, una empresa puede convertirse en transportista privada, siendo dueña y
administradora de sus propios vehículos. También tiene la posibilidad de utilizar
outsourcing, confiando la distribución a un transportista por contrato y negociando con él
la cantidad, el tipo y la frecuencia específica de sus embarques. Un transportista por
contrato no presta servicio al público en general, sino solo a ciertos clientes en particular.
La empresa en estudio selecciona a transportistas comunes, los cuales están legalmente
obligados a atender a todos los clientes, esta opción ofrece a la empresa el menor grado
de control sobre la disponibilidad del transportista, pero para que esto no ocasione
problemas de servicio, la empresa ha diseñado indicadores de evaluación del desempeño
a los cuales deben sujetarse los proveedores para que en base a los resultados de estas
evaluaciones se determine la prioridad de negociación o el incremento en la participación

103
de la distribución, esta modalidad también es adecuada para los mercados
geográficamente dispersos.

4.1 Utilización del método de transporte y transbordo

El modelo de transporte es una forma especial del modelo de redes que se aplica
rutinariamente a problemas de asignar la producción de varias fábricas a diferentes
almacenes o a otros centros de distribución. El propósito del modelo es auxiliar en la
selección de las rutas de transporte más económicas para los embarques que se
requieran, este mismo modelo se puede utilizar también para analizar otros problemas
con una estructura matemática similar que no implican la selección de rutas de transporte.

Almacén
Central

Gua Mer
Tiju Mont
d i

Figura 4.1 Esquema para el modelo de transporte

El esquema de la figura 4.1 muestra que se pueden tener uno o más orígenes y lo que se
busca es seleccionar las rutas para suministrar a los distintos orígenes que proporcionen
una disminución de los costos de distribución, cabe resaltar que en el modelo de
transporte, las demandas de todos los destinos deben ser igual a la capacidad del o los
orígenes. En el modelo de transporte, no se tiene la necesidad de utilizar puntos
intermedios antes de llegar al destino final, sino que se supone que la distribución es
directa desde el almacén central o la planta hasta los usuarios finales.

Una limitación evidente del modelo de transporte es que se supone que las unidades que
se embarcan desde cada origen hasta cada destino son idénticas e intercambiables. Sin

104
embargo, muchas organizaciones tienen múltiples productos con demandas distintas y
diversas áreas de mercado, puede no ser apropiado resolver el problema de distribución
para cada producto independientemente de los otros porque es más barato por unidad
cuando se embarcan grandes cantidades en las mismas rutas.

El uso del modelo de transporte está basado en la suposición de que existían rutas
directas desde cada fábrica (o punto de abastecimiento) a cada expendio (o punto de
demanda), en realidad las cosas no siempre son tan simples, las rutas importantes de
transporte pasan realmente a través de centros importantes de distribución antes de
dirigirse a áreas más pequeñas de mercado55.

Almacén
Central

Gua Mer
Tiju Mont
d i

Figura 4.2

G1 T1 M1 Me1

Esquema para el modelo de transbordo

La figura 4.2, es un esquema en el cual se puede observar una interpretación del modelo
de transbordo, en este esquema se observa que para llegar al destino final por ejemplo
los destinos G1 y M1, en ocasiones se hace necesario el utilizar puntos intermedios entre
el origen y el destino final. En el método de transbordo es posible tener cantidades
intercambiables entre los destinos, por lo que una diferencia importante entre el modelo
de transporte y el modelo de transbordo es que en el modelo de transbordo los destinos
se consideran también como orígenes para la resolución del modelo y en el de transporte
esto no es posible.

Al existir cantidades intercambiables entre los destinos, entonces se hace uso del método
de transbordo, que permite solucionar problemas del tipo en el que se tienen que los
destinos también pueden ser orígenes. Cada vez se hace más necesario el realizar
embarques directos de la planta o almacén central (considerado generalmente como
origen) al destino final sin tener la necesidad de utilizar centros de distribución.

55
Buffa Elwood S., Dyer James S., Ciencias de la administración e investigación de operaciones, formulación
de modelos y métodos de solución, Limusa, pp 582-583

105
Como lo comentamos con anterioridad, para nuestro caso de estudio se hace necesaria la
utilización del método de transbordo para los casos en los que se puedan realizar
embarques directos desde el almacén central a los principales clientes mayoristas, por
esta razón, el planteamiento del problema, la construcción y solución se harán
considerando al problema por resolver como un problema de transbordo, ya que permite
mayor flexibilidad en la naturaleza del sistema de distribución que se analiza.

Hay cinco categorías importantes de problemas de redes que se convierten en tipos

especiales de problemas de flujo de costo mínimo, las cuales son las siguientes56:

1. Problemas de transporte: los orígenes y los destinos de un problema de transporte

son, respectivamente, los nodos de recursos y los nodos de demanda. Así un
problema de transporte es sólo un problema del flujo de costo mínimo sin nodos
de transbordo y sin restricciones de capacidad en los arcos (todos los cuales van
en forma directa de un nodo de recursos a uno de demanda).
2. Problemas de asignación: involucra la asignación de un grupo de asignados a un
grupo de tareas donde cada asignado debe realizar una sola tarea, un problema
de asignación puede ser visto como un tipo especial de problema de transporte
cuyos orígenes son los asignados y cuyos destinos son las tareas. Esto también
hace del problema de asignación un tipo especial de problema del flujo del costo
mínimo con las características antes descritas. Además, cada asignado es un
nodo de recursos con un suministro de 1 y cada tarea es un nodo de demanda con
una demanda de 1.

3. Problemas de transbordo: este tipo de problema es justo como un problema de

transporte excepto por las características adicionales que los embarques desde
los orígenes (nodos de recursos) hasta los destinos (nodos de demanda) también
pueden pasar por los puntos de transferencia intermedios (nodos de transbordo)
tales como los centros de distribución. Como un problema de transporte, no hay
restricción de capacidad sobre los arcos. En consecuencia, cualquier problema
del flujo de costo mínimo donde cada arco puede llevar cualquier cantidad
deseada de flujo es un problema de transbordo.

56
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, pp 245-257

106
 4. Problema de flujo máximo: un problema de flujo máximo se ocupa de flujo a
través de una red, pero ahora el objetivo es diferente, en lugar de minimizar el
costo del flujo, el objetivo es encontrar un plan de flujo que maximice la cantidad
que fluye a través de la red. Excepto por la diferencia en le objetivo (maximizar el
flujo contra minimizar el costo), las características del problema de flujo máximo
son muy similares a las del problema del flujo de costo mínimo.

5. Problemas de la ruta más corta: las aplicaciones más comunes de los problemas
de la ruta más corta son lo que el nombre sugiere: hallar la ruta más corta entre
dos puntos. Este tipo de problema puede ser pensado como un tipo especial de
problema del flujo de costo mínimo, donde la distancia recorrida ahora se
interpretan como el costo del flujo a través de la red.

El origen y el destino de un problema de flujo máximo son análogos a los nodos de

recursos y demanda en el problema del flujo de costo mínimo. Éstos son los únicos
nodos en ambos problemas que no cuentan con conservación del flujo (flujo de salida
igual a flujo de entrada). Igual que los nodos de recursos, el origen genera el flujo. Igual
que los nodos de demanda, el destino absorbe el flujo.

Existen dos diferencias entre estos nodos en el problema del flujo del costo mínimo y los
nodos correspondientes en el problema de flujo máximo57:

 Mientras que los nodos de recursos tienen suministros fijos y los nodos de
demanda tienen demandas fijas, el origen y el destino no los tienen. La razón es
que el objetivo es maximizar el flujo que sale del origen y entra al destino en lugar
de fijar esa cantidad.

 La segunda diferencia es que, mientras que el número de nodos de recursos y el

número de nodos de demanda en un problema de flujo de costo mínimo pueden
ser más de uno, puede haber solo un origen en un problema de flujo máximo.

Por lo anterior, para el problema que nos ocupa, en donde se tiene un solo origen, es
factible el utilizar el problema de transbordo ya que lo que nos interesa es el flujo de costo
mínimo, además de tener centros de distribución a través de los cuales la demanda puede
pasar antes de llegar al destino final.

4.2 Formulación y construcción del modelo de transbordo

57
Ibid, p 253

107
Siguiendo las recomendaciones encontradas en nuestra revisión bibliográfica, llevaremos
a cabo el planteamiento del problema que la empresa en estudio tiene y que se resolverá
mediante la programación lineal utilizando el método de transbordo. La empresa tiene un
almacén central y cuatro centros de distribución foráneos, cada uno de los cuales se
encarga de atender a sus respectivos clientes, las demandas que se muestran a
continuación, se obtuvieron del histórico de cada uno de los centros y de las estimaciones
del área de ventas, la demanda para cada uno de los centros foráneos es la siguiente:

Centro Demanda
foráneo anual (cjs)
Guad 484,061
Meri 189,866
Mont 455,918
Tiju 259,562

Tabla 4.1 Demanda anual de los centros foráneos

Por limitaciones en el sistema de base de datos, la empresa utiliza la nomenclatura de

Guad, Meri, Mont y Tiju para la asignación de los centros denominados Guadalajara,
Mérida, Monterrey y Tijuana respectivamente, que son las ciudades donde se encuentran
ubicados los centros de distribución foráneos.

La demanda de los principales clientes en cada uno de los centros se muestra en la tabla
4.2. Los datos que se muestran en las tablas 4.1 y en la segunda columna de la tabla 4.2,
son parte de las restricciones de nuestro modelo de programación lineal que se construirá
más adelante, la tercer columna de la tabla 4.2 muestra solamente el porcentaje que
representa en la operación cada uno de los principales clientes, por lo tanto, esta columna
no forma parte de las restricciones del modelo.

Demanda del
cliente principal Porcentaje de
Centro foráneo (cjs) operación
Guad 95,164 19.66%
Meri 43,731 23.03%
Mont 100,580 22.06%
Tiju 65,090 25.08%

Tabla 4.2 Demanda anual de los principales clientes en los centros foráneos

Para facilitar la interpretación del problema, se asignarán las siguientes nomenclaturas a

cada uno de los clientes de los centros foráneos:

G1 cliente principal del centro Guad

T1 cliente principal del centro Tiju
M1 cliente principal del centro Mont
Me1 cliente principal del centro Meri

108
Un problema en particular que la empresa tiene, es el de abastecer la demanda de 28,297
cajas para la ciudad de La Paz, BCS., esto representa un problema ya que actualmente
se suministra a este destino desde tres orígenes que son: almacén central, el centro Guad
y el centro Tiju.

Para esquematizar y facilitar la interpretación de lo hasta ahora descrito, se tiene el

esquema de la figura 4.1, el cual es una red de distribución en el que se observa la
ubicación del almacén central, los centros foráneos, los clientes principales y las rutas
actuales de distribución para estos destinos.

Almacé
n
Central

Gua Tiju Me
Mont
d ri

Me
G1 T1 M1 1

Figura 4.3
La Paz,
BCS.
Diagrama de red para la interpretación del problema de transbordo

De la figura 4.3, se puede decir entonces que se tienen 15 rutas de distribución para el
problema en estudio, cada una de estas rutas representan las variables de decisión que
se utilizarán más adelante (en la construcción del modelo), las cuales se definen de la
siguiente manera:

X1; cantidad de cajas a distribuirse del almacén central al centro Guad

X2; cantidad de cajas a distribuirse del almacén central al centro Tiju
X3; cantidad de cajas a distribuirse del almacén central al centro Mont
X4; cantidad de cajas a distribuirse del almacén central al centro Meri
X5; cantidad de cajas a distribuirse del almacén central al cliente G1
X6; cantidad de cajas a distribuirse del almacén central al cliente T1
X7; cantidad de cajas a distribuirse del almacén central al cliente M1
X8; cantidad de cajas a distribuirse del almacén central al cliente Me1
X9; cantidad de cajas a distribuirse del almacén central a la ciudad de La Paz, BCS.
X10; cantidad de cajas a distribuirse del centro Guad a la ciudad de La Paz, BCS
X11; cantidad de cajas a distribuirse del centro Tiju a la ciudad de La Paz, BCS
X12; cantidad de cajas a distribuirse del centro Guad al cliente G1
X13; cantidad de cajas a distribuirse del centro Tiju al cliente T1
X14; cantidad de cajas a distribuirse del centro Mont al cliente M1

109
X15; cantidad de cajas a distribuirse del centro Meri al cliente Me1

Una vez definidas nuestras variables de decisión, el paso siguiente es determinar los
correspondientes coeficientes de contribución que junto con las variables de decisión nos
permitirán construir la función objetivo más adelante, dichos coeficientes son los
respectivos costos unitarios de distribución por caja que se tienen para cada una de las
rutas antes expuestas. Siguiendo el orden y descripción de las variables de decisión, a
continuación se muestran los respectivos coeficientes de contribución para cada una de
las variables:

C1 = $ 6.40 por caja

C2 = $ 20.00 por caja
C3 = $ 8.70 por caja
C4 = $ 9.30 por caja
C5 = $ 6.40 por caja
C6 = $ 20.00 por caja
C7 = $ 8.70 por caja
C8 = $ 9.30 por caja
C9 = $ 18.70 por caja
C10 = $ 17.90 por caja
C11 = $ 15.00 por caja
C12 = $ 7.60 por caja
C13 = $ 21.20 por caja
C14 = $ 9.30 por caja
C15 = $ 10.50 por caja

Estos importes han sido proporcionados por el responsable del área contable de la
gerencia de distribución, quien lleva los registros de los montos pagados en cada servicio
de transporte con el correspondiente número de cajas.

De la problemática antes descrita, lo que se busca entonces es disminuir los costos de

distribución a través de identificar las mejores rutas de distribución que nos permitan
optimizar los recursos disponibles.

En todos los problemas de programación lineal hay una medida de desempeño que
permite maximizar (generalmente ganancias, rendimiento, eficiencia o efectividad) o
minimizar (por lo común, costo o tiempo), en términos de optimización, la medida de
desempeño por optimizar se llama función objetivo58. Cada modelo de programación
lineal tiene dos características importantes: una función objetivo por maximizar o
minimizar y ciertas restricciones.

La programación lineal proporciona un ejemplo de lo que se conoce de manera más

general como modelo de toma de decisiones con restricciones, también llamado modelo
de optimización con restricciones, una descripción de dicho modelo es 59: un modelo de
optimización restringido representa el problema de la asignación de recursos escasos de
tal modo que se optimice un objetivo en interés.
58
Eppen, Gould, Investigación de operaciones, en la ciencia administrativa, Prentice Hall, 5a ed, pp 68-70
59
Ibid, p 69

110
Con la información que hasta ahora tenemos, es posible formular la función objetivo de
nuestro modelo, sin embargo, como se comentó con anterioridad, para la construcción del
modelo también es necesario identificar las restricciones. Apoyándonos en el diagrama
de la figura 4.3, se observa que solo se tiene un solo origen que es el almacén central y 9
destinos conformados por los 4 centros foráneos, los 4 clientes principales y la cuidad de
La Paz, BCS., por lo tanto, tenemos un total de once restricciones a considerar en la
construcción de nuestro modelo; diez son del total de orígenes y destinos, más la
restricción de la no negatividad tenemos un total de once restricciones.

El manejar un diagrama de red para interpretar los problemas de transbordo proporciona

la gran ventaja de identificar de manera rápida el número restricciones y de variables a
considerar.

Se ha identificado hasta el momento el número de restricciones a utilizarse en la

construcción del modelo, sin embargo, en los problemas de programación lineal se tienen
tres tipos de restricciones, por lo que se hace necesario identificar que tipo de
restricciones son las que debemos de considerar para determinado problema en estudio.

Los tipos de restricciones se utilizan de acuerdo a lo siguiente:

La restricción del tipo  se utiliza para el caso de recursos

La restricción del tipo  se utiliza para el caso de beneficios
La restricción del tipo = se utiliza para el caso de requerimientos fijos

Los requerimientos fijos son la demanda, es decir, la cantidad proporcionada es

exactamente igual a la cantidad requerida.

Una característica identificadora de los problemas puros de redes de distribución es que

las principales restricciones funcionales en la forma final del modelo son restricciones de
requerimientos fijos. Sin embargo, otros problemas de programación lineal algunas veces
incluyen también limitaciones de requerimientos físicos60.

Es claro que para nuestro problema de estudio, debemos entonces de considerar que las
restricciones a utilizar serán del tipo de recursos y de requerimientos fijos, esto se debe a
que debemos de cumplir con la demanda de cada uno de los clientes optimizando los
recursos del almacén central y de cada uno de los centros de distribución foráneos, es
decir, no se debe de sobrepasar la capacidad del almacén central ni de los centros
foráneos.

No solo es importante identificar todas las restricciones en la construcción del modelo,

sino también hacer una adecuada selección del tipo de restricción a utilizarse, para no
caer por ejemplo en el tipo errores de sobrepasar la capacidad o bien no cumplir con la
demanda de un cliente.

60
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, pp 102-103

111
 Almacén
Central

X1
X2 X4
X3
X5
Gua Tiju Mer
Mont
d i
X8
X12 X6 X7 X14 X15
X9 X13
X11
X10
G1 T1 M1 Me1

La Paz,
BCS.

Figura 4.4 Identificación de las variables de decisión en el diagrama de red

La figura 4.4, es un diagrama de red en donde se muestran físicamente las variables de

decisión antes definidas que corresponden a cada una de las rutas, así como una relación
con cada uno de los nodos que representan nuestras restricciones como ya lo
comentamos , con este diagrama y utilizando la información de las tablas 4.1 y 4.2,
identificaremos el tipo de restricciones y la magnitud de éstas.

Restricción 1: almacén central

Se tiene una capacidad de 1,722,269 cajas, la cual no debe ser rebasada, por lo tanto la
restricción a utilizar es del tipo , es decir, de recurso; esta restricción queda formulada de
la siguiente manera:

X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9  1722269

Restricción 2: centro Guad

Tiene una demanda de 484,061 cajas, a su vez es posible que suministre producto a dos
destinos: el cliente G1 y a la cd. de La Paz, BCS., la restricción a utilizar es del tipo =, es
decir, de requerimiento fijo; esta restricción queda formulada de la siguiente manera:

X1 - X10 - X12 = 484061

Restricción 3: centro Tiju

Tiene una demanda de 259,562 cajas, a su vez es posible que suministre producto a dos
destinos: el cliente T1 y a la cd. de La Paz, BCS., la restricción a utilizar es del tipo =, es
decir, de requerimiento fijo; esta restricción queda formulada de la siguiente manera:

112
X2 - X11 - X13 = 259562

Restricción 4: centro Mont

Tiene una demanda de 455,918 cajas, a su vez es posible que suministre producto al
cliente M1, la restricción a utilizar es del tipo =, es decir, de requerimiento fijo; esta
restricción queda formulada de la siguiente manera:

X3 - X14 = 455918

Restricción 5: centro Meri

Tiene una demanda de 189,866 cajas, a su vez es posible que suministre producto al
cliente Me1, la restricción a utilizar es del tipo =, es decir, de requerimiento fijo; esta
restricción queda formulada de la siguiente manera:

X4 - X15 = 189866

Restricción 6: cliente G1

Tiene una demanda de 95,164 cajas, puede recibir producto por parte del centro Guad o
del almacén central , la restricción a utilizar es del tipo =, es decir, de requerimiento fijo;
esta restricción queda formulada de la siguiente manera:

X5 + X12 = 95164

Restricción 7: cliente T1

Tiene una demanda de 65,090 cajas, puede recibir producto por parte del centro Tiju o del
almacén central , la restricción a utilizar es del tipo =, es decir, de requerimiento fijo; esta
restricción queda formulada de la siguiente manera:

X6 + X13 = 65090

Restricción 8: cliente M1

Tiene una demanda de 100,580 cajas, puede recibir producto por parte del centro Mont o
del almacén central , la restricción a utilizar es del tipo =, es decir, de requerimiento fijo;
esta restricción queda formulada de la siguiente manera:

X7 + X14 = 100580

Restricción 9: cliente Me1

Tiene una demanda de 43,731 cajas, puede recibir producto por parte del centro Meri o
del almacén central , la restricción a utilizar es del tipo =, es decir, de requerimiento fijo;
esta restricción queda formulada de la siguiente manera:

113
X8 + X15 = 43731

Restricción 10: cd. de La Paz, BCS.

Tiene una demanda de 28,297 cajas, puede recibir producto por parte de tres orígenes
que son: almacén central, centro Tiju y el centro Guad, la restricción a utilizar es del tipo =,
es decir, de requerimiento fijo; esta restricción queda formulada de la siguiente manera:

X9 + X10 + X11 = 28297

Restricción 11: no negatividad

Todas las variables de decisión deben ser mayores o iguales a cero.

Habiendo identificado a todas las restricciones, el tener definidas las variables de decisión
y sus respectivos coeficientes de contribución, nos permite construir nuestro modelo de
programación lineal, en primera instancia, determinaremos la función está formada por los
coeficientes de contribución y las variables de decisión, el objetivo que se busca minimizar
los costos de distribución, la función objetivo es la siguiente:

Z (min) = C1X1+C2X2+C3X3+C4X4+C5X5+C6X6+C7X7+C8X8+C9X9+C10X10+C11X11+C12X12
+C13X13+C14X14+C15X15

Esta función debe estar sujeta a todas las restricciones antes descritas, de tal forma que
nuestro modelo de programación lineal a resolver es el siguiente:

Z (min) = 6.40X1 + 20.00X2 + 8.70X3 + 9.30X4 + 6.40X5 + 20.00X6 + 8.70X7 + 9.30X8 + 18.70X9
+ 17.90X10 + 15.00X11 + 7.60X12 + 21.20X13 + 9.30X14 + 10.50X15

Sujeta a:

X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9  1722269
X1 - X10 - X12 = 484061
X2 - X11 - X13 = 259562
X3 - X14 = 455918
X4 - X15 = 189866
X5 + X12 = 95164
X6 + X13 = 65090
X7 + X14 = 100580
X8 + X15 = 43731
X9 + X10 + X11 = 28297
X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13, X14, X15,  0

El modelo en si es un sistema de ecuaciones, en cada restricción (renglón) se tienen

todas las variables, sin embargo, cuando el coeficiente de la variable es cero, por
convención esta variable no aparece, esto no quiere decir que la variable no corresponda,

114
significa que las variables que no aparecen es porque tienen como coeficiente cero y es el
mismo que se ingresa para resolver el modelo.

4.3 Solución del modelo

La solución del modelo resultante, la haremos utilizando la paquetería de excel, por ser un
paquete convencional, fácil de utilizar y lo más importante es que para la empresa esto
no ocasiona ningún gasto adicional en la adquisición de licencias de soft wares
especializados. Además de que el personal de distribución está plenamente familiarizado
con este paquete lo que facilita su utilización y aprendizaje de nuevos comandos.

Para facilitar el uso de excel y siguiendo lo recomendado por la bibliografía, es necesario

que primero se construya un tabla en donde se encuentre toda la información requerida
para la construcción del modelo, como destinos y orígenes, costos unitarios, cantidades a
distribuir, etc., por tal motivo en la tabla 4.3 se muestra esta información.

Ruta

Variable De a Cantidad (cjs) Costo unitario ($)

X1 Almacén central Guad 484,061 6.40
X2 Almacén central Tiju 259,562 20.00
X3 Almacén central Mont 455,918 8.70
X4 Almacén central Meri 189,866 9.30
X5 Almacén central G1 95,164 6.40
X6 Almacén central T1 65,090 20.00
X7 Almacén central M1 100,580 8.70
X8 Almacén central Me1 43,731 9.30
X9 Almacén central La Paz 28,297 18.70
X10 Guad La Paz 28,297 17.90
X11 Tiju La Paz 28,297 15.00
X12 Guad G1 95,164 7.60
X13 Tiju T1 65,090 21.20
X14 Mont M1 100,580 9.30
X15 Meri Me1 43,731 10.50

Costo total = $ 22,171,913.80

Tabla 4.3 Cantidades y costos para la solución del modelo

Las tres primeras columnas (de izquierda a derecha) de la tabla 4.3, muestran las
variables decisión con la misma nomenclatura y definición anteriormente establecidas, la
columna de cantidad, muestra la demanda requerida para cada destino y la columna de
costo unitario muestra el costo por caja que se tiene para cada destino. En el último
renglón de la tabla se muestra el costo total que actualmente se tiene al utilizar las rutas
actuales de distribución, esta cantidad representa aproximadamente el 14.5% del
presupuesto total asignado a distribución anualmente.

115
El costo total de distribución (renglón de costo total en la tabla 4.5), se obtiene al
multiplicar la cantidad de cajas a distribuir por cada ruta por su respectivo costo unitario,
posteriormente se suman cada uno de estos productos para así obtener el costo total.
En la tabla 4.4, se muestra la información, cantidades y restricciones necesarias para
ingresar el modelo en excel y obtener su solución, para esta tabla, a diferencia de la
anterior (tabla 4.3), se agregan 4 columnas más que son la identificación de los nodos, es
decir, se denomina por nombre a cada nodo que son las restricciones definidas en la
sección anterior, la columna de flujo neto, indica la cantidad real de cajas generada en los
arcos del nodo en cuestión, esta cantidad de flujo neto no debe ser mayor a la cantidad de
demanda, la columna de restricción muestra el tipo de restricción que se debe de utilizar
conforme a la explicación descrita con anterioridad, por último, en la columna de
demanda, muestra la demanda requerida en cada destino.

Ruta Nodos

Variable De a Cantidad (cjs) Costo unitario ($) Nombre Flujo neto Restricción Demanda
X1 Almacén central Guad 484,061 6.40 Almacén central 1,722,269 <= 1,722,269
X2 Almacén central Tiju 259,562 20.00 Guad - 360,600 = - 484,061
X3 Almacén central Mont 455,918 8.70 Tiju - 166,175 = - 259,562
X4 Almacén central Meri 189,866 9.30 Mont - 355,338 = - 455,918
X5 Almacén central G1 95,164 6.40 Meri - 146,135 = - 189,866
X6 Almacén central T1 65,090 20.00 G1 - 190,328 = - 95,164
X7 Almacén central M1 100,580 8.70 T1 - 130,180 = - 65,090
X8 Almacén central Me1 43,731 9.30 M1 - 201,160 = - 100,580
X9 Almacén central La Paz 28,297 18.70 Me1 - 87,462 = - 43,731
X10 Guad La Paz 28,297 17.90 La Paz, BCS. - 84,891 = - 28,297
X11 Tiju La Paz 28,297 15.00
X12 Guad G1 95,164 7.60
X13 Tiju T1 65,090 21.20
X14 Mont M1 100,580 9.30
X15 Meri Me1 43,731 10.50

Costo total = $ 22,171,913.80

Tabla 4.4 Información requerida por excel para la construcción del modelo

La cantidad de cajas que fluyen a través de cada uno de los arcos (rutas), es ilimitada, por
lo que no representan entonces una restricción a considerar para la solución del modelo.
Las restricciones que deben de considerarse es que la cantidad del flujo neto para el nodo
del almacén central debe ser menor o igual a la demanda, mientras que el flujo neto del
resto de los nodos debe ser exactamente igual a la demanda, esto por tratarse de una
restricción de tipo de requerimiento fijo, prácticamente las últimas cuatro columnas de la
tabla 4.4, representan las restricciones que se definieron en la sección anterior, no hay
que olvidar que también se debe indicar en excel, el considerar la restricción de la no
negatividad, esto se hace en el menú de opciones de SOLVER.

Las columnas de flujo neto y de demanda que se presentan con números negativos, se
debe a que se trata de nodos de demanda, mientras que el único nodo de recurso que es

116
 el almacén central se presenta con signo positivo. La solución del modelo se hará
entonces variando las cantidades de la columna de “cantidad de cajas”.

Ruta Nodos

Variable De a Cantidad (cjs) Costo unitario ($) Nombre Flujo neto Restricción Demanda
X1 Almacén central Guad 484,061 6.40 Almacén central 1,722,269 <= 1,722,269
X2 Almacén central Tiju 259,562 20.00 Guad - 484,061 = - 484,061
X3 Almacén central Mont 455,918 8.70 Tiju - 259,562 = - 259,562
X4 Almacén central Meri 189,866 9.30 Mont - 455,918 = - 455,918
X5 Almacén central G1 95,164 6.40 Meri - 189,866 = - 189,866
X6 Almacén central T1 65,090 20.00 G1 - 95,164 = - 95,164
X7 Almacén central M1 100,580 8.70 T1 - 65,090 = - 65,090
X8 Almacén central Me1 43,731 9.30 M1 - 100,580 = - 100,580
X9 Almacén central La Paz 28,297 18.70 Me1 - 43,731 = - 43,731
X10 Guad La Paz 0 17.90 La Paz, BCS. - 28,297 = - 28,297
X11 Tiju La Paz 0 15.00
X12 Guad G1 0 7.60
X13 Tiju T1 0 21.20
X14 Mont M1 0 9.30
X15 Meri Me1 0 10.50

Costo total = $ 17,743,218.60

Tabla 4.5 Solución del modelo

En la tabla 4.5, se muestra la solución al modelo, lo primero que se debe observar es que
la cantidades de flujo neto, en ningún caso son mayores a la demanda, por lo que las
restricciones antes definidas se cumplen en su totalidad.

La columna de “cantidad (cjs)” de la tabla 4.5, nos indica la cantidad de cajas que deben
distribuirse a través de las diferentes rutas, en esa misma columna, se observa que en los
últimos seis renglones las cantidades a distribuirse son cero, esto significa (en términos
de cómo se definieron las variables de decisión) que los principales clientes mayoristas
así como la cd. de La Paz, BCS, deben ser abastecidos directamente por el almacén
central. Haciendo la distribución siguiendo los resultados del modelo, se tiene un costo
total de distribución de $17,743,218.60 como se observa en la tabla 4.5, es decir, se
reduce el costo en un poco más del 19%. El costo total de distribución que se muestra en
la tabla 4.5, se obtiene de la misma manera que en la tabla 4.4.

La reducción del costo de distribución que al momento se ha obtenido con la solución del
modelo es de un poco más de $4,400,000.00, esto representa el pago de la nómina anual
del personal administrativo de toda la gerencia de distribución.

En un primer análisis de los resultados obtenidos en el modelo, se puede decir que los
centros de distribución foráneos no deben de abastecer a los principales clientes
mayoristas, sino que éstos deberán ser suministrados por parte del almacén central, el
destino de la Cd. de La Paz, BCS, deberá ser abastecido directamente desde el almacén

117
central, aún cuando esto represente el mayor costo unitario de las tres diferentes rutas
que se tienen para este destino. El aceptar los resultados de la solución del modelo,
implica que la administración de la gerencia en primera instancia conozca los beneficios
de hacerlo además de estar convencida de que el costo total de distribución obtenido al
resolver el modelo, es el costo más bajo que se tendrá al estar analizando los clientes que
conforman este problema.

El abastecer a la Cd. de La Paz desde el almacén central, implica que el área de ventas
también esté convencida del ahorro que se tendrá, sin embargo esto puede obligar al área
de ventas a cambiar la política de levantamiento de pedidos para este destino de tal forma
que los tiempos de entrega no se vean afectados, así como también el informar a los
principales clientes mayoristas de que el almacén central es el responsable de su
abastecimiento.

Es importante resaltar que al aceptar los resultados del modelo, se estarían tomando
decisiones de manera cuantitativa, lo que implica que en un corto plazo se tenga la
posibilidad de que la gerencia analice el resto de los clientes para que de la misma
manera se consiga el menor costo de distribución, no tan solo considerando los clientes
principales sino a todos los demás, aunque esto representaría una labor más compleja en
lo referente al análisis de la información y con una demanda de tiempo demasiado alta.

4.4 Análisis de sensibilidad

El análisis de sensibilidad es un método para investigar el efecto que tienen cambios en

los diferentes parámetros sobre la solución óptima de un problema de programación
lineal. Se pueden cambiar los coeficientes de la función objetivo, los valores del segundo
término de las ecuaciones de restricción o los coeficientes asociados directamente con las
restricciones. Es frecuente que los coeficientes de la función objetivo o los valores del
segundo término de las ecuaciones de restricción sean estimaciones y, por ello la
sensibilidad de la solución ante cambios en estos parámetros es de especial valor.

El impacto que tienen los cambios en los coeficientes del cuerpo de las restricciones es
de menor importancia porque se obtienen del problema, es más probable que estos
últimos coeficientes sean valores reales y no estimaciones. Por estas razones, se deben
considerar solo los cambios en los coeficientes de la función objetivo y en los valores del
segundo término, es decir, en el lado derecho de la restricción.

Una de las suposiciones en el análisis de la programación lineal es que los valores de los
parámetros del problema se conocen con certidumbre, sin embargo, en ocasiones los
valores de estos parámetros no siempre se conocen con certidumbre, por ejemplo:
cambios en los costos de materiales, mano de obra, demoras de los envíos de los
proveedores, huelgas y otros factores que serían condiciones que, de ocurrir,
ocasionarían cambios en la disponibilidad de recursos, cada uno de estos cambios podría
afectar la solución óptima al problema original de programación lineal.

Una forma de analizar cambios en los coeficientes de la función objetivo o en los valores
del segundo término consiste en volver a resolver el problema utilizando los nuevos
valores. Sin embargo, y con frecuencia, esto no es necesario porque el problema
modificado puede tener el mismo conjunto óptimo de variables básicas. El análisis de

118
sensibilidad permite determinar el impacto del cambio sin repetir completo el proceso de
solución61.

Si la solución óptima es la misma para un intervalo amplio de valores de un coeficiente en

particular en la función objetivo, entonces la administración puede tomar cualquier
estimación burda de este coeficiente. Por otra parte, si incluso un pequeño error en la
estimación cambiaría la solución óptima, entonces la administración debe poner atención
especial para refinarla. Un resumen del beneficio del análisis de qué pasa si (análisis de
sensibilidad) es el siguiente62:

 Por lo común, muchos parámetros del modelo de programación lineal sólo son
estimaciones de cantidades que no pueden determinarse con precisión. El
análisis de “que pasa si” revela la cercanía necesaria de cada una de estas
estimaciones para evitar tener una solución óptima errónea y, en consecuencia,
señala los parámetros sensibles donde se precisa atención adicional para refinar
las estimaciones.

 No obstante, en vez de quedar satisfecho con el enfoque pasivo del análisis de

sensibilidad pasiva de verificar el efecto de que las estimaciones de parámetros
sean inexactos, el análisis de que pasa si con frecuencia va más allá para adoptar
un enfoque proactivo. Puede hacerse un análisis de diversas acciones
administrativas posibles que resultarían en cambios al modelo.

Después de describir brevemente lo que es el análisis de sensibilidad, para nuestro caso

de estudio resulta ser de gran importancia el realizar este análisis debido a que tenemos
parámetros que no siempre se conocen con certidumbre, por ejemplo el costo unitario de
distribución que puede cambiar conforme a las situaciones económicas del país. La
demanda de los clientes también puede cambiar por diferentes motivos, lo que implicaría
analizar un cambio en el lado derecho de la restricción para conocer los efectos sobre la
función objetivo y saber cuál es el costo total de distribución al tener cambios sensibles en
los parámetros. En las tablas 4.6 se muestra el análisis de sensibilidad correspondiente
para la solución del modelo obtenida en la sección anterior.

Celdas cambiantes
Valor Costo Coeficiente Incremento Decremento
Celda Nombre final reducido objetivo permisible permisible
$D$3 Guad Cantidad (cjs) 484,061 0 6.4 1E+30 5.6
$D$4 Tiju Cantidad (cjs) 259,562 0 20 1E+30 16.3
$D$5 Mont Cantidad (cjs) 455,918 0 8.7 1E+30 9.3

61
Davis, McKeown, Modelos cuantitativos para administración, Grupo Editorial Iberoamérica, pp 186-188

62
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, pp 142-144

119
 $D$6 Meri Cantidad (cjs) 189,866 0 9.3 1E+30 10.5
$D$7 G1 Cantidad (cjs) 95,164 0 6.4 7.6 1E+30
$D$8 T1 Cantidad (cjs) 65,090 0 20 21.2 1E+30
$D$9 M1 Cantidad (cjs) 100,580 0 8.7 9.3 1E+30
$D$10 Me1 Cantidad (cjs) 43,731 0 9.3 10.5 1E+30
$D$11 La Paz Cantidad (cjs) 28,297 0 18.7 5.6 1E+30
$D$12 La Paz Cantidad (cjs) 0 6 17.9 1E+30 5.6
$D$13 La Paz Cantidad (cjs) 0 16 15 1E+30 16.3
$D$14 G1 Cantidad (cjs) 0 8 7.6 1E+30 7.6
$D$15 T1 Cantidad (cjs) 0 21 21.2 1E+30 21.2
$D$16 M1 Cantidad (cjs) 0 9 9.3 1E+30 9.3
$D$17 Me1 Cantidad (cjs) 0 11 10.5 1E+30 10.5

Tabla 4.6 a, Informe de sensibilidad para las celdas cambiantes

Restricciones
Valor Precio LD de Incremento Decremento
Celda Nombre Final sombra la restricción permisible permisible
$G$3 Almacén central Flujo neto 1,722,269 - 1722269 1E+30 0
$G$4 Guad Flujo neto - 484,061 - 6 -484061 484061 0
$G$5 Tiju Flujo neto - 259,562 - 20 -259562 259562 0
$G$6 Mont Flujo neto - 455,918 - 9 -455918 455918 0
$G$7 Meri Flujo neto - 189,866 - 9 -189866 189866 0
$G$8 G1 Flujo neto - 95,164 - 6 -95164 95164 0
$G$9 T1 Flujo neto - 65,090 - 20 -65090 65090 0
$G$10 M1 Flujo neto - 100,580 - 9 -100580 100580 0
$G$11 Me1 Flujo neto - 43,731 - 9 -43731 43731 0
$G$12 La Paz, BCS. Flujo neto - 28,297 - 19 -28297 28297 0

Tabla 4.6 b, Informe de sensibilidad para las restricciones

El análisis de sensibilidad que ofrece SOLVER, lo otorga para las celdas cambiantes y
para las restricciones de manera simultánea, por lo que en la tabla 4.6 a, se muestra el
informe de sensibilidad para las celdas cambiantes, mientras que en la tabla 4.6 b, se
muestra el informe de sensibilidad para las restricciones.

En la tabla 4.6 a, las columnas de incremento y decremento permisibles nos indican los
límites entre los cuales pueden estar los coeficientes de las variables de decisión y el
efecto que tienen sobre la función objetivo se muestra en la columna de costo reducido.

Los primeros nueve renglones de la columna de costo reducido son cero, lo cual indica
que independientemente del valor que tomen los coeficientes para cada una de estas
nueve variables, el precio no se reducirá. Caso contrario es para los últimos seis
renglones en los cuales si se tiene un costo reducido, en este caso el resultado final si se
verá modificado al incrementar o disminuir algunos de estos coeficientes.

El análisis de sensibilidad básico se presenta bajo tres encabezados63:

1) Cambio en el coeficiente de la función objetivo de una variable no básica.

63
Davis, McKeown, Modelos cuantitativos para administración, Grupo Editorial Iberoamérica, p 189

120
 2) Cambio en el coeficiente en la función objetivo de una variable básica.

3) Cambio en el valor de uno de los recursos.

Los posibles cambios que pudieran realizarse para los dos primeros encabezados se
muestran en la tabla 4.6 a, que como ya se comentó nos muestra los límites en los cuales
pueden estar los coeficientes de las variables de decisión de la función objetivo. El
nombre de variable básica o no básica, obedece a la relevancia que tenga la variable para
la solución óptima de programación lineal.

En la tabla 4.6 b, se tiene una columna de “precio sombra”, es necesario el conocer que
significa esto para realizar un mejor análisis de sensibilidad, por lo que en la siguiente
sección se hace una explicación del significado de lo que es el precio sombra.

4.4.1 Precio sombra

Los lados derechos de las restricciones con frecuencia representan decisiones de política
administrativa. Si es así, el análisis de precios sombra proporciona una guía acerca de
cual sería el efecto de alterar estas decisiones de la política. El análisis de precios
sombra puede aplicarse con validez para investigar cambios posibles en los lados
derechos siempre y cuando estos cambios no sean demasiado grandes.

La relación entre los precios sombra como recurso y la función objetivo puede expresarse
de la siguiente manera64: el precio sombra para un recurso determinado refleja el impacto
que tiene sobre la función objetivo un cambio unitario en el recurso, este impacto en el
precio se mantiene mientras el cambio en el recurso se encuentre dentro de los límites
determinados por el análisis de sensibilidad.

El precio sombra de una restricción da información valiosa porque indica cuánto

aumentará el valor óptimo de la función objetivo por un aumento de unidad en el lado
derecho de la restricción. A la inversa, un valor negativo del precio sombra proporciona el
cambio en el valor óptimo de la función objetivo por una disminución en el lado derecho65.

Los límites entre los cuales puede variar el lado derecho de la restricción se obtienen con
el análisis de sensibilidad, para nuestro caso de estudio en la tabla 4.6 b, las columnas de
incremento y decremento permisibles nos proporcionan estos límites. A estos límites en
ocasiones se les conoce también como intervalo de factibilidad, es decir, el intervalo de
factibilidad da el intervalo en el cual el precio sombra es válido.

Para ejemplificar lo antes descrito, haremos una modificación dentro del intervalo
permisible de acuerdo a lo obtenido en las tablas 4.6, esto para observar la modificación
que se tiene en la solución del modelo, los resultados de estas modificaciones se
muestran en la tabla 4.7, como solo se trata de un ejemplo, haremos una modificación al
64
Ibid, p 199
65
Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., Métodos cuantitativos para administración, McGraw
Hill, 2000, pp 166-167

121
 lado derecho de la restricción 2 que es el centro Guad, de acuerdo a lo obtenido en la
tabla 4.6 b, al modificar en una unidad el lado derecho de la restricción, tendremos un
decremento de 6 unidades en el resultado final tal como lo muestra el precio sombra, de
tal forma que la hacer esta modificación, la nueva solución del modelo es la que se
muestra en la tabla 4.7.

Ruta Nodos

Variable De a Cantidad (cjs) Costo unitario ($) Nombre Flujo neto Restricción Demanda
X1 Almacén central Guad 484,060 6.40 Almacén central 1,722,268 <= 1,722,269
X2 Almacén central Tiju 259,562 20.00 Guad - 484,060 = - 484,060
X3 Almacén central Mont 455,918 8.70 Tiju - 259,562 = - 259,562
X4 Almacén central Meri 189,866 9.30 Mont - 455,918 = - 455,918
X5 Almacén central G1 95,164 6.40 Meri - 189,866 = - 189,866
X6 Almacén central T1 65,090 20.00 G1 - 95,164 = - 95,164
X7 Almacén central M1 100,580 8.70 T1 - 65,090 = - 65,090
X8 Almacén central Me1 43,731 9.30 M1 - 100,580 = - 100,580
X9 Almacén central La Paz 28,297 18.70 Me1 - 43,731 = - 43,731
X10 Guad La Paz 0 17.90 La Paz, BCS. - 28,297 = - 28,297
X11 Tiju La Paz 0 15.00
X12 Guad G1 0 7.60
X13 Tiju T1 0 21.20
X14 Mont M1 0 9.30
X15 Meri Me1 0 10.50

Costo total = $ 17,743,212.20

Tabla 4.7 Solución del modelo al modificar una restricción

En la tabla 4.7 se observa que ahora el costo total de distribución ha disminuido en 6

unidades, esto es posible determinarlo al observar el mismo resultado que se obtuvo en la
tabla 4.5. De esta forma es como se ejemplifica la utilización del análisis de sensibilidad
así como el conocer como se modifica la solución del modelo al tener una variación en las
restricciones, esto ayuda a la administración a tener un mejor panorama del resultado
final en el caso en que las restricciones tengan que ser modificadas, utilizando el análisis
de sensibilidad no es necesario volver a construir nuevamente el modelo para conocer la
nueva solución.

Con la nueva solución que se obtuvo para el modelo, en la tabla 4.8 se muestra el análisis
de sensibilidad correspondiente, en el cual se observa que el decremento permisible
ahora ya no es de cero sino prácticamente es la unidad, los precios sobra conservan su
valor.

Restricciones
Valor Precio LD de Incremento Decremento
Celda Nombre Final sombra la restricción permisible permisible
$G$3 Almacén central Flujo neto 1,722,268 - 1722269 1E+30 0.9999997
$G$4 Guad Flujo neto - 484,060 - 6 -484060 484060 0.9999997
$G$5 Tiju Flujo neto - 259,562 - 20 -259562 259562 0.9999997

122
 $G$6 Mont Flujo neto - 455,918 - 9 -455918 455918 0.9999997
$G$7 Meri Flujo neto - 189,866 - 9 -189866 189866 0.9999997
$G$8 G1 Flujo neto - 95,164 - 6 -95164 95164 0.9999997
$G$9 T1 Flujo neto - 65,090 - 20 -65090 65090 0.9999997
$G$10 M1 Flujo neto - 100,580 - 9 -100580 100580 0.9999997
$G$11 Me1 Flujo neto - 43,731 - 9 -43731 43731 0.9999997
$G$12 La Paz, BCS. Flujo neto - 28,297 - 19 -28297 28297 0.9999997

Tabla 4.8 Análisis de sensibilidad para la segunda solución del modelo.

4.5 Conclusiones

Es importante saber identificar el modelo de programación lineal que nos permitirá

solucionar el problema en cuestión, por ejemplo, si lo que se pretende es obtener una
reducción de costos, la programación lineal nos ofrece cinco alternativas de modelos que
pueden ser utilizados para este objetivo, dichos modelos son: transporte, transbordo, ruta
crítica, flujo máximo y asignación.

Cada uno de estos modelos tiene diferentes características las cuales deben de
conocerse para utilizar el mejor modelo y obtener con ello la mejor solución, aunque los
cinco modelos nos permiten tener una reducción de los costos, las características propias
del problema son las que deben determinarse con la mayor exactitud posible y
seleccionar el modelo más apropiado.

En ocasiones se llega a tener confusión en el uso del modelo de flujo máximo, este
modelo se utiliza para ocupar al máximo la infraestructura ya construida, como por
ejemplo, cuando se construye una carretera lo que se busca es que se tenga el mayor
aforo vehicular por esa carretera, otro ejemplo es el caso de los oleoductos, en los cuales
debe circular la mayor cantidad de fluido para disminuir los costos de distribución.

Los modelos de transporte y transbordo en apariencia tienen igual similitud, lo que en

ocasiones confunde su aplicación y uso, por ello la importancia de conocer las pequeñas
diferencias entre estos modelos para obtener mejores resultados. En el modelo de
transporte no es posible tener cantidades intercambiables entre los destinos, mientras que
en el modelo de transbordo esto si es posible.

Con el modelo de transbordo se tiene la posibilidad de que los destinos son a su vez
orígenes de los cuales salen las cantidades intercambiables, con esto una empresa de
distribución puede eficientar y optimizar centros de distribución que hoy día tienen mayor
relevancia en su utilización para disminuir los tiempos de entrega mejorando la atención a
los clientes. Para la solución del modelo se debe tener cuidado en la restricción que se
pueda tener a través de los arcos entre los orígenes y destinos, para nuestro caso esto no
fue una limitante, sin embargo en ocasiones esto debe de considerarse.

La identificación de las restricciones es parte fundamental para la construcción y solución

del modelo, además es importante el identificar el tipo de restricción a utilizar, esto es
posible mediante la determinación del nodo, es decir, conociendo si el nodo es de recurso,
de demanda o de requerimiento fijo. No está por demás comentar que la restricción de la

123
no negatividad debe de considerarse siempre para no caer en errores de solución e
interpretación del modelo.

Una vez solucionado el modelo, el análisis de sensibilidad retoma importancia ya que a

través de éste podemos conocer el resultado final sin la necesidad de construir
nuevamente el modelo, además tanto las restricciones como los coeficientes de
contribución son apreciaciones las cuales pueden cambiar de manera repentina ya que no
siempre dependen de la administración, pero ésta debe tener la capacidad de conocer
como esos cambios pueden afectar el resultado final. Las variaciones pueden ser
conocidas a través de la interpretación y utilización del precio sombra.

La construcción del modelo dependió en mucho de recabar correctamente la información

así como de identificar las restricciones del problema, la determinación de las variables de
decisión y los coeficientes de contribución fueron formulados partiendo de la elaboración
de un diagrama de red que comúnmente se utiliza para este tipo de problemas.

No solo es importante el determinar las restricciones del problema, sino también identificar
el tipo de restricción, el identificar el tipo de restricción ayudó en gran parte a la correcta
construcción del modelo de programación lineal.

124
 Análisis de resultados

Después de desarrollar el presente trabajo de investigación, los resultados obtenidos nos

muestran que la investigación de operaciones juega un papel cada día más importante en
la toma de decisiones así como en el de elaborar una mejor planeación de las
operaciones con la finalidad de optimizar los recursos que se tienen para el desarrollo de
las mismas.

La regresión lineal es una forma de pronosticar, sin embargo para nuestro estudio, esta no
se pudo aplicar debido al número de variables a considerar, además de que no se tienes
definidas las variables tanto dependientes como independientes. Una regresión lineal
múltiple podría ser la solución, sin embargo, no se tienen variables claramente definidas,
por lo que se tuvo que hallar un método de pronóstico alterno a la regresión para
solucionar el problema de estudio.

Los diferentes tipos de pronósticos estudiados, son útiles cuando se determina con
claridad cual será la función principal de pronosticar, no se puede afirmar que un método
es mejor que otro, todo depende de cual sea el objetivo principal, es decir, dependiendo
de las variables a considerar y sobre todo el comportamiento histórico real, se determina
el modelo de pronóstico que mejor represente a dicha demanda y a partir de ahí
pronosticar la demanda futura.

El método de pronóstico elegido fue el de suavización exponencial, debido a que nos

proporcionó el menor error de pronóstico, el tipo de error que se obtuvo es del tipo
aleatorio, es decir, no se tiene una tendencia hacia arriba o hacia abajo con respecto a la
demanda real. Esto resulta de utilidad apoyándonos a su vez en lo obtenido en la señal
de rastreo en donde se observó que los errores resultantes están dentro de los límites de
control establecidos para este efecto.

El patrón de demanda encontrado en los datos históricos de la demanda realmente es

una combinación de los patrones del tipo horizontal, cíclico, estacional y de tendencia,
esto nos permitió hacer uso del método de suavizado exponencial ya que este método
considera todas las variaciones y a través de la constante de suavizado , es posible

125
considerar la frecuencia y magnitud de las variaciones a fin de asegurar un menor error en
el pronóstico. En nuestro caso de estudio, para la constante de suavizado , se obtuvo
un valor muy pequeño, lo que nos indica que las fluctuaciones en la serie de tiempo no
son muy grandes, sin embargo, este valor deberá revisarse cuando los errores de
pronóstico hayan salido de los límites de control de la señal de rastreo.

Al monitorear los errores de pronóstico y estar actualizando la constante de suavizado, se

tiene la posibilidad de saber cuando las variaciones estén aumentando y tomar las
medidas necesarias para corregir o disminuir los errores de pronóstico. Las medidas que
se pueden tomar son el de corregir los factores de estacionalidad, recabar correctamente
la información para los periodos inmediatos anteriores, evaluar nuevamente otro tipo de
pronóstico.

Los resultados obtenidos en la elaboración del pronóstico, dependieron en mucho de la

buena recopilación de la información, además de comparar los resultados del pronóstico
contra la demanda de los siguientes periodos en los cuales el error de pronóstico fue
menor lo que indica que el método es el apropiado.

Dentro de la programación lineal de la investigación de operaciones, se tienen varias

alternativas que permiten optimizar los recursos, para nuestro caso de estudio, lo que se
busca es el de minimizar el costo de distribución. Para este caso se tienen diferentes
modelos matemáticos como son: ruta crítica, asignación, transporte, transbordo y flujo
máximo.

Cada uno de estos modelos tiene características propias de funcionamiento las cuales se
revisaron para determinar cual de los modelos era el que solucionaría nuestro tema de
investigación. El método de transbordo se utilizó partiendo de que los nodos de destino a
su vez son nodos de origen, además de que la empresa tiene la necesidad de que para
llegar al destino final en ocasiones es necesario pasar por puntos intermedios.

El método de transporte no nos fue de gran utilidad debido a que no es posible utilizarlo
cuando se tiene la necesidad de tener cantidades intercambiables en los destinos, este

126
modelo funciona para el caso en el que se tienen nodos de origen y destino y los nodos
de destino no pueden ser utilizados como nodos de origen en ningún momento.

La construcción del modelo dependió en mucho de recabar correctamente la información

así como de identificar las restricciones del problema, la determinación de las variables de
decisión y los coeficientes de contribución fueron formulados partiendo de la elaboración
de un diagrama de red que comúnmente se utiliza para este tipo de problemas.

No solo es importante el determinar las restricciones del problema, sino también identificar
el tipo de restricción, el identificar el tipo de restricción ayudo en gran parte a la correcta
construcción del modelo de programación lineal.

Con la solución del modelo se conoce la forma en que se deberá llevar a cabo la
distribución hacia los centros foráneos y a los principales clientes principales, es
importante recalcar que la ciudad de La Paz, BCS., será suministrada desde el almacén
central a pesar de representar el mayor costo de distribución, los clientes principales de
cada centro foráneo también serán suministrados desde el almacén central.

Realizar este tipo de cambios en la distribución en primera instancia puede causar duda
en el área de ventas inclusive en la misma área de distribución, sin embargo, se debe
destacara que los centros foráneos ya no tendrán desabasto de producto por la necesidad
de suministrar gran parte de su stock a un determinado cliente, los beneficios que se
obtienen es que los tiempos de entrega se mejorarán y la atención a la mayoría de los
clientes también.

La formulación del modelo, se hace en base a estimaciones como el caso de

restricciones, pero estas en ocasiones pueden cambiar, el análisis de sensibilidad nos dio
la oportunidad de conocer como se vería afectado el resultado final una vez que se
presentara una variación en las restricciones, con el análisis de sensibilidad se pudo
observar los rangos entre los cuales pueden variar los coeficientes de contribución así
como el lado derecho de la restricción.

127
Para conocer los costos de distribución al generarse un cambio en las restricciones, el
precio sombra ha sido de gran utilidad, ya que nos permite conocer el incremento o
decremento de la función objetivo al cambiar una unidad en el lado derecho de la
restricción.

128
 Capítulo 6
Conclusiones y recomendaciones

La logística está cada día en el corazón de la economía moderna. La diversidad de los

productos en todos los sectores aumenta cada día, para dar respuesta a las múltiples
necesidades de los consumidores. Las empresas buscan productos de mayor valor
agregado, lo que se traduce en mayor precio por unidad de venta y mayores exigencias
de individualización en el transporte.

Esto implica que los servicios logísticos tradicionales (almacenamiento, carga y descarga,
consolidación, distribución) deben ser complementados por los llamados servicios
logísticos de valor agregado (reempaque, ensamblaje, utilización de almacenes
intermedios, individualización, control de calidad, etc.). Las fronteras entre los diferentes
componentes de la cadena de valor se están borrando. Esto significa que la
competitividad pasa a ser determinada por la calidad de sus vínculos con los demás
procesos en la cadena de valor de los productos. El acceso y la calidad del transporte
hacia el interior de los mercados, la pertenencia de prestación de servicios y la apertura a
la generación de valor agregado en los servicios se convierten en factores críticos para
una correcta distribución de productos terminados.

Después de desarrollar el presente trabajo de investigación, los resultados obtenidos nos

muestran que la investigación de operaciones juega un papel cada día más importante en
la toma de decisiones así como en el de elaborar una mejor planeación de las
operaciones con la finalidad de optimizar los recursos que se tienen para el desarrollo de
las mismas.

Una de las actividades que se consideró para el mejoramiento de las actividades,

consistió en comprender con claridad los diferentes aspectos de la actividad desarrollada
por la empresa. Para ello se partió de pronósticos realistas. El personal del área de
distribución fue un socio clave en el proceso de planificación estratégica y también fue
importante el haber contado con buenos planes de ventas y de operaciones.

129
No basta con tener y/o elaborar pronósticos realistas; es necesario ser capaz de aportar
una gestión eficiente de las actividades. Fue necesario el tener una reunión semanal para
ajustar detalles de los planes y de la operatoria de los centros de distribución y otra
también semanal para someter las conclusiones a las que se arribó al personal
administrativo involucrado (principalmente a la gerencia), los efectos de la evaluación de
las capacidades y costos totales.

El método de pronóstico elegido fue el de suavización exponencial, debido a que nos

proporcionó el menor error de pronóstico, el tipo de error que se obtuvo es del tipo
aleatorio, es decir, no se tiene una tendencia hacia arriba o hacia abajo con respecto a la
demanda real. Esto resulta de utilidad apoyándonos a su vez en lo obtenido en la señal
de rastreo en donde se observó que los errores resultantes están dentro de los límites de
control establecidos para este efecto.

El patrón de demanda encontrado en los datos históricos de la demanda realmente es

una combinación de los patrones del tipo horizontal, cíclico, estacional y de tendencia,
esto nos permitió hacer uso del método de suavizado exponencial ya que éste considera
todas las variaciones y a través de la constante de suavizado , es posible considerar la
frecuencia y magnitud de las variaciones a fin de asegurar un menor error en el
pronóstico. En nuestro caso de estudio, para la constante de suavizado , se obtuvo un
valor muy pequeño, lo que nos indica que las fluctuaciones en la serie de tiempo no son
muy grandes, sin embargo, este valor deberá revisarse cuando los errores de pronóstico
hayan salido de los límites de control de la señal de rastreo.

Los resultados obtenidos en la elaboración del pronóstico, dependieron en mucho de la

buena recopilación de la información, además de comparar los resultados del pronóstico
contra la demanda de los siguientes periodos en los cuales el error de pronóstico fue
menor lo que indica que el método es el apropiado.

Lo primero que hicimos fue el crear un modelo logístico después de elaborar el diagrama
de red correspondientes, ajustado a la envergadura de la empresa. Es sabido que las
organizaciones se expanden en algunos momentos, y reducen sus estructuras en otros.
La estructura de costos, entonces, así como el layout y la superficie de los almacenes, la

130
mano de obra, los equipos instalados, y hasta el área de servicios al cliente, deberán
expandirse para acompañar el crecimiento, pero deberán ser lo suficientemente flexibles
como para permitir su rápida reducción o achicamiento en tiempos difíciles.

Es imprescindible tener presente en todo momento la gestión de los costos, la relación

existente entre éstos, el volumen de ventas y el presupuesto. Resultan trascendentes en
este contexto los conceptos de mejora continua y rendimiento uniforme. Es mejor crecer
5% año tras año, que crecer 10% un año y 0% al siguiente.

Dentro de la programación lineal de la investigación de operaciones, se tienen varias

alternativas que permiten optimizar los recursos, para nuestro caso de estudio, lo que se
buscó fue el de minimizar el costo de distribución. El método de transbordo se utilizó
partiendo de que los nodos de destino a su vez son nodos de origen, además de que la
empresa tiene la necesidad de que para llegar al destino final en ocasiones es necesario
pasar por puntos intermedios.

El método de transporte no nos fue de gran utilidad debido a que no es posible utilizarlo
cuando se tiene la necesidad de tener cantidades intercambiables en los destinos, este
modelo funciona para el caso en el que se tienen nodos de origen y destino y los nodos
de destino no pueden ser utilizados como nodos de origen en ningún momento.

Con la solución del modelo se conoce la forma en que se deberá llevar a cabo la
distribución hacia los centros foráneos y a los principales clientes principales, es
importante recalcar que la ciudad de La Paz, BCS., será suministrada desde el almacén
central a pesar de representar el mayor costo de distribución para esta ruta, los clientes
principales de cada centro foráneo también serán suministrados desde el almacén central.

Realizar este tipo de cambios en la distribución en primera instancia puede causar duda
en el área de ventas inclusive en la misma área de distribución, sin embargo, se debe
destacar que los centros foráneos ya no tendrán desabasto de producto por la necesidad
de suministrar gran parte de su stock a un determinado cliente, los beneficios que se
obtienen es que los tiempos de entrega se mejorarán y la atención a la mayoría de los
clientes también.

131
La formulación del modelo, se hace en base a estimaciones como el caso de
restricciones, pero estas en ocasiones pueden cambiar, el análisis de sensibilidad nos dio
la oportunidad de conocer como se vería afectado el resultado final una vez que se
presentara una variación en las restricciones, con el análisis de sensibilidad se pudo
observar los rangos entre los cuales pueden variar los coeficientes de contribución así
como el lado derecho de la restricción.

Para conocer los costos de distribución al generarse un cambio en las restricciones, el

precio sombra ha sido de gran utilidad, ya que nos permite conocer el incremento o
decremento de la función objetivo al cambiar una unidad en el lado derecho de la
restricción.

Conclusiones sobre objetivos

Objetivo general

El uso de los métodos de investigación de operaciones permitieron a la gerencia de

distribución solucionar de una mejor manera los principales problemas en la planeación
de la demanda de distribución para diferentes temporadas de venta en el año. El estudiar
y conocer las características de funcionamiento de los diferentes métodos de pronóstico,
han proporcionado la facilidad a la gerencia de procesar la información y adaptar los
resultados a las situaciones actuales de operación.

A través de la construcción y solución del modelo matemático de programación lineal, fue

posible el conocer de manera cuantitativa el adecuado uso de las rutas de distribución, así
como el de optimizar el uso de los centros de distribución foráneos. Con ello ha sido
posible determinar cuales son las principales rutas de distribución que deben utilizarse
para conseguir una considerable reducción en los costos de distribución en relación a los
que se tenían antes de desarrollar esta investigación. A su vez hemos conseguido dar
una mejor utilización a los centros foráneos al evitar un constante desabasto que se tenía
al inicio de nuestra investigación.

132
Objetivos específicos

El correcto análisis de la información histórica real, nos indicó los patrones de demanda
que se tienen en los diferentes periodos de nuestra serie de tiempo, con esto se probaron
diferentes tipos de pronóstico hasta encontrar el que mejor simulara dicha demanda del
pasado con el menor error de pronóstico posible.

Con el método de pronóstico seleccionado, nos es posible determinar la demanda para

los principales centros de suministro incluyendo los centros foráneos, información que nos
será de utilidad para conocer las demandas de nuestros nodos en la construcción del
modelo de programación lineal. No basta el haber encontrado el modelo correcto hasta el
momento, no debemos olvidar que las situaciones cambian, por lo que es de esperarse
que en el mediano o largo plazo el modelo para determinar la demanda sea otro o bien
solo sea suficiente con la modificación de la constante de suavizado utilizada en nuestra
investigación.

El desarrollo y solución del modelo matemático, fue posible en base a la elaboración de

un diagrama de red, donde se mostraron los nodos de destino y origen así como las
respectivas rutas de distribución existentes. Con esto fue posible identificar y definir las
variables de decisión así como sus correspondientes coeficientes de distribución.

La decisión de utilizar el método de transbordo para la reducción en los costos de

distribución, fue posible al entender el funcionamiento de cada una de las posibles
alternativas, así como la de una correcta identificación y selección de los tipos de
restricciones.

Conclusiones sobre las hipótesis

Las hipótesis planteadas al inicio de la investigación, durante el desarrollo de este trabajo

las hemos aceptando, para no ser repetitivo con lo comentado en varias secciones del
trabajo y más con la sección anterior, con relación a las hipótesis hemos concluido que
independientemente del problema a tratar, es indispensable el saber recabar la
información, darle un tratamiento adecuado y seleccionar correctamente algunas de las

133
herramientas existentes. La toma de decisiones de manera cuantitativa no es una
práctica común, sin embargo es necesario que la administración adopte este tipo de
prácticas para tener un mejor resultado en la toma de decisiones.

La reducción de los costos de distribución, la optimización de los centros foráneos, el

conocer cuales son las mejores rutas para la distribución, ha sido posible a través del uso
de los métodos cuantitativos, es posible que haya otros medios, sin embargo, al plantear
las hipótesis y preguntas de investigación, se decidió por optar par el uso de estas
herramientas para la solución de la problemática.

Las hipótesis planteadas han sido ciertas, esto no significa que las herramientas utilizadas
en nuestra investigación sean las que resolverán los problemas de costos de distribución
o de planeación de la demanda en otras empresas, los problemas deben trabajarse de
manera independiente considerando que hay problemas similares que ya se han resuelto
a través de ciertas técnicas.

Recomendaciones

Al finalizar este trabajo, podemos recomendar a la empresa que es necesario el formar

grupos interdisciplinarios para resolver otros tipos de problemas que involucran directa o
indirectamente a otras áreas de la organización. A través del sistema que se tiene, es
posible el recabar información fundamental, es posible con la cantidad de datos que se
tiene, el hacer una distribución del producto con mayor rotación, es decir, es necesario
tener mejores ubicaciones del producto dentro del almacén.

Es necesario que por lo menos los jefes de departamento tengan conocimiento del uso y
aplicación de las herramientas de métodos cuantitativos con la finalidad de que se genere
un mayor interés en resolver los problemas a través de un correcto análisis de la
problemática actual y como reducir la incertidumbre en la toma de decisiones.

Por último quisiéramos recomendar que una vez que hemos llegado al resultado, el
trabajo no termina aquí, debemos dar mantenimiento a la información, monitorear el

134
funcionamiento de las herramientas seleccionadas, cambiarlas y/o modificarlas cuando se
crea necesario y sobre todo tener el conocimiento y experiencia para hacerlo.

135
 Bibliografía

1. Krajewski Lee J., Ritzman Larry P., "Administración de operaciones, estrategia y

análisis", Prentice Hall, 5a ed, 2000.
2. Hillier Frederick S., Hillier Mark S., Lieberman Gerald J., "Métodos cuantitativos para
administración", McGraw Hill, 2000.
3. Davis, McKeown, "Modelos cuantitativos para administración", Grupo Editorial
Iberoamérica.
4. Eppen, Gould, "Investigación de operaciones, en la ciencia administrativa", Prentice
Hall, 5a ed.
5. Hampton David R., “Administración”, McGraw Hill, 3a ed.
6. Hanke John, Reitsch Arthur, “Pronósticos en los negocios”, Prentice Hall, 5a ed.
7. Taha Hamdy A., “Investigación de operaciones”, Alfaomega.
8. Buffa Elwood S., Dyer James S., “Ciencias de la administración e investigación de
operaciones, formulación de modelos y métodos de solución”, Limusa.
9.

136