Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
APLICACIÓN DE MÉTODOS DE
INVESTIGACIÓN DE OPERACIONES A
UNA DISTRIBUIDORA DE BEBIDAS
1
Introducción
Antecedentes
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.
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.
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 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.
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.
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.
Justificación
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.
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.
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.
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.
10
Objetivos
Los objetivos que se persiguen con la elaboración del presente trabajo son los siguientes:
Objetivo General
Objetivos específicos
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
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?
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?
8. ¿Se tendrán mejores negociaciones o alianzas con los principales proveedores del
servicio de transporte?
Hipótesis
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.
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.
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
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.
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.
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.
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
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.
1.1.1 Problemática
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.
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.
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.
22
deberemos probar cada método y de ahí elegir el que mejor cumpla con nuestro
requerimiento.
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.
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.
25
investigación es donde los resultados esperados nos permitirán asegurar la efectividad de
las herramientas utilizadas.
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.
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.
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.
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.
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.
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.
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.
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:
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.
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
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.
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.
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 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.
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.
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.
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.
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.
Debe haber una relación entre los valores de las variables independiente y
dependiente, de forma que la primera proporcione información sobre la segunda.
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.
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
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.
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
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:
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
SCR
R2
STC
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.
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.
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.
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.
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.
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.
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.
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
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.
48
quienes toman las decisiones interactúen en forma directa con los modelos de la ciencia
de la administración.
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:
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.
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.
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.
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.
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.
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.
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.
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.
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
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:
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.
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:
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.
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.
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:
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.
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.
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.
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:
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.
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
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:
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.
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 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.
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
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
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.
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.
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).
69
Factor estacional = (promedio para el periodo / promedio global) (3.7)
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:
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
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
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.
71
Factor estacional: de los resultados obtenidos en la tabla 3.2
Ventas con ajuste estacional: del cociente (ventas reales) / (factor estacional)
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.
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.
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.
2,500,000
2,000,000
1,500,000
1,000,000
500,000
M es
74
Pronóstico por promedio: es el promedio de todos los datos a la fecha con ajuste
estacional.
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
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.
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.
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 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
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.
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.
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.
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.
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
2,500,000
2,000,000
1,500,000
1,000,000
500,000
M es
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.
87
Método de pronóstico MAD
Ultimo valor 196,264
Promedio 166,545
Promedios móviles 165,616
Suavizado exponencial 156,072
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.
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.
88
Tabla 3.9 Valores de la MAD para los métodos de pronósticos utilizados
considerando los tres últimos periodos
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
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.
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.
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.
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.
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%
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%
792,706
SR 5.36
147,766
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 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
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
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.
P 0.05
.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
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.
3.4 Conclusiones
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.
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.
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.
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.
103
de la distribución, esta modalidad también es adecuada para los mercados
geográficamente dispersos.
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
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
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.
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.
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.
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.
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
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
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.
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:
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:
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.
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.
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.
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.
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.
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
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:
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
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
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
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
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:
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
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.
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.
Ruta
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
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
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.
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.
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.
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
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
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.
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.
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.
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.
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
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
4.5 Conclusiones
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.
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.
123
no negatividad debe de considerarse siempre para no caer en errores de solución e
interpretación del modelo.
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
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.
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.
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.
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.
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
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.
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.
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.
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.
Objetivo general
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.
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.
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
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
136