SOLUCIÓN EXÁMEN PARCIAL I

Presentado por:

Luis David Lerma Hurtado

LOGÍSTICA
 INFORME
A continuación, los analistas Natalia Ruiz, Angie Tatiana Millán Y Luis David Lerma proceden a
presentar la propuesta de solución del caso de estudio de la empresa Coffe Now, para esto se
realizaron pronósticos con herramientas confiables comparándoles entre sí, eligiendo el método de
menor error con el cual se harán las políticas de inventario.

PRONÓSTICOS

 ITEM: CN-0-00L---MS

los datos históricos del ítem CN-0-00L—MS, muestra una tendencia de forma CRECIENTE.

GRAFICO DATOS HISTORICOS R² = 0.0613

60000

50000

40000

30000

20000

10000

0
0 20 40 60 80 100 120 140

Revisando la literatura se encontró que se trabaja con el 60% de los datos históricos, ya que en el
otro 40% produce ruido a la hora de hacer los pronósticos.

En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.
 MESES BASES DE PRONÓSTICO
60000
R² = 0.0262
50000

40000

30000

20000

10000

0
0 20 40 60 80 100 120 140

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia DECRECIENTE, se

procede a utilizar los métodos correspondientes para esta tendencia.

- Análisis te tendencia lineal y cuadrática

- Suavización exponencial doble

Los cuales mostraron los siguientes resultados de forma gráfica:

 1. CONCLUSION:

ERROR TENDE.L TEND.CU EXPO.DOBLE

MAPE 29 27 26
MAD 5347 5154 5769
MSD 52761389 46511984 54440931

los errores de Tendencia Cuadrática son más bajos en comparación con los modelos de Tendencia
Lineal y Suavización Exponencial Doble. Por lo tanto, el modelo de Tendencia Cuadrática
proporciona el mejor pronostico, los cuales se presentan a continuación:

-TABLA DE PRONOSTICO DE ITEM: CN-0-00L—MS

MESES ITEM CN-0-00L---MS

sep 122 28973,7
oct 123 28901
nov 124 28825,7
dic 125 28747,9
2013 ene 126 28667,5
feb 127 28584,5
mar 128 28498,9
abr 129 28410,7
may 130 28320
jun 131 28226,6
jul 132 28130,7
ago 133 28032,3
sep 134 27931,2
oct 135 27827,6
nov 136 27721,3
dic 137 27612,5
2014 ene 138 27501,1
feb 139 27387,2
mar 140 27270,6
abr 141 27151,5
may 142 27029,8
jun 143 26905,5
jul 144 26778,7
ago 145 26649,3
sep 146 26517,2
oct 147 26382,6
 nov 148 26245,5
dic 149 26105,7
2015 ene 150 25963,4
feb 151 25818,4
mar 152 25671
abr 153 25520,9
may 154 25368,2
jun 155 25213
jul 156 25055,2
ago 157 24894,8
sep 158 24731,8
oct 159 24566,3
nov 160 24398,1
dic 161 24227,4
2016 ene 162 24054,1
feb 163 23878,2
mar 164 23699,8
abr 165 23518,8
may 166 23335,1
jun 167 23149
jul 168 22960,2
ago 169 22768,8
sep 170 22574,9
oct 171 22378,4
nov 172 22179,3
dic 173 21977,6
2017 ene 174 21773,4
feb 175 21566,6
mar 176 21357,2
abr 177 21145,2
may 178 20930,6
jun 179 20713,5
jul 180 20493,7
ago 181 20271,4
  ITEM: CN-0-00S---MS

Los datos históricos del ítem CN-0-00S—MS, muestra una tendencia de forma CRECIENTE.

DATOS HISTORICOS R² = 0.0708

60000

50000

40000

30000

20000

10000

0
0 20 40 60 80 100 120 140

En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia CRECIENTE, se

procede a utilizar los métodos correspondientes para esta tendencia.

- Regresión lineal
- Suavización exponencial doble

Los cuales mostraron los siguientes resultados de forma gráfica:

 2. CONCLUSION

SUAV.DO REG.LI

MAPE 26 29

MAD 5899 5466

MSD 59442979 53342801

los errores de la Regresión Lineal son más bajos en comparación con el modelo de Suavización
Exponencial Doble. Por lo tanto, el modelo de Regresión Lineal proporciona el mejor pronostico, los
cuales se presentan a continuación:

-TABLA DE PRONOSTICO DE ITEM: CN-0-00S—MS

122 37932,8
123 38089,4
124 38245,9
125 38402,5
126 38559,1
127 38715,6
128 38872,2
129 39028,8
130 39185,3
131 39341,9
132 39498,5
133 39655
134 39811,6
135 39968,2
136 40124,7
137 40281,3
138 40437,8
139 40594,4
140 40751
141 40907,5
142 41064,1
143 41220,7
144 41377,2
145 41533,8
146 41690,4
147 41846,9
148 42003,5
149 42160,1
150 42316,6
151 42473,2
152 42629,7
153 42786,3
154 42942,9
155 43099,4
156 43256
157 43412,6
158 43569,1
159 43725,7
160 43882,3
161 44038,8
162 44195,4
163 44352
164 44508,5
165 44665,1
166 44821,7
167 44978,2
168 45134,8
169 45291,3
170 45447,9
171 45604,5
172 45761
173 45917,6
174 46074,2
 175 46230,7
176 46387,3
177 46543,9
178 46700,4
179 46857
180 47013,6
181 47170,1

 ITEM: CN-1-DLL---MR

los datos históricos del ítem CN-1-DLL—MR, muestra una tendencia de forma perpetua.

DATOS HISOTORICOS
R² = 0.2919
80000

60000

40000

20000

0
0 20 40 60 80 100 120 140

Series1 Series2 Linear (Series2)

En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia Perpetua, se

procede a utilizar los métodos correspondientes para esta tendencia.

- Promedio Móvil
- Suavización exponencial doble
- Suavización exponencial simple

Los cuales mostraron los siguientes resultados de forma gráfica:

 3. CONCLUSION

ERRO SUAVI. D SUAVI. S PROM.V

MAPE 41 40 17
MAD 8064,1 5661 5115
MSD 141794719 73431558 61608059

los errores de Promedio Móvil son más bajos en comparación con los modelos de Suavización
Exponencial Simple y Suavización Exponencial Doble. Por lo tanto, el modelo de Promedio Móvil
proporciona el mejor pronostico, los cuales se presentan a continuación:

-TABLA DE PRONOSTICO DE ITEM: CN-1-DLL—MR

sep 120 27832,3

oct 121 27832,3
nov 122 27832,3
dic 123 27832,3
2013 ene 124 27832,3
feb 125 27832,3
mar 126 27832,3
abr 127 27832,3
 may 128 27832,3
jun 129 27832,3
jul 130 27832,3
ago 131 27832,3
sep 132 27832,3
oct 133 27832,3
nov 134 27832,3
dic 135 27832,3
2014 ene 136 27832,3
feb 137 27832,3
mar 138 27832,3
abr 139 27832,3
may 140 27832,3
jun 141 27832,3
jul 142 27832,3
ago 143 27832,3
sep 144 27832,3
oct 145 27832,3
nov 146 27832,3
dic 147 27832,3
2015 ene 148 27832,3
feb 149 27832,3
mar 150 27832,3
abr 151 27832,3
may 152 27832,3
jun 153 27832,3
jul 154 27832,3
ago 155 27832,3
sep 156 27832,3
oct 157 27832,3
nov 158 27832,3
dic 159 27832,3
2016 ene 160 27832,3
feb 161 27832,3
mar 162 27832,3
abr 163 27832,3
may 164 27832,3
jun 165 27832,3
jul 166 27832,3
ago 167 27832,3
sep 168 27832,3
oct 169 27832,3
nov 170 27832,3
 dic 171 27832,3
2017 ene 172 27832,3
feb 173 27832,3
mar 174 27832,3
abr 175 27832,3
may 176 27832,3
jun 177 27832,3
jul 178 27832,3
ago 179 27832,3

 ITEM: CN-1-DLS---MR

los datos históricos del ítem CN-1-DLS—MR, muestra una tendencia de forma CRECIENTE.

Chart Title
40000

35000
R² = 0.2311
30000

25000

20000

15000

10000

5000

0
0 20 40 60 80 100 120 140

En este caso el grupo analista decidió trabajar con el 50% de los datos debido que en el momento
de analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia Perpetua, se

procede a utilizar los métodos correspondientes para esta tendencia.

- Descomposición de series de tiempo modelo multiplicativo

- Descomposición de series de tiempo modelo multiplicativo
- Modelo Winters multiplicativo
- Modelo Winters aditivo

Los cuales mostraron los siguientes resultados de forma gráfica:

 4. CONCLUSION

ERROR DESCOMP.M DESCOMP.AD WISTER.MUL WISTER.AD

MAPE 45 61 49 47

MAD 3216 3852 3875 3737

MSD 22452684 28344190 28742909 27455517

- los errores Descomposición de serie de tiempo Multiplicativo son más bajos en

comparación con los modelos Descomposición de series de tiempo modelo Aditivo
Modelo Winters multiplicativo Modelo Winters aditivo

. Por lo tanto, el modelo de Descomposición de series de tiempo Multi. proporciona el mejor

pronostico, los cuales se presentan a continuación:

-TABLA DE PRONOSTICO DE ITEM: CN-1-DLS—MR

sep 120 20092,6

oct 121 15891,8
nov 122 20365,1
dic 123 19067,6
2013 ene 124 17383,2
feb 125 18973,7
mar 126 18101
abr 127 14252,8
may 128 19461,8
jun 129 13737,2
jul 130 16933,2
ago 131 17428
sep 132 21158,5
oct 133 16731,1
nov 134 21436
dic 135 20065,9
2014 ene 136 18289,3
feb 137 19958,4
mar 138 19036,4
abr 139 14986,2
may 140 20458,9
jun 141 14438,1
jul 142 17793,5
ago 143 18309,6
 sep 144 22224,4
oct 145 17570,5
nov 146 22506,9
dic 147 21064,2
2015 ene 148 19195,5
feb 149 20943,2
mar 150 19971,9
abr 151 15719,6
may 152 21456,1
jun 153 15139
jul 154 18653,7
ago 155 19191,3
sep 156 23290,3
oct 157 18409,8
nov 158 23577,8
dic 159 22062,4
2016 ene 160 20101,6
feb 161 21928
mar 162 20907,3
abr 163 16453
may 164 22453,3
jun 165 15839,8
jul 166 19514
ago 167 20073
sep 168 24356,2
oct 169 19249,2
nov 170 24648,7
dic 171 23060,7
2017 ene 172 21007,8
feb 173 22912,8
mar 174 21842,7
abr 175 17186,4
may 176 23450,5
jun 177 16540,7
jul 178 20374,3
ago 179 20954,7
  ITEM: CN-1-ECL---QRS

los datos históricos del ítemCN-1-ECL--QRS, muestra una tendencia de forma CRECIENTE.

200000
R² = 0.3135
150000

100000 Series1
Linear (Series1)
50000

0
0 20 40 60 80 100 120 140

En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia CRECIENTE, se

procede a utilizar los métodos correspondientes para esta tendencia.

- Método Winters Multi

- Método Winters Aditivo
- Descomposición de serie de tiempo Multi
- Descomposición de series de tiempo Aditivo

Los cuales mostraron los siguientes resultados de forma gráfica:

 5. CONCLUCION

MODELO MAPE MAD MSD

DESCOMPOSICIÓN.MULT 29 11002 280063640
DESCOMPOSICIÓN.ADITIV 46 15705 497599062
WINTERS MULT 35 13870 374157609
WINTERS ADITIV 34 14165 384294200
- los errores Descomposición de serie de tiempo Multiplicativo son más bajos en
comparación con los modelos Descomposición de series de tiempo modelo Aditivo
Modelo Winters multiplicativo Modelo Winters aditivo

. Por lo tanto, el modelo de Descomposición de series de tiempo Multi. proporciona el mejor

pronostico, los cuales se presentan a continuación:

-TABLA DE PRONOSTICO DE ITEM: CN-1-ECL—QRS

sep 122 61005

oct 123 47632,8
nov 124 53745,6
dic 125 36121,6
2013 ene 126 28467,7
feb 127 37588,2
mar 128 40021,1
abr 129 57097,8
may 130 54185,6
jun 131 71256
jul 132 74587,8
ago 133 78842,3
sep 134 61005
oct 135 47632,8
nov 136 53745,6
dic 137 36121,6
2014 ene 138 28467,7
feb 139 37588,2
mar 140 40021,1
abr 141 57097,8
may 142 54185,6
jun 143 71256
jul 144 74587,8
ago 145 78842,3
sep 146 61005
oct 147 47632,8
nov 148 53745,6
dic 149 36121,6
2015 ene 150 28467,7
feb 151 37588,2
mar 152 40021,1
abr 153 57097,8
may 154 54185,6
jun 155 71256
jul 156 74587,8
ago 157 78842,3
sep 158 61005
oct 159 47632,8
nov 160 53745,6
dic 161 36121,6
2016 ene 162 28467,7
feb 163 37588,2
mar 164 40021,1
abr 165 57097,8
may 166 54185,6
jun 167 71256
jul 168 74587,8
ago 169 78842,3
sep 170 61005
oct 171 47632,8
nov 172 53745,6
dic 173 36121,6
2017 ene 174 28467,7
feb 175 37588,2
mar 176 40021,1
abr 177 57097,8
may 178 54185,6
jun 179 71256
jul 180 74587,8
ago 181 78842,3

 ITEM: CN-1-ECS---QRS

los datos históricos del ítemCN-1-ECS--QRS, muestra una tendencia de forma CRECIENTE.
 Chart Title
100000
90000 R² = 0.26
80000
70000
60000
50000
40000
30000
20000
10000
0
0 20 40 60 80 100 120 140

En este caso el grupo analista decidió trabajar con el 50% de los datos debido que en el momento
de analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia CRECIENTE, se

procede a utilizar los métodos correspondientes para esta tendencia.

-Descomposición de series de tiempo Multi

-Descomposición de series de tiempo Aditivo
-método Winters multi
-Método Winters Aditivo

Los cuales mostraron los siguientes resultados de forma gráfica:

 6. CONCLUSION

ERROR DESCO.MUL DESCO.ADI WINTER.MUL WINTER.ADI

MAPE 39 54 45 41
MAD 7890 9628 9582 9370
MSD 113411894 158685731 151990987 147554794

- los errores Descomposición de serie de tiempo Multiplicativo son más bajos en comparación
con los modelos Descomposición de series de tiempo modelo Aditivo Modelo Winters
multiplicativo Modelo Winters aditivo

. Por lo tanto, el modelo de Descomposición de series de tiempo Multi. proporciona el mejor

pronostico, los cuales se presentan a continuación:

-TABLA DE PRONOSTICO DE ITEM: CN-1-ECS—QRS

sep 122 51103,4

oct 123 46952,8
nov 124 29185,9
dic 125 29457
2013 ene 126 21309,6
feb 127 26049,5
mar 128 39242,3
abr 129 50409,4
may 130 50026
jun 131 58070,5
jul 132 64947,6
ago 133 60391,8
sep 134 54271,8
oct 135 49848,9
nov 136 30976,9
dic 137 31255,5
2014 ene 138 22604
feb 139 27623,9
mar 140 41602,2
abr 141 53425,7
may 142 53004,5
jun 143 61510,9
jul 144 68776,5
ago 145 63934,8
sep 146 57440,2
oct 147 52745
 nov 148 32768
dic 149 33053,9
2015 ene 150 23898,4
feb 151 29198,3
mar 152 43962,1
abr 153 56442
may 154 55983
jun 155 64951,3
jul 156 72605,4
ago 157 67477,7
sep 158 60608,6
oct 159 55641,1
nov 160 34559
dic 161 34852,4
2016 ene 162 25192,9
feb 163 30772,7
mar 164 46322
abr 165 59458,3
may 166 58961,5
jun 167 68391,7
jul 168 76434,3
ago 169 71020,7
sep 170 63777
oct 171 58537,2
nov 172 36350
dic 173 36650,8
2017 ene 174 26487,3
feb 175 32347,1
mar 176 48681,8
abr 177 62474,6
may 178 61940
jun 179 71832,1
jul 180 80263,3
ago 181 74563,6
ITEM: CN-1-ICL—MR

 los datos históricos del ítemCN-1-ECS--QRS, muestra una tendencia de forma CRECIENTE.

50000

40000 R² = 0.7079
30000
Series1
20000
Linear (Series1)
10000

0
0 20 40 60 80 100 120 140
-10000

En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia Perpetua, se

procede a utilizar los métodos correspondientes para esta tendencia.

- Regresión lineal
- Suavización Exponencial Doble

Los cuales mostraron los siguientes resultados de forma gráfica:

7. CONCLUSION

METODO MAPE MAD MSD

TEN. LINEAL 209 2646 15138529
 SUAVI.EXPO 55 2358 2029922
SIMPLE

- los errores de Suavización Exponencial Simple son más bajos en comparación con el modelo
de regresión lineal

. Por lo tanto, el modelo de suavización Exponencial Simple, proporciona el mejor pronostico, los
cuales se presentan a continuación:

-TABLA DE PRONOSTICO DE ITEM: CN-1-ICL—MR

122 21145 -7578 49868,1

123 21381,8 -7795,5 50559,1
124 21618,5 -8013,1 51250
125 21855,2 -8230,6 51941
126 22091,9 -8448,2 52632
127 22328,6 -8665,7 53323
128 22565,4 -8883,3 54014
129 22802,1 -9100,9 54705
130 23038,8 -9318,4 55396,1
131 23275,5 -9536 56087,1
132 23512,3 -9753,6 56778,1
133 23749 -9971,1 57469,1
134 23985,7 -10188,7 58160,1
135 24222,4 -10406,3 58851,2
136 24459,2 -10623,9 59542,2
137 24695,9 -10841,5 60233,2
138 24932,6 -11059,1 60924,3
139 25169,3 -11276,7 61615,3
140 25406 -11494,3 62306,4
141 25642,8 -11711,9 62997,4
142 25879,5 -11929,5 63688,5
143 26116,2 -12147,1 64379,5
144 26352,9 -12364,7 65070,6
145 26589,7 -12582,3 65761,6
146 26826,4 -12799,9 66452,7
147 27063,1 -13017,6 67143,8
148 27299,8 -13235,2 67834,8
149 27536,5 -13452,8 68525,9
150 27773,3 -13670,4 69217
151 28010 -13888 69908
152 28246,7 -14105,7 70599,1
153 28483,4 -14323,3 71290,2
154 28720,2 -14540,9 71981,2
 155 28956,9 -14758,6 72672,3
156 29193,6 -14976,2 73363,4
157 29430,3 -15193,8 74054,5
158 29667 -15411,5 74745,6
159 29903,8 -15629,1 75436,6
160 30140,5 -15846,7 76127,7
161 30377,2 -16064,4 76818,8
162 30613,9 -16282 77509,9
163 30850,7 -16499,7 78201
164 31087,4 -16717,3 78892,1
165 31324,1 -16934,9 79583,2
166 31560,8 -17152,6 80274,3
167 31797,6 -17370,2 80965,3
168 32034,3 -17587,9 81656,4
169 32271 -17805,5 82347,5
170 32507,7 -18023,2 83038,6
171 32744,4 -18240,8 83729,7
172 32981,2 -18458,5 84420,8
173 33217,9 -18676,1 85111,9
174 33454,6 -18893,8 85803
175 33691,3 -19111,5 86494,1
176 33928,1 -19329,1 87185,2
177 34164,8 -19546,8 87876,3
178 34401,5 -19764,4 88567,4
179 34638,2 -19982,1 89258,5
180 34874,9 -20199,7 89949,6
181 35111,7 -20417,4 90640,7

 ITEM: CN-1-ICS---MR

los datos históricos del ítem: CN-1-ICS--MR, muestra una tendencia de forma CRECIENTE.

40000
R² = 0.677
30000

20000 Series1

10000 Linear (Series1)

0
0 20 40 60 80 100 120 140
-10000
En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia Perpetua, se

procede a utilizar los métodos correspondientes para esta tendencia.

- Regresión lineal
- Suavización Expo. Doble

Los cuales mostraron los siguientes resultados de forma gráfica:

 8. CONCLUSION

MODELO MAPE MAD MSD

TENDENCIA LINEAL 191 2656 16117734

SUAV.EXP.DOB 48 2312 24664362

- los errores de Suavización Expo. Doble son más bajos en comparación con el modelo de
regresión lineal.

. Por lo tanto, el modelo de Suavización Expo. Doble. proporciona el mejor pronostico, los cuales se
presentan a continuación:

-TABLA DE PRONOSTICO DE ITEM: CN-1-ICL—MR

sep 122 26959,7

oct 123 27281,8
nov 124 27603,8
dic 125 27925,9
2013 ene 126 28248
feb 127 28570,1
mar 128 28892,2
abr 129 29214,3
may 130 29536,4
jun 131 29858,5
jul 132 30180,6
ago 133 30502,7
sep 134 30824,8
oct 135 31146,9
nov 136 31469
dic 137 31791,1
2014 ene 138 32113,1
feb 139 32435,2
mar 140 32757,3
abr 141 33079,4
may 142 33401,5
jun 143 33723,6
jul 144 34045,7
ago 145 34367,8
sep 146 34689,9
oct 147 35012
nov 148 35334,1
dic 149 35656,2
2015 ene 150 35978,3
feb 151 36300,4
mar 152 36622,4
abr 153 36944,5
may 154 37266,6
jun 155 37588,7
jul 156 37910,8
ago 157 38232,9
sep 158 38555
oct 159 38877,1
nov 160 39199,2
dic 161 39521,3
2016 ene 162 39843,4
feb 163 40165,5
mar 164 40487,6
abr 165 40809,7
may 166 41131,7
jun 167 41453,8
jul 168 41775,9
 ago 169 42098
sep 170 42420,1
oct 171 42742,2
nov 172 43064,3
dic 173 43386,4
2017 ene 174 43708,5
feb 175 44030,6
mar 176 44352,7
abr 177 44674,8
may 178 44996,9
jun 179 45319
jul 180 45641
ago 181 45963,1

 ITEM: CN-1-PSL---QRS

los datos históricos del ítem: CN-1-PSL--QRS, muestra una tendencia de forma CRECIENTE.
 DATOS HISTORICOS
140000

120000

100000

80000

60000

40000

20000

0
0 20 40 60 80 100 120 140

En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia Perpetua, se

procede a utilizar los métodos correspondientes para esta tendencia.

-Regresión lineal
-Suavización Expo. Doble
-descomposición de series de tiempo multi

Los cuales mostraron los siguientes resultados de forma gráfica:

 9. CONCLUSION

ERROR REGRE.LINE SUAVI.EXP DESCOMP.MUL

MAPE 44 43 41

MAD 13128 10598 9857

MSD 348231662 206401051 207937937

- los errores Descomposición de serie de tiempo Multiplicativo son más bajos en comparación
con los modelos de regresión Lineal y Suavización Expo. Dobe

. Por lo tanto, el modelo de Descomposición de series de tiempo Multi. proporciona el mejor

pronostico, los cuales se presentan a continuación:
-TABLA DE PRONOSTICO DE ITEM: CN-1-ICL—MR

sep 122 61721

oct 123 57657
nov 124 68539
dic 125 54343
2013 ene 126 53925
feb 127 53785
mar 128 46506
abr 129 58822
may 130 65921
jun 131 98816
jul 132 70415
ago 133 86681
sep 134 67434
oct 135 62953
nov 136 74786
dic 137 59259
2014 ene 138 58767
feb 139 58579
mar 140 50620
abr 141 63988
may 142 71668
jun 143 107369
jul 144 76465
ago 145 94077
sep 146 73147
oct 147 68249
nov 148 81034
dic 149 64176
2015 ene 150 63609
feb 151 63372
mar 152 54735
abr 153 69154
may 154 77415
jun 155 115921
jul 156 82516
ago 157 101472
sep 158 78860
oct 159 73545
nov 160 87281
dic 161 69092
2016 ene 162 68451
 feb 163 68166
mar 164 58849
abr 165 74320
may 166 83162
jun 167 124474
jul 168 88567
ago 169 108868
sep 170 84573
oct 171 78841
nov 172 93529
dic 173 74008
2017 ene 174 73293
feb 175 72959
mar 176 62963
abr 177 79485
may 178 88909
jun 179 133027
jul 180 94618
ago 181 116264

 ITEM: CN-1-PSS

los datos históricos del ítem: CN-1-PSS, muestra una tendencia de forma CRECIENTE

DATOS HISTÓRICOS
160000
140000
120000
100000
80000
60000
40000
20000
0
0 20 40 60 80 100 120 140

En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.
Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia Perpetua, se
procede a utilizar los métodos correspondientes para esta tendencia.

-Suavización Expo. Doble

-Descomposición de series de tiempo modelo multiplicativo

Los cuales mostraron los siguientes resultados de forma gráfica:

 10. CONCLUSION

MODELO MAPE MAD MSD

EXPONEN. DOBLE 35 17921 584514485
DESCOMPOSICION DE SERIES MULTI. 30 13437 299215360

- los errores Descomposición de serie de tiempo Multiplicativo son más bajos en comparación
con el modelos de Suavizacion Expo. Doble.

. Por lo tanto, el modelo de Descomposición de series de tiempo Multi. proporciona el mejor

pronostico, los cuales se presentan a continuación:

-TABLA DE PRONOSTICO DE ITEM: CN-1-PSS—

122 78701
123 75405
124 78130
125 73258
126 81571
127 82399
128 73785
129 83422
130 101534
131 112892
132 94765
133 123115
134 85088
135 81484
136 84386
137 79085
138 88016
139 88868
140 79539
141 89886
142 109351
143 121528
144 101969
145 132415
146 91475
147 87562
148 90642
149 84912
150 94462
151 95336
152 85294
153 96350
154 117169
155 130164
156 109172
157 141715
158 97862
159 93641
160 96898
161 90739
162 100908
163 101805
164 91049
165 102814
166 124986
167 138800
168 116376
169 151015
170 104249
171 99719
172 103155
173 96566
174 107353
 175 108273
176 96803
177 109279
178 132803
179 147437
180 123580
181 160314

 ITEM: CN-1-PSL---QRS

los datos históricos del ítem: CN-1-PSL--QRS, muestra una tendencia de forma CRECIENTE.

50000
45000
40000
35000
30000
25000
Series1
20000
15000
10000
5000
0
0 10 20 30 40 50 60 70

En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.
Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia Perpetua, se
procede a utilizar los métodos correspondientes para esta tendencia.

- Descomposición de series de tiempo modelo multiplicativo

- Descomposición de series de tiempo modelo multiplicativo
- Modelo Winters multiplicativo
- Modelo Winters aditivo

Los cuales mostraron los siguientes resultados de forma gráfica:

 11. CONCLUSION

MODELO MAPE MAD MSD

DESCOMPOSICIÓN.MULT 43 4439 44902316
DESCOMPOSICIÓN.ADITIV 45 4479 45829623
WINTERS MULT 56 5426 61873044
WINTERS ADITIV 66 6006 52394042

- los errores Descomposición de serie de tiempo Multiplicativo son más bajos en comparación
con los modelos Descomposición de series de tiempo modelo Aditivo Modelo Winters
multiplicativo Modelo Winters aditivo

. Por lo tanto, el modelo de Descomposición de series de tiempo Multi. proporciona el mejor

pronostico, los cuales se presentan a continuación:

66 12224,3
67 13986,4
68 17305,6
69 9707,4
70 6778,3
71 16116,2
72 22566,6
73 4073,6
 74 13966
75 16218,4
76 10330,5
77 11344,2
78 12224,3
79 13986,4
80 17305,6
81 9707,4
82 6778,3
83 16116,2
84 22566,6
85 4073,6
86 13966
87 16218,4
88 10330,5
89 11344,2
90 12224,3
91 13986,4
92 17305,6
93 9707,4
94 6778,3
95 16116,2
96 22566,6

 ITEM: CN-1-SCS---MR

los datos históricos del ítem: CN-1-SCS--MR, muestra una tendencia de forma CRECIENTE.

Chart Title
40000

35000

30000

25000

20000

15000

10000

5000

0
0 10 20 30 40 50 60 70
En este caso el grupo analista decidió trabajar con el 50% de lo datos debido que en el momento de
analizar estos datos se encontró una leve tendencia de decrecimiento de los volúmenes
demandados.

Teniendo en cuenta la gráfica anterior la cual presenta patrones de tendencia Perpetua, se

procede a utilizar los métodos correspondientes para esta tendencia.

- Descomposición de series de tiempo modelo multiplicativo

- Descomposición de series de tiempo modelo multiplicativo
- Modelo Winters multiplicativo
- Modelo Winters aditivo

Los cuales mostraron los siguientes resultados de forma gráfica:

 ERROR DESCOMPOSICION WINSTER

MULTIPL ADICTIVO MULTIPL ADICTIVO

MAPE 65 61 80 85

MAD 5361 5292 6209

MSD 49537442 49540289 58933598 62570567

- los errores Descomposición de serie de tiempo Multiplicativo son más bajos en comparación
con los modelos Descomposición de series de tiempo modelo Aditivo Modelo Winters
multiplicativo Modelo Winters aditivo

. Por lo tanto, el modelo de Descomposición de series de tiempo Multi. proporciona el mejor

pronostico, los cuales se presentan a continuación:

sep 66 16740,6
oct 67 7593,4
nov 68 7084,5
dic 69 7735,5
2013 ene 70 5163,2
feb 71 11388,3
mar 72 17463,2
abr 73 8050,9
may 74 13512,3
jun 75 21612,5
jul 76 9521,3
ago 77 15664,1
sep 78 16505,4
oct 79 7486,6
nov 80 6984,7
dic 81 7626,5
2014 ene 82 5090,3
feb 83 11227,4
mar 84 17216,2
abr 85 7936,9
may 86 13320,7
jun 87 21305,7
jul 88 9386
ago 89 15441,2
sep 90 16270,3
oct 91 7379,8
nov 92 6885
dic 93 7517,5
2015 ene 94 5017,4
feb 95 11066,5
mar 96 16969,2
abr 97 7822,8
may 98 13129,1
jun 99 20998,9
jul 100 9250,6
ago 101 15218,3
sep 102 16035,2
oct 103 7273
nov 104 6785,3
dic 105 7408,4
2016 ene 106 4944,6
feb 107 10905,6
mar 108 16722,2
abr 109 7708,8
may 110 12937,5
jun 111 20692,1
jul 112 9115,3
 ago 113 14995,4
sep 114 15800
oct 115 7166,2
nov 116 6685,5
dic 117 7299,4
2017 ene 118 4871,7
feb 119 10744,7
mar 120 16475,1
abr 121 7594,8
may 122 12745,9
jun 123 20385,3
jul 124 8980
ago 125 14772,5

CLASIFICACIÓN ABC
Como segunda medida se realizó una clasificación ABC teniendo como criterio el costo de
almacenamiento con el objetivo de encontrar los item que generarían los mayores costos de
almacenamiento en cada uno de los años pronosticados obteniendo los siguientes resultados.

Año 2012:
spt-dic2012 costo
item (demanda vol/caja) alm.
Inversión
I. Acumulado % In. Acum ZONA %

CN-1-PSS 4364,20 15 65463,00 65463,00 0,25029472 A

CN-1-PSL 2422,60 10 24226,00 89689,00 0,3429217 A
CN-1-ECL 1985,05 15 29775,75 119464,75 0,45676789 A
CN-1-ECS 2238,56 10 22385,59 141850,34 0,54235813 A
CN-0-00S 2181,01 15 32715,13 174565,46 0,66744289 A
CN-0-00L 1154,48 10 11544,83 186110,29 0,71158401 A
CN-1-DLL 1113,29 15 16699,38 202809,67 0,77543331 A 78%
CN-1-ICS 1568,16 10 15681,60 218491,27 0,83539117 B
CN-1-ICL 860,01 15 12900,08 231391,35 0,88471401 B
CN-1-SCL 839,81 10 8398,09 239789,44 0,9168237 B 14%
CN-1-DLS 1077,39 15 16160,81 255950,24 0,97861379 C
CN-1-SCS 559,34 10 5593,43 261543,67 1 C 8%
total 20363,90 261543,67 100%
 2012
1.2

1 1
0.916823697
0.77543331
0.8

0.6 % INV. ACUM

0.4

0.2 0.141390387
0.083176303
0
7 3 2

Para este año se obtuvo que los siguientes ítem generan los mayores costos de inventarios: CN-1-
PSS; CN-1-PSL; CN-1-ECL; CN-1-ECS; CN-0-00S; CN-0-00L; CN-1-DLL

Año 2013:
2013
item (demanda vol/caja)
costo alm. Inversión I. Acumulado % In. Acum ZONA %

CN-1-PSS 3379,64 15 50694,60 50694,60 0,06354698 A

CN-1-PSL 6757,75 10 67577,50 118272,10 0,1482571 A
CN-1-ECL 3339,88 15 50098,20 168370,30 0,21105647 A
CN-1-ECS 3080,89 10 30808,90 199179,20 0,24967621 A
CN-0-00S 6405,52 15 96082,80 295262,00 0,37011846 A 73%
CN-0-00L 7668,57 10 76685,70 371947,70 0,46624594 A
CN-1-DLL 2807,27 15 42109,05 414056,75 0,51903071 A
CN-1-ICS 5146,21 10 51462,10 465518,85 0,58353977 A
CN-1-ICL 7993,03 15 119895,45 585414,30 0,73383178 A
CN-1-SCL 15478,94 10 154789,40 740203,70 0,92786424 B 19%
CN-1-DLS 2493,76 15 37406,40 777610,10 0,97475412 C
7%
CN-1-SCS 2013,99 10 20139,90 797750,00 1 C
66565,45 797750,00 100%
 2013
120%

100%

80% 73%

60%

40%
19%
20%
7%
0%
9 1 2

% INVERSIÓN % INV. ACUM

Para este año se obtuvo que los siguientes ítem generan los mayores costos de inventarios: CN-1-
PSS; CN-1-PSL; CN-1-ECL; CN-1-ECS; CN-0-00S; CN-0-00L; CN-1-DLL; CN-1-ICS; CN-1-ICL.

Año 2014:

item 2014 costo alm. Inversión I. Acumulado % In. Acum ZONA %

CN-1-PSS 3219,25 15 48288,71 48288,71 0,05752428 A
CN-1-PSL 7079,82 10 70798,20 119086,91 0,14186316 A
CN-1-ECL 3339,876 15 50098,14 169185,05 0,20154294 A
CN-1-ECS 3237,662857 10 32376,63 201561,67 0,24011184 A
CN-0-00S 6405,515 15 96082,73 297644,40 0,3545711 A 73%
CN-0-00L 8121,28 10 81212,80 378857,20 0,45131645 A
CN-1-DLL 3148,148 15 47222,22 426079,42 0,50757027 A
CN-1-ICS 5808,80 10 58087,97 484167,39 0,576768 A
CN-1-ICL 8681,39 15 130220,85 614388,24 0,73189455 A
CN-1-SCL 16659,47143 10 166594,71 780982,95 0,93035174 B 20%
CN-1-DLS 2574,15 15 38612,31 819595,27 0,97634895 C
7%
CN-1-SCS 1985,385714 10 19853,86 839449,13 1 C
70260,75 839449,13 100%
 2014
120%
100% 100%
93%
80% 73%

60%
40%
20%
20% 7%
0%
9 1 2

% INVERSIÓN % INV. ACUM

Para este año se obtuvo que los siguientes ítem generan los mayores costos de inventarios: CN-1-
PSS; CN-1-PSL; CN-1-ECL; CN-1-ECS; CN-0-00S; CN-0-00L; CN-1-DLL; CN-1-ICS; CN-1-ICL.

Año 2015:

item 2015 Storage cost INVERSION INVERSION ACU INVERSION AC% CLASE
CN-1-PSS 17840,03 15 $ 267.600,43 $ 267.600,43 28% A
CN-1-PSL 9369,72 10 $ 93.697,20 $ 361.297,63 38% A
CN-1-ECS 8573,99 15 $ 128.609,85 $ 489.907,48 51% A
CN-1-ICS 6471,39 10 $ 64.713,89 $ 554.621,36 58% A
CN-0-00S 7401,89 15 $ 111.028,41 $ 665.649,78 70% A
CN-1-ECL 6405,52 10 $ 64.055,15 $ 729.704,93 76% A 76%
CN-1-DLL 3339,88 15 $ 50.098,14 $ 779.803,07 81% B
CN-1-SCL 2654,55 10 $ 26.545,47 $ 806.348,54 84% B
CN-1-ICL 3489,03 15 $ 52.335,44 $ 858.683,98 90% B
CN-1-DLS 3394,44 10 $ 33.944,37 $ 892.628,35 93% B 17%
CN-0-00L 3014,29 15 $ 45.214,28 $ 937.842,62 98% C
CN-1-SCS 1956,78 10 $ 19.567,81 $ 957.410,44 100% C 7%
TOTAL 73911,49 $ 957.410,44
 2015
120%
93%
100% 100%
76%
80%

60%

40%
17%
20%
7%
0%
6 4 2

% INVERSION % INVERSION ACUM

Para este año se obtuvo que los siguientes ítem generan los mayores costos de inventarios: CN-1-
PSS; CN-1-PSL; CN-1-ECS; CN-1-ICS; CN-0-00S; CN-1-ECL.

Año 2016:

Ítem 2016 Storage cost INVERSION INVERSION ACU INVERSION AC% CLASE
CN-1-PSS
2764,742 15 $ 41.471,13 $ 41.471,13 5% A
CN-1-PSL
7723,97 10 $ 77.239,71 $ 118.710,84 13% A
CN-1-ECS
3339,88 15 $ 50.098,14 $ 168.808,98 18% A
CN-1-ICS
3551,21 10 $ 35.512,11 $ 204.321,10 22% A
42%
CN-0-00S
6405,52 15 $ 96.082,73 $ 300.403,82 33% A
CN-1-ECL
9026,70 10 $ 90.267,01 $ 390.670,84 42% A
CN-1-DLL
3829,91 15 $ 57.448,65 $ 448.119,49 49% A
CN-1-SCL
7133,98 10 $ 71.339,80 $ 519.459,29 56% A
CN-1-ICL
10058,08 15 $ 150.871,20 $ 670.330,49 73% A
CN-1-DLS
19020,60 10 $ 190.206,00 $ 860.536,49 93% B 51%
CN-0-00L
2734,94 15 $ 41.024,10 $ 901.560,59 98% C
CN-1-SCS 7%
1928,18 10 $ 19.281,80 $ 920.842,39 100% C
TOTAL
77517,71 $ 920.842,39
 2016
120%

100% 100%
93%
80%

60% 51%
42%
40% 42%

20%
7%
0%
9 1 2

% INVERSION % INVERSION ACUM

Para este año se obtuvo que los siguientes ítem generan los mayores costos de inventarios: CN-
1PSS; CN-1-PSL; CN-1-ECS; CN-1-ICS; CN-0-00S; CN-1-ECL; CN-1-DLL; CN-1-SCL; CN-1-ICL.

Año 2017:
INVERSION
item 2016 Storage cost INVERSION ACU INVERSION AC% CLASE
CN-1-PSS 1682,52 1682,516 $ 25.237,74 $ 25.237,74 4% A
CN-1-PSL 5328,25 5328,24571 $ 53.282,46 $ 78.520,20 12% A
CN-1-ECS 2226,58 2226,584 $ 33.398,76 $ 111.918,96 17% A
CN-1-ICS 2346,71 2346,71286 $ 23.467,13 $ 135.386,09 21% A 41%
CN-0-00S 4420,47 4420,465 $ 66.306,98 $ 201.693,06 31% A
CN-1-ECL 6551,28 6551,28 $ 65.512,83 $ 267.205,89 41% A
CN-1-DLL 2742,65 2742,651 $ 41.139,77 $ 308.345,65 47% A
CN-1-SCL 5124,09 5124,09429 $ 51.240,94 $ 359.586,60 55% A
CN-1-ICL 7215,18 7215,18 $ 108.227,70 $ 467.814,30 72% A
CN-1-DLS 14083,46 14083,4571 $ 140.834,57 $ 608.648,87 94% B 53%
CN-0-00L 1837,16 1837,16 $ 27.557,40 $ 636.206,27 98% C
CN-1-SCS 1379,57 1379,57143 $ 13.795,71 $ 650.001,98 100% C 6%
TOTAL 54937,92 $ 650.001,98
 2017
120%

100% 100%
94%
80%

60% 53%
41%
40% 41%

20%
6%
0%
9 1 2

% INVERSION % INVERSION ACUM

Para este año se obtuvo que los siguientes ítem generan los mayores costos de inventarios: CN-1-
PSS; CN-1-PSL: CN-1-ECS; CN-1-ICS; CN-0-00S; CN-1-ECL: CN-1-DLL; CN-1-SCL; CN-1-ICL.