Professional Documents
Culture Documents
TESIS
QUE PARA OBTENER EL GRADO DE
MAESTRO EN INGENIERÍA INDUSTRIAL
Presenta:
YUNUEM REYES ZOTELO
Directores de Tesis:
DR. EDUARDO GUTIÉRREZ GONZÁLEZ
DRA. MISAELA FRANCISCO MÁRQUEZ
IV
A la Sección de Estudios de Posgrado e
Investigación de UPIICSA, que me
brindaron el apoyo necesario para la
realización de este trabajo.
V
Índice
SIP-14 ..................................................................................................................... II
Carta de cesión de derechos............................................................................... III
Agradecimientos .................................................................................................. IV
Índice general ....................................................................................................... VI
Índice de tablas .................................................................................................... IX
Índice de figuras .................................................................................................. XII
Resumen ............................................................................................................ XIV
Abstract ............................................................................................................... XV
Introducción........................................................................................................... 1
VI
Índice
Capítulo 2 La planeación de producción: Marco teórico ..................................... 22
2.1. Introducción ............................................................................................... 22
2.2. La planeación de producción y su importancia .......................................... 22
2.2.1. Planeación estratégica a largo plazo ........................................... 25
2.2.2. Planeación táctica a medio plazo ................................................. 25
2.2.3. Planeación detallada a corto plazo .............................................. 28
2.2.4. Aspectos a considerar para el plan de producción ..................... 28
2.3. La elaboración de un plan maestro de producción (MPS) ........................ 30
2.3.1. Tipos de MPS .............................................................................. 31
2.3.2. Información necesaria .................................................................. 31
2.3.3. MPS en la industria química y sus métodos de optimización ....... 33
2.4. Los inventarios en la planeación de producción ........................................ 34
2.4.1. Costos relevantes ........................................................................ 34
2.4.2. Clasificación de productos ........................................................... 36
2.5. Modelos de pronósticos ............................................................................. 37
2.5.1. Modelos cualitativos ..................................................................... 38
2.5.2. Modelos cuantitativos................................................................... 38
2.5.3. Indicadores de efectividad de los pronósticos .............................. 42
2.6. Análisis del comportamiento de la demanda ............................................. 43
2.6.1. Distribución de probabilidad de la demanda ................................ 43
2.6.2. Distribución log-logística .............................................................. 44
2.6.3. Distribución logística .................................................................... 44
2.6.4. Distribución Dagum ...................................................................... 45
2.6.5. Distribución Weibull...................................................................... 46
2.6.6. Distribución Burr .......................................................................... 46
2.6.7. Distribución Cauchy ..................................................................... 47
2.6.8. Ajuste de la demanda a una distribución teórica .......................... 47
2.7. Modelos de programación matemática para la optimización ..................... 48
2.7.1. Estudios en la optimización de modelos a mediano plazo ........... 49
Conclusiones ................................................................................................... 50
VII
Índice
3.2. Diseño metodológico ................................................................................. 51
3.2.1. Modelos de planeación de la producción ..................................... 52
3.2.2. Modelos para la optimización de recursos ................................... 53
3.2.3. Modelos para la industria química ............................................... 54
3.3. Descripción del modelo propuesto ........................................................... 54
3.3.1. Recolección de datos ................................................................... 56
3.3.2. Clasificación de productos ........................................................... 56
3.3.3. Análisis del comportamiento de la demanda................................ 59
3.3.4. Método de pronósticos ................................................................. 60
3.3.5. El problema de producción e inventarios ..................................... 66
3.3.6. Modelo para optimizar recursos ................................................... 67
Conclusiones ................................................................................................... 71
VIII
Índice de tablas
Capítulo 1 La industria química de productos de limpieza y cuidado personal
IX
Índice de tablas
Tabla 4.6 Aplicación del método Holt-Winters para el pronóstico mensual de
la demanda del Jabón líquido blanco para ropa, JABOZOB. ....... 91
Tabla 4.7 Valores óptimos para las constantes de ponderación y sus errores
correspondientes. Pronóstico mensual de JABOZOB. ................. 92
Tabla 4.8 Valores óptimos para las constantes de ponderación y sus errores
correspondientes. Pronóstico semanal de JABOZOB ................. 94
Tabla 4.14 Costos de tiempo ocioso y extra para cada tanque de producción
................................................................................................... 103
Tabla 4.15 Unidades mínimas semanales a producir para cumplir con el nivel
de servicio establecido según la distribución probabilística de la
demanda ajustada...................................................................... 104
Tabla 4.16 Costos semanales, por tiempo extra y tiempo ocioso para los 26
tanques de producción. .............................................................. 106
X
Índice de tablas
Tabla 4.19 Costos totales para el modelo actual de planeación, considerando
lotes fijos y niveles de inventario mínimo y máximo flexibles sin
retraso en la demanda. .............................................................. 108
Tabla 4.20 Tiempo ocioso y extra para el recurso 2 (T1-M1) en cada periodo
del horizonte de planeación. ...................................................... 109
Tabla 4.23 Tiempo ocioso y extra para el recurso 2 (T1-M1) en cada periodo
utilizando el modelo propuesto con nivel de servicio del 85%. .. 112
Tabla 4.26 Costos totales implicados entre una política de cero retrasos, nivel
de servicio del 90% y el promedio actual ................................... 114
XI
Índice de figuras
Capítulo 1 La industria química de productos de limpieza y cuidado personal
XII
Índice de figuras
Figura 4.3 Distribución de las máquinas en el área de mezcladoras 2 ......... 77
Figura 4.4 Análisis de Pareto: Ventas anuales (mayo 2014 – abril 2015) ..... 83
Figura 4.5 Análisis de Pareto: Incidencia como faltantes (mayo 2014 – abril
2015) ............................................................................................ 84
Figura 4.6 Demanda mensual del JABOZOB. enero 2013-febrero 2016. (38
periodos) ...................................................................................... 88
XIII
Resumen
El desarrollo de este trabajo tiene como objetivo principal proponer una modelo para
planear la producción de una empresa del sector químico, dedicada a la fabricación y
envasado de productos de limpieza y cuidado personal. Este modelo determinará
semanalmente, el número de lotes a producir, los niveles de inventario, así como los
costos implicados para cumplir con un nivel de servicio preestablecido en un horizonte de
planeación de tres meses. Esto servirá de base al área de operaciones para la toma de
decisiones en cuanto a producción e inventarios, y así brindar la oportunidad de mejorar el
nivel de servicio actual para aquellos productos que representan mayor impacto
económico para la empresa.
XIV
Abstract
The development of this work has as main objective to propose a production planning model
for a chemical company dedicated to the manufacture and packaging of cleaning and
personal care products. This model will determine in a weekly way, the number of batches
to produce, the inventory levels, as well as the costs involved, in order to reach a pre-
established level service in a planning horizon of three months. This model will be a tool in
the production management area for taking decisions about manufacturing and inventories,
providing an opportunity to improve the current level of service for those products that are
identified as the ones with the greatest economic impact for the company.
In the course of research, many tools of industrial engineering are used, and they
define the stages of the study; such as the ABC classification using a set criteria matrix, for
the selection of the products analyzed, considering its economic importance and incidence
as missing in storage. Also an adjustment of the distribution of weekly sales to a theoretical
probability function is performed by redefining the minimum and maximum inventory levels
by calculating percentiles.
In order to determine future demand in the planning horizon, the Holt Winters
forecasting method is used, which is compared with others and turns out to be the best
according to effectiveness indicators MAD, MSE and MAPE. The proposed model makes a
resource optimization by linear programming using the MPL Maximal Software for the
solution, and include a database in Access with data for demand, production time, lead time
and production capacity, which allows to know the idle time and overtime for each tank
production, constituting a tool for continuous improvement.
The research proposes migrate from a reactive production based on minimum and
maximum stock, to a master production scheduling, that provide the security to control the
incidence of missing demand based on a level of service and in addition, provide information
for the employee about the articles and production quantities per period. The model shows
that can be performed, an increase in service level from 76.47 to 90% with only an outlay of
4.18% higher than current investment.
XV
Introducción
Descripción del problema
Por otro lado, existe la problemática del uso óptimo de los recursos productivos
apegándose a una capacidad finita en almacén y al mismo tiempo, realizar la fabricación
de los productos en lotes completos, minimizando la incidencia de faltantes en almacén.
Objetivos
1
Introducción
Justificación
Alcances y limitaciones
El presente trabajo está dirigido a empresas del sector químico, específicamente aquellas
que realizan sus procesos por lotes, como en el caso de la industria de los productos de
limpieza y cuidado personal, que no cuenten con un plan de producción, técnicas para
pronosticar la demanda y métodos para definir niveles de inventario, y que basan sus
predicciones de manera subjetiva, con la incertidumbre de caer de un momento a otro en
desabasto y con ello crear desconfianza en el sistema productivo, hacia los clientes y
mismos trabajadores. Esta problemática se presenta en muchas PYMES mexicanas del
sector manufacturero.
2
Introducción
año y medio, así como tiempos de entrega de producto, tiempo de producción, costos de
producción, costos de mantener inventarios, costos por tiempo extra y ocioso, entre otros.
Una de las limitantes del trabajo reside en que no se cuenta con costos de
penalización por demanda insatisfecha, ni información respecto a los gastos efectuados
por concepto de producción o inventario en el periodo histórico analizado, lo que impide
realizar una comparación cabal respecto a cómo los costos podrían reducirse a través de
la implementación del modelo. Sin embargo, es posible confrontar el nivel de servicio
actual, contra el deseado, de forma tal, que la propuesta esté enfocada a la mejora de
este indicador, tomando en cuenta los costos implicados para la toma de decisiones.
Resultados esperados
El presente trabajo tiene la finalidad de desarrollar una modelo para planear la producción
en un horizonte de tres meses con base en el pronóstico generado con las ventas
históricas semanales, de forma tal que periodo a periodo se defina la cantidad de lotes a
producir, los niveles de inventario, el tiempo ocioso y extra para cada recurso. Esto
ayudará a anticipar el requerimiento de los clientes de forma tal que sea posible ofrecer
un nivel de servicio que no ponga en riesgo las operaciones ni las finanzas de la empresa,
o en su caso anticipar los recursos necesarios para mantener este indicador lo más alto
posible.
El modelo propuesto deberá minimizar los costos por tiempo ocioso y extra, así
como los costos derivados de producción e inventario, al mismo tiempo que se ajusta a un
sistema con recursos limitados. Todo esto apoyado de herramientas teóricas que
sustentan la información a través de la cual el modelo funciona.
Metodología general
3
Introducción
4
Capítulo 1
1.1 Introducción
La industria química es una de las que posee mayor impacto en nuestra vida cotidiana
debido a la gran variedad de productos que fabrica para nuestro consumo diario.
Dentro de su clasificación es posible encontrar a la industria química para la
elaboración de productos de limpieza y cuidado personal, constituida por empresas
productoras de jabón, detergentes, blanqueadores, productos para el cabello y piel,
aromatizantes, etc., el cual, constituye uno de sus segmentos más antiguos.
5
La industria de productos de limpieza y cuidado personal
6
Capítulo 1
Las categorías que registraron las mayores ventas fueron lava ropas con 78 800
millones de dólares, limpiadores de superficie con 19 700 millones de dólares y
lavatrastos con 16 900 millones de dólares. Las categorías menos vendidas fueron
blanqueadores y pulidores con 4 100 y 4 200 millones de dólares respectivamente
(CANIPEC, 2013).
Los países que más exportaron productos para el cuidado del hogar durante el
2011 fueron Alemania con 4 631, EE.UU. con 3 733, Francia con 2 495 y Bélgica con
2 138 millones de dólares, mientras que México ocupó el lugar 13 con ventas al mundo
por 595 millones de dólares. Por otra parte, los países que más importaron productos
para el cuidado del hogar en el 2011 fueron Alemania, Francia, Reino Unido y Canadá
con 2 504, 2 035, 1 629 y 1 528 millones de dólares respectivamente. México ocupó el
lugar 25 con 380 millones de dólares (CANIPEC, 2013).
7
La industria de productos de limpieza y cuidado personal
En el 2011 la industrial del cuidado personal generó ventas a nivel mundial por
425 840 millones de dólares, los productos que reportaron las mayores ventas fueron
los destinados al cuidado de la piel y del cabello, con una participación del 22.7 y 17.9%
respectivamente (CANIPEC, 2013).
La industria química mexicana fabrica múltiples productos, entre los que destacan:
fármacos, limpiadores, preparaciones de tocador; así como pinturas, recubrimientos,
adhesivos, hules, fibras, fertilizantes, pesticidas, agroquímicos y otros productos
básicos. Esta industria hace un aporte muy importante al Producto Interno Bruto,
generando alrededor de 65 mil empleos directos; contribuyendo (de manera indirecta)
8
Capítulo 1
al empleo de más de 950 mil puestos; por lo que su alta versatilidad e impacto
económico hacen que este rubro sea pieza fundamental para el desarrollo de México
(INEGI, 2009).
La química mexicana, como toda industria, en esta era global afronta el desafío
de la competencia para ganar mercados y por ello demanda constantes avances,
innovaciones en eficiencia, tecnología, productividad y servicio a sus clientes. Elevar
los niveles de competitividad de esta rama se convierte en una tarea estratégica para
impulsar el desarrollo de la economía nacional en su conjunto (UAEH, 2011).
De acuerdo con los resultados de los censos económicos 2009, 4 084 unidades
económicas declararon dedicarse a las actividades de la industria química, mismas
que dieron empleo a 233 208 personas. De este total, 1 232 unidades económicas
correspondientes al 30%, manifestaron dedicarse a la fabricación de jabones,
limpiadores y preparaciones de tocador con un total de 45 993 personas dedicadas a
este sector específico. A pesar de la proporción de la industria química dedicada a este
rubro, solo el 14% de las remuneraciones totales generadas por la industria química
corresponden a este rubro, rebasado por mucho por la rama farmacéutica y de
productos básicos (INEGI, 2009).
En México, el valor del mercado de productos para el cuidado personal durante el año
2012 fue de 9 930 millones de dólares, lo cual equivale al 2.3% de las ventas totales
mundiales, cifra alta considerando que es equivalente a la sumatoria de las ventas
realizadas en Chile, Colombia, Perú, Bolivia y Uruguay. Además de tener un
crecimiento promedio anual cercano al 3%.
9
La industria de productos de limpieza y cuidado personal
Los países a los que más les exportamos durante el 2012 fueron EE.UU,
Argentina y Colombia con ventas por 1167; 177 y 152 millones de dólares
respectivamente, en cambio, los países a los que México les compró más productos
para el cuidado personal fueron EE.UU., Francia y China con compras por 481; 187 y
66 millones de dólares respectivamente (CANIPEC, 2013).
La industria de productos para el cuidado del hogar presentó en 2012 ventas por 3 974
millones de dólares, con un decrecimiento del 3.3% comparado con el año anterior,
aunque con un crecimiento del 380% si se toma como año base el 2002. En el 2012
las exportaciones mexicanas de productos para el cuidado del hogar sumaron 834
millones de dólares, con un crecimiento del 7.7% comparado con el año anterior. Los
principales productos que se exportaron en el 2012 fueron las tabletas-mezclas
limpiadoras, humectantes y las preparaciones para perfumar locales (CANIPEC,
2013).
10
Capítulo 1
11
La industria de productos de limpieza y cuidado personal
12
Capítulo 1
AMÉRICA
EXPORTACIONES NORTE DEPENDENCIAS
LATINA Y EL EUROPA ÁFRICA ASIA OCEANÍA TOTAL
POR SECTOR AMÉRICA (ISLAS, ETC.)
CARIBE
Productos del
33.4 % 61.8 % 0.5 % 0.1% 2.4% 0.3% 1.5% 100%
hogar
Productos del
49.3 % 47.0 % 2.1% 0.0% 0.85 % 0.4% 0.3 % 100%
cuidado personal
Tabla 1.1: Exportaciones de productos del hogar y cuidado personal a nivel mundial 2010-2015.
AMÉRICA
IMPORTACIONES NORTE DEPENDENCIAS
LATINA Y EL EUROPA ÁFRICA ASIA OCEANÍA TOTAL
POR SECTOR AMÉRICA (Islas, etc.)
CARIBE
Productos del
2.7 % 77.2 % 13.9 % 0.3% 5.7% 0.1% 0.1% 100%
hogar
Productos del
13.5 % 39.0 % 33.8% 0.1% 13.4 % 0.0% 0.2 % 100%
cuidado personal
Tabla 1.2:Importaciones de productos del hogar y cuidado personal a nivel mundial 2010-2015
13
La industria de productos de limpieza y cuidado personal
14
Capítulo 1
Con estos logros, deciden constituirse como una sociedad anónima de capital
variable y a su vez cambiar la razón social a una con mayor impacto comercial,
siendo en 1990 el año en que nace REACTIVOS Y LIMPIEZA DOGO S.A DE C.V.
15
La industria de productos de limpieza y cuidado personal
innovar en sus procesos y productos para brindar un mejor servicio y atención a sus
clientes.
Reactivos y Limpieza Dogo S.A. de C.V. cuenta a su vez con una cartera de
proveedores con los que fomenta y mantiene negociaciones constantes entre los
que se incluyen: tiempos de entrega de material, precio de compra, entregas por
parcialidades, etcétera. Entre los principales proveedores de materia prima se
incluyen: Sinerquim, S.A. de C.V., Qmineral, A&S, BASF, HJB, Brenntag,
Noblechem, Polak, Tecnoarcillas, Provista, Ultrachem, ICC, IQ Arrecife, Santuario,
etcétera.
16
Capítulo 1
Misión
Visión
17
La industria de productos de limpieza y cuidado personal
Política de calidad
Objetivos estratégicos
Definidos los aspectos anteriores, será necesario trabajar de forma tal que
se alineen las actividades de cada uno de los departamentos para el cumplimiento
de los objetivos y metas empresariales.
18
Capítulo 1
19
La industria de productos de limpieza y cuidado personal
casos, se cubre solo parte de la demanda del almacén con la premisa que se
programarán más lotes posteriormente para cubrirlo por completo, pero con la
incertidumbre que se pudiera caer en desabasto de un momento a otro.
Uno de los factores por los que este fenómeno se observa es la limitante de
la capacidad instalada en producción. Actualmente existen seis mezcladoras con
capacidades de 4800 Kg, pero solo son útiles para la producción de algunos
productos como suavizantes, jabones, detergentes y limpiadores. Para los demás
productos se cuenta con dos mezcladoras de 1800 Kg, seis de 1200 Kg, dos de
1080 Kg y una de 720 Kg, que a su vez también están limitadas por el tipo de
productos que pueden elaborarse en ellas. De forma ideal los contenedores más
grandes podrían elaborar hasta 4 lotes diariamente, con un total de 115,200 Kg a la
semana de producto terminado entre ambos, sin embargo, actualmente solo se
producen 80,640 Kg en promedio de estos contenedores, ya que su uso es limitado
para evitar rebasar los niveles de stock. En contraste, las demás máquinas
mezcladoras podrían elaborar hasta 6 lotes de producto cada una, pero su
producción está limitada por la jerarquización de los productos en base a prioridades
y sobre todo las cantidades requeridas por el almacén de producto terminado y la
variedad de los productos pedidos.
20
Capítulo 1
Conclusiones
21
Capítulo 2
2.1 Introducción
22
La planeación de producción: Marco Teórico
González Riesco (2006) señala que es importante considerar que bajo este
enfoque jerárquico toda etapa depende de la anterior y restringe la siguiente por lo que
es fundamental la integración no solo de los procesos de planeación, sino también de
las distintas áreas de la empresa, para que las actividades se realicen de forma
coordinada y buscando siempre los mismos objetivos a todos los niveles. Esta
correspondencia entre los niveles de la planeación se ejemplifica en la Figura 2.1,
mientras que las acciones y decisiones empresariales derivadas de esta jerarquización
se pueden observar en la Figura 2.2.
23
Capítulo 2
24
La planeación de producción: Marco Teórico
En cierto modo, este plan empresarial representa un acuerdo entre todas las
áreas funcionales: finanzas, producción, mercadotecnia, ingeniería, investigación y
desarrollo (I&D), respecto al nivel de actividad de los negocios y las líneas de productos
que se comprometen a apoyar. Este nivel no se ocupa de detalles, en cambio,
determina una posición general factible para competir y alcanzar sus metas
principales.
25
Capítulo 2
i. Planeación Agregada
La planeación agregada de la producción tiene por objetivo proveer una política óptima
de producción sobre un cierto horizonte de planeación de entre 6 a 18 meses de modo
que maximice la utilidad de la compañía y pueda satisfacer los requerimientos de la
demanda para los distintos productos elaborados. Para la fabricación de estos se
dispone de diversos recursos escasos como mano de obra, materia prima,
disponibilidad de máquinas y niveles de inventario y su función principal es especificar
la combinación óptima de tasa de producción, nivel de mano de obra e inventario
disponible (Albornoz & Contesse, 1999; Cruelles Ruiz, 2012).
En qué fecha hay que producir, por lo que es preciso fijar de antemano las
disponibilidades de materia prima y demás recursos para plasmar la
producción de esas cantidades.
26
La planeación de producción: Marco Teórico
demanda externa. Una vez fijado este, el cometido del resto del sistema es su
cumplimiento y ejecución con el máximo de eficiencia. Para esto el plan maestro de
producción se basa un tiempo que se establece para el cálculo de las fechas de
producción y abastecimiento. Se ha estandarizado que este tiempo sea de una
semana laboral.
Dentro del proceso de formalización del MPS algunas de las funciones claves
que este debe cumplir son:
27
Capítulo 2
28
La planeación de producción: Marco Teórico
Stock: No todos los gastos por stock implican pagos, pero se ven reflejados
en el mantenimiento del mismo por la utilización de espacio físico para su
contención. Por su parte, la ruptura de stock implica muchas veces perder
demanda o diferir parte de ella.
29
Capítulo 2
30
La planeación de producción: Marco Teórico
MPS para stock: En estos sistemas las órdenes de productos provienen de los
almacenes de la empresa, y sus pedidos tienen como base los pronósticos de la
demanda futura de los clientes, así como los pedidos reales. El tamaño de los lotes en
los pedidos es un asunto de economía, si se produce muy poco, el costo fijo de
preparación del pedido se distribuye en muy pocos productos y el costo promedio
unitario resulta elevado. Si se produce demasiado, el inventario del producto crecerá
y así los costos del inventario, por lo tanto, el costo promedio unitario de producción
también será demasiado elevado.
31
Capítulo 2
Plan Agregado
de producción
Fuentes
Pedidos reales
adicionales de
comprometidos
demanda
Cálculo
Pronósticos de Existencias en
Ventas del Inventario
MPS
CAPACIDAD (Producción y
almacenamiento)
APROVISIONAMIENTO DE
MATERIAS PRIMAS Y MATERIALES
TIEMPO DE FABRICACIÓN Y
CARACTERÍSTICAS DEL PRODUCTO
PRESUPUESTO
32
La planeación de producción: Marco Teórico
Grunow et al. (2002) realizan una planeación de campaña (lotes del mismo tipo
procesados en secuencia) para procesos multinivel en industria química, tomando en
cuenta la disponibilidad de equipo, balance de inventario de productos intermedios y
productos terminados, el cual podría ser aplicado a una amplia variedad de procesos
batch. Dependiendo de la estructura del producto, se pueden tener estrategias
multiproducto o multipropósito.
Las plantas batch multiproducto son aquellas que tienen recetas similares con
líneas de producción que emplean una asignación “muchos a uno” para una unidad de
proceso y opera de manera cíclica para dar cabida a las campañas de serie. Las
plantas multipropósito son apropiadas para productos con recetas poco similares
empleando la asignación “muchos a muchos” con la posibilidad de incluir varias
campañas de producción operadas de forma cíclica. Moniz et al. (2014) abordan un
problema de este tipo. Su objetivo es maximizar la ganancia para todos los productos
mientras se determina: el ciclo de producción, la unidad asignada, tamaños de lote y
niveles de inventario.
33
Capítulo 2
sofisticados impactan tres variables: viabilidad del plan, tasa de rotación de inventario
y servicio de entrega, mientras hacen frente a la complejidad del entorno. Los autores
demuestran que muchas veces la madurez del MPS tiene un impacto aún mayor que
el ambiente de planeación.
El proceso se diseña para que una capacidad cubra una supuesta demanda
media, por lo que las necesidades de los inventarios vendrán fijadas por la demanda
y por las capacidades productivas de responder a la misma, es decir, de los recursos
disponibles en el proceso, principalmente fuerza laboral y maquinaria.
En cuanto al servicio que se desee dar al mercado, es posible fabricar bajo stock
o bajo pedido. Se recurre a producciones contra stock cuando el cliente necesita el
producto con más rapidez de lo que se tarda en producirlo, por lo que hay que tener
producidas ciertas cantidades de producto para que el cliente no espere. Producir de
esta manera exige manejar grandes cantidades de productos por lo que deben ser
baratos (costo unitario bajo), lo que requiere homogeneizar los productos y sus
operaciones ya que de otra manera los costos de stocks lastimarían la rentabilidad del
proceso. La estrategia de igualar producción con demanda por medio de stocks, es un
método empleado tradicionalmente en las fábricas, sin embargo, los inventarios tienen
un costo consecuencia del dinero atado al producto.
34
La planeación de producción: Marco Teórico
decisiones acerca de los niveles de servicio e inventarios, así como decidir entre
ordenar grandes cantidades con poca frecuencia u ordenar pequeñas cantidades
frecuentemente. Los principales a considerar, son:
Costo por unidad (c): Es el costo de producir o adquirir una unidad de un ítem,
expresado en $/unidad. Determinan los costos totales de adquisición o
producción; estos últimos se cuantifican con base en: costo variable de mano
de obra, costo variable directo, costo de la materia prima para producción,
etcétera.
Costo de ordenar y/o preparar (K): Corresponden a los costos relacionados con la
emisión de una orden de compra a un proveedor o por la orden de producción
interna en una planta. Este costo no depende del tamaño del pedido o volumen
de la corrida de producción y se expresa en $/orden o $/preparación. Se
cuantifica según los siguientes factores:
Costo por ordenar: Incluye: digitar la orden, gastos de correo, llamadas
telefónicas, autorizaciones, inspección, etc.; la preparación incluye
muchos de los costos anteriores, más aquellos en que se incurren por
detener la producción, tales como alistamiento de útiles y herramientas y
puesta en marcha, entre otros.
Sueldos fijos de los empleados que intervienen en la orden.
Costo de transporte a la recepción de almacén.
Costo de mantener el inventario (h): Se refiere al costo de almacenar un producto en
el periodo de planeación, incluye:
Costo de oportunidad del capital invertido.
Gastos de operación y por depreciación del almacén.
Costos de manipulación y conteo.
Deterioro, obsolescencia, robo o daño.
Seguros e impuestos.
Costo por faltantes (π): Son llamados también costos para evitar faltantes o costos
generados cuando un agotado se presenta. Son aquellos en los que incurre una
empresa cuando un artículo no está disponible en el momento que el cliente lo
solicite. Involucra penalizaciones impuestas por el cliente al no tener el artículo
disponible, sobrecostos de producción al expeditar un pedido,
reprogramaciones, costos de transporte mayores a los normalmente utilizados
y ventas perdidas. Su forma de expresión varía de acuerdo con el modelo
seleccionado ($/ocasión de agotados, $/unidad agotada, etc.).
35
Capítulo 2
Costos del sistema de control: Los asociados con la operación del sistema
seleccionado. Incluyen los costos de adquisición de datos, almacenamiento de
información, mantenimiento y computación, así como los relacionados con el
factor humano: entrenamiento, interpretación de resultados, etcétera. Aunque
son un tipo de costo difícil de cuantificar, son cruciales para la selección del
sistema de control.
Zona A: Agrupa del 10% al 20% del total de los artículos y representa del 60%
al 80% del efecto económico total. Estos ítems se clasifican como A y son los más
importantes para la empresa según el parámetro base considerado.
36
La planeación de producción: Marco Teórico
Zona B: Agrupa del 20% al 30% del total de los artículos y representa del 20%
al 30% del efecto económico total. Estos ítems se clasifican como B y tienen una
importancia media para la empresa y por ser de menos valor económico no requiere
un control tan estricto como los inventarios de clase A.
Zona C: Agrupa del 50% al 70% del total de los artículos y representa del 5% al
15 % del efecto económico total. Estos renglones se clasifican como C, y son de menor
importancia para la empresa según el parámetro considerado.
37
Capítulo 2
según el plazo de tiempo para el que se utilizan, y pueden ser de corto, medio o largo
plazo, también se clasifican según el tipo de modelo, por lo que pueden ser cualitativos
y cuantitativos. Estos últimos se clasifican de la siguiente manera:
Método Gráfico
Modelos
Cualitativos
Modelos
Subjetivos
Tipo de
Nivel Constante
pronóstico
Modelos de
Estacionales
Series de Tiempo
Modelos
Cuantitativos
Modelos
Tendencia
Causales
38
La planeación de producción: Marco Teórico
que están pronosticando; esto es, que pueden existir otras variables con valores que
están vinculadas de alguna forma a lo que se está pronosticando. Los modelos
causales son comunes para predecir fenómenos económicos, mientras que el análisis
de series de tiempo se utiliza comúnmente en la planeación de operaciones.
Modelos de Nivel Constante: Estos modelos son los más sencillos ya que
suponen que la variable pronosticada conservará el valor anterior sucedido en
los últimos periodos de tiempo. Los métodos más conocidos para este tipo de
modelos son: promedios móviles y suavizamiento exponencial simple.
39
Capítulo 2
40
La planeación de producción: Marco Teórico
Donde:
41
Capítulo 2
Modelo multiplicativo:
Modelo aditivo:
𝐿𝑡 = 𝛼(𝑌𝑡 − 𝑆𝑡−𝑝 ) + (1 − 𝛼)[𝐿𝑡−1 + 𝑇𝑡−1 ]
Donde:
𝐿𝑡 = 𝑁𝑖𝑣𝑒𝑙 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡, 𝛼 𝑒𝑠 𝑒𝑙 𝑝𝑒𝑠𝑜 𝑑𝑒𝑙 𝑛𝑖𝑣𝑒𝑙.
𝑇𝑡 = 𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡, 𝛾 𝑒𝑠 𝑒𝑙 𝑝𝑒𝑠𝑜 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎.
𝑆𝑡 = 𝐶𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡, 𝛿 𝑒𝑠 𝑒𝑙 𝑝𝑒𝑠𝑜 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑑𝑖𝑐ℎ𝑜 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒
𝑝 = 𝑃𝑒𝑟𝑖𝑜𝑑𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙
𝑌𝑡 = 𝐸𝑠 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡
42
La planeación de producción: Marco Teórico
∑𝑛𝑡=1|𝑦𝑡 − 𝑦̂𝑡 |
𝑀𝐴𝐷 =
𝑛
MSD: Desviación cuadrática media, es más sensible a errores anormales de
pronóstico que el MAD.
∑𝑛𝑡=1|𝑦𝑡 − 𝑦̂𝑡 |2
𝑀𝑆𝐷 =
𝑛
Corrientemente los modelos de planeación asumen que todos los parámetros del
modelo son conocidos con exactitud; sin embargo, en muchos casos este supuesto no
es válido, ya que estos representan usualmente valores ligados a la demanda de los
productos y su comportamiento a través del tiempo, lo cual es posible describir a través
de una cierta distribución de probabilidad, eventualmente continua.
Dada una variable aleatoria X la función que asigna a cada número real la
probabilidad P (X: x) se llama función de distribución acumulada y viene dada por:
43
Capítulo 2
𝑥
𝐹(𝑥) = 𝑝(𝑋 ≤ 𝑥) = ∫ 𝑓(𝑡) 𝑑𝑡
−∞
Hay muchas situaciones en las que se desea conocer la probabilidad del valor
observado en una variable continua sea mayor o menor a un número real. Para ello
tenemos la función de distribución acumulada o función de distribución de X, la cual se
expresa así: 𝐹(𝑡) = 𝑃(𝑋 ≤ 𝑡), donde t es un número real.
44
La planeación de producción: Marco Teórico
Tipo I
Tipo II
Tipo I
Tipo II
45
Capítulo 2
Tipo I
Tipo II
Tipo I
Tipo II
46
La planeación de producción: Marco Teórico
47
Capítulo 2
En este contexto Mula, Poler & García (2006) proponen un nuevo modelo de
programación lineal denominado MRP_Det para la planeación de producción a medio
plazo en un ambiente de manufactura de capacidad limitada, multiproducto, multinivel
y multiperiodo. Este modelo es transformado en tres modelos difusos con flexibilidad
en la función objetivo, en la demanda del mercado y en la capacidad disponible de
recursos. Este modelo fue probado con datos reales en una industria automotriz y
determinó el Plan Maestro y el Plan de Requerimiento de Materiales para cada
componente y materia prima en cada periodo, niveles de inventario, demanda
retrasada y niveles de capacidad utilizada sobre un horizonte de planeación dado,
como una forma de protección contra la incertidumbre.
Siguiendo esta línea, Mula, Lyons, Hernández y Poler (2014) diseñan un modelo
de programación lineal entera en la sincronización de una cadena de suministro
multietapas en base a los tiempos de espera, con la finalidad de reducir el efecto látigo.
49
Capítulo 2
Conclusiones
50
Capítulo 3
3.1. Introducción
En el desarrollo de este capítulo se expone la metodología a través de la cual se realiza
el diseño de un modelo para planear la producción en una empresa dedicada a la
fabricación de productos de limpieza y cuidado personal, tomando en cuenta el
contexto empresarial e investigaciones previas relacionadas en el tema.
51
Metodología para planear la producción en una empresa de productos químicos
técnicas que emplea, por lo que es normativa, pero también restrictiva y comparativa.
Por su parte, un método, es el conjunto de actividades, técnicas y acciones
secuenciales desarrolladas para conseguir un objetivo (Cadena, 2014). En este
apartado se hará énfasis en el estudio de los métodos encaminados a la solución del
problema de investigación.
Por su parte Mehra (1995) desarrolló un modelo cuyo objetivo fue minimizar los
costos de mantener inventarios de productos en proceso y productos terminados y los
costos por órdenes pendientes; complementando su propuesta con la inclusión de
52
Capítulo 3
Las aplicaciones de estos modelos son diversas, Tisher y Carrión (2003) los
utilizaron para problemas derivados por la cosecha de la caña de azúcar, Motoa y
Sastrón (2000) para la programación de proyectos múltiples con análisis de carga y
capacidad, y Scarpetta y Bernal (2002), para la planeación a corto plazo de la
producción en pequeñas y medianas empresas con sistemas de producción por lotes
o series cortas.
53
Metodología para planear la producción en una empresa de productos químicos
54
Capítulo 3
55
Metodología para planear la producción en una empresa de productos químicos
Las fuentes primarias son aquellas en las que los datos provienen directamente
de la población o muestra de la población, mientras que las fuentes secundarias son
aquellas que parten de datos pre-elaborados, como pueden ser datos obtenidos de
anuarios estadísticos, internet, medios de comunicación, etcétera (Torres & Paz,
2006).
57
Metodología para planear la producción en una empresa de productos químicos
En donde, 𝑦𝑖𝑗 = valor del criterio 𝑗 − ésimo para el 𝑖 − ésimo ítem del inventario.
58
Capítulo 3
59
Metodología para planear la producción en una empresa de productos químicos
𝑘
2
(𝑂𝑖 − 𝐸𝑖 )2
Χ =∑ 𝑐𝑜𝑛 𝑘 − 1 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
𝐸𝑖
𝑖=1
60
Capítulo 3
Por esta razón es imposible conocer con certeza las cantidades y el momento en el
que el producto será demandado, razón por la cual también es considerada como de
tipo aleatoria.
Para una adecuada selección del método de pronóstico, deben tomarse en cuenta
varios factores, y a cada uno corresponden ciertos cuestionamientos:
¿Hasta qué grado son apropiados los métodos cualitativos (de juicio) y
cuantitativos (de manipulación de datos)?
61
Metodología para planear la producción en una empresa de productos químicos
62
Capítulo 3
Nivel: 𝑦𝑡
𝑆𝑡 = 𝛼 𝑙 + (1 − 𝛼)(𝑆𝑡−1 + 𝑏𝑡−1 ). (3.3)
𝑡−𝐿
𝑛
1
𝐴 = ∑ 𝑦𝑖 (3.7)
𝑛
𝑖=1
𝑦1
𝑦𝐴𝑛 = (3.8)
𝐴𝑛
𝑦1 𝑦13
𝐴 + 𝐴2 (3.9)
𝐼1 = 1
2
63
Metodología para planear la producción en una empresa de productos químicos
𝑛
1
𝑆𝑡−1 = 𝐴 = ∑ 𝑦𝑖 (3.10)
𝐿
𝑖=1
Cada uno de los términos será una estimación de la tendencia sobre una
temporada completa y el valor 𝑏𝑡−1 será un promedio de la longitud de la temporada.
Cálculo del pronóstico y error: Con los valores obtenidos después de utilizar
las ecuaciones de suavización se puede calcular el pronóstico y el error absoluto. El
pronóstico se calcula para cada periodo iniciando en la segunda temporada empleando
la fórmula (3.12):
64
Capítulo 3
𝑛
1
𝑀𝐴𝐷 = ∑|𝑦𝑡 − 𝑦̌𝑡 |
𝑛
𝑖=1 (3.14)
𝑛
1
𝑀𝑆𝐸 = ∑(𝑦𝑡 − 𝑦̌𝑡 )2
𝑛
𝑖=1
𝑛
1 𝑦𝑡 − 𝑦̌𝑡
𝑀𝐴𝑃𝐸 = ∑ | | ∗ 100 (3.15)
𝑛 𝑦𝑡
𝑖=1
La validación del método tiene el objetivo de mostrar qué método de pronóstico ofrece
la mejor precisión de la proyección de las ventas registradas de la empresa en estudio.
Para lograrlo se pueden considerar los siguientes criterios:
Realizar la validación del método en el transcurso del tiempo, cuando los datos
reales se vayan generando periodo tras periodo, los periodos pueden ser al día,
por semana o mes, esto para conocer el comportamiento de las ventas reales
de la empresa. Cabe resaltar que la persona asignada para la validación del
método deberá tener libre acceso a dicha información.
65
Metodología para planear la producción en una empresa de productos químicos
66
Capítulo 3
Para realizar el modelo se requirió información del proceso, los productos y los
recursos implicados. Por lo que el modelo se define así:
Dados:
Datos de productos: Demanda, tiempo de espera para la entrega, tamaño
de lote de pedido, tanque utilizado, retraso inicial, inventario inicial,
inventario mínimo y máximo permitido en almacén, costo de producción,
inventario y retraso.
Datos de los recursos productivos: Tiempo requerido del recurso para la
producción, capacidad disponible, costo del tiempo extra y ocioso de
cada recurso.
Datos para la planificación: Número de periodos en el horizonte.
67
Metodología para planear la producción en una empresa de productos químicos
Determinar:
La cantidad a producir y número de lotes de cada producto
Inventario del producto al final de cada periodo
Retraso de la demanda de cada producto
Desviación con respecto al mínimo y máximo establecido en almacén
Tiempo ocioso y extra en cada recurso por periodo
Función objetivo:
𝐼 𝑇
Restricciones:
68
Capítulo 3
Balance de inventario
69
Metodología para planear la producción en una empresa de productos químicos
Indices y conjuntos
I: Conjunto de productos (i=1, 2, …, I)
T: Conjunto de periodos de tiempo en el horizonte de planificación (t=1, 2, ..., T)
R Conjunto de recursos (r=1, 2, …, R)
Parámetros
dit: Demanda del mercado del producto i en el periodo t
TSi: Tiempo de espera para la entrega del producto i
INVTi0: Inventario del producto i en el periodo 0
Rdi0: Retraso en la demanda del producto i en el periodo 0
InvMini: Nivel mínimo de inventario para el producto i
InvMaxi: Nivel máximo de inventario para el producto i
loti: Tamaño de lote para la producción de i
Rdi0: Retraso en la demanda del producto i en el periodo 0
ns Nivel de servicio preestablecido para el producto i en el periodo t
Coeficientes para la función objetivo
cpi: Costo de producción por unidad del producto i
cii: Costo de inventario por unidad del producto i
crdi: Costo de retraso por unidad del producto i
ctocr: Costo del tiempo ocioso del recurso r
ctexi: Costo de retraso por unidad del producto i
Coeficientes tecnológicos
ARir: Tiempo requerido del recurso r para la producción de una unidad del producto i
CAPrt: Capacidad disponible del recurso r en el periodo t
InvMini Nivel mínimo de inventario para el producto i
InvMaxi Nivel máximo de inventario para el producto i
Variables de decisión
Pit: Cantidad a producir del producto i en el periodo t
INVit Inventario del producto i al final del periodo t
Rdit: Retraso en la demanda del producto i al final del periodo t
kit: Número de lotes a producir del producto i en el periodo t
Imnlit: Inventario inferior al nivel objetivo mínimo para el producto i en el periodo t
Imxhit: Inventario superior al nivel objetivo máximo para el producto i en el periodo t
Tocrt: Tiempo ocioso del recurso r en el periodo t
Texrt Tiempo ocioso del recurso r en el periodo t
70
Capítulo 3
𝐼 𝑇 𝑅 𝑇
Conclusiones
71
Capítulo 4
4.1. Introducción
73
Capítulo 4
El proceso de producción y áreas involucradas se describen con mayor detalle en la Figura 4.1.
74
Propuesta para la planeación de la producción en la empresa de estudio
75
Capítulo 4
1 2 3 4 5 6
4,800 Kg 4,800 Kg 4,800 Kg 4,800 Kg 4,800 Kg 4,800 Kg
76
Propuesta para la planeación de la producción en la empresa de estudio
77
Capítulo 4
Ollas Garrafas
Tanq. Capacidad
Productos Elaborados (120 (20Kg)
# (Kg)
Kg)
Abrillantadores, Geles, Corporales,
7 1,200 10 60
Enjuagues, Gel antibacterial
Limpiadores, Detergentes, Jabones,
8 1,200 10 60
Shampoos
Limpiadores, Detergentes, Jabones,
9 1,800 15 90
Shampoos
Brillos, Descochambradores,
10 1,200 10 60
Aromas, Creolina
11 Aromas, Brillos, Descochambrador 1,200 10 60
Limpiadores, Detergentes,
12 1,200 10 60
Suavizantes concentrados
Limpiadores, Detergentes,
13 1,200 10 60
Suavizantes concentrados
14 Sarrisol 720 6 36
Jabones, Detergentes, Limpiadores,
15 1,800 15 90
Bases concentrados
16 Suavizantes con cápsulas 1,080 9 54
17 Suavizantes 1,080 9 54
18 Jabones, Detergentes, Limpiadores 4,800 40 240
19 Suavizantes 4,320 36 216
78
Propuesta para la planeación de la producción en la empresa de estudio
iv. CONTROL DE CALIDAD: Se encarga de revisar que el producto cumpla con los
parámetros de calidad establecidos, principalmente viscosidad y pH, una vez
aprobado, el producto es autorizado para descarga. Este procedimiento dura
alrededor de 8 a 10 minutos, sin embargo, puede ampliarse en caso de que el
producto elaborado requiera de algún ajuste de materia prima.
79
Capítulo 4
El método utilizado actualmente por la empresa para definir las cantidades de producto
a elaborar se basa en los niveles establecidos de máximos y mínimos en inventarios,
pero estos no son revisados periódicamente ni actualizados conforme varía la
demanda, por lo que a la larga llegan a ser obsoletos.
Por otro lado, no utilizan métodos de pronóstico para ventas futuras, por lo que
su modelo de planeación actual ha afectado directamente el nivel de servicio, y
generado gastos por tiempo ocioso o extra en los tanques de proceso. Por todo lo
anterior resulta imprescindible redefinir un nuevo modelo con base en la metodología
80
Propuesta para la planeación de la producción en la empresa de estudio
Cada área de la empresa cuenta con módulos a través de los cuales es posible
visualizar información, así como reportes y gráficos que resaltan sus factores más
importantes. El módulo “Portafolio” en el Quick View del ERP nos permite consultar los
diferentes productos comercializados por la empresa, así como las cantidades
vendidas y el ingreso generado por las mismas. Estos productos abarcan los
fabricados por la empresa, la materia prima para venta, productos maquilados,
envases, etiquetas, etc. En este módulo puede elegirse también el centro de
distribución al que se refieren las ventas y el periodo de tiempo que deseamos
consultar.
81
Capítulo 4
En el capítulo 3 fueron revisados varios métodos para clasificar los productos cuando
se tiene una cantidad considerable y resulta complicado analizar a todos. En el caso
82
Propuesta para la planeación de la producción en la empresa de estudio
$4,000,000.00 120.00%
$3,500,000.00
100.00%
$3,000,000.00
80.00%
$2,500,000.00
$2,000,000.00 60.00%
$1,500,000.00
40.00%
$1,000,000.00
20.00%
$500,000.00
JABLALT
NEUTRAO20
LIMBAPL
MALISA1
SHANBAL20
AROCARH
ESAND4L
CRETSAC
ENJDROS20
LIMTFLA
AROBEBE
ARODRAH
AROVAIN1/4
CRETPS4
CRETPSC
AROPOLS4LT
DESDESO20
PIMLIDB20
LIMTAJA
AROPOLS1/4
ESVIO4L
BRILGEL18
DESULTR
PESETRO1/4
ESBEB4
Figura 4.4. Análisis de Pareto: Ventas anuales (mayo 2014 – abril 2015)
Fuente: Elaboración propia.
83
Capítulo 4
7,000.00 120.00%
6,000.00 100.00%
5,000.00
80.00%
4,000.00
60.00%
3,000.00
40.00%
2,000.00
1,000.00 20.00%
0.00 0.00%
AROAPLE
COLORMA
BIODESM
SUASMUR
MAESPLIP
SHADJIT
MARAMIL
AROLAVA20
AROETEH
LIMBAPL
AROFARH1LT
AROPOLS1LT
JABLIBA
LIMPVID
JABLIAL
PINGEDE18
AROMZCA
SHAAPLE20
LIMTPAP
DOGARC20
AROFRES20
AROSAND
ENJDPLA
LIMTFBE
SHACRBL
LIMTBFF
SHADHIE
LIMSA20
CERAUTO
BURBKIDS
AROCKONE1/4
Figura 4.5. Análisis de Pareto: Incidencia como faltantes (mayo 2014 – abril 2015)
Fuente: Elaboración propia.
Incidencia de faltantes
Total 422 A B C
A 48 21 17
Ventas
B 33 29 53
anuales
C 11 30 180
84
Propuesta para la planeación de la producción en la empresa de estudio
86
Propuesta para la planeación de la producción en la empresa de estudio
87
Capítulo 4
200
JABOZOB (mensual)
180
160
140
120
100
80
4 8 12 16 20 24 28 32 36
Índice
Figura 4.6. Demanda mensual del JABOZOB. enero 2013-febrero 2016. (38 periodos)
Fuente: Elaboración propia
Por otro lado, en la serie semanal (Ver figura 4.7), es difícil identificar claramente
tendencia o estacionalidad debido a la reducida cantidad de datos disponibles, sin
embargo, es clara la presenta un alto componente aleatorio. Dadas estas
características, podrían utilizarse los métodos de nivel constante revisados en el
capítulo 2, sin embargo, la eficiencia del método elegido solo podrá ser corroborado a
través del cálculo y comparación de resultados de MAD, MSE y MAPE.
88
Propuesta para la planeación de la producción en la empresa de estudio
50
JABOZOB (semanal)
40
30
20
1 9 18 27 36 45 54 63 72 81 90
Índice
Figura 4.7. Demanda semanal de JABOZOB. mayo 2014-febrero 2016. (95 periodos)
Fuente: Elaboración propia
En primera instancia es necesario definir valores iniciales del nivel, tendencia e índices
estacionales, considerando una temporada de un año compuesta por 12 periodos
(L=12 meses), por lo que es necesario contar con una temporada completa como
mínimo para su cálculo.
89
Capítulo 4
𝑦1 𝑦13
𝐴1 + 𝐴2 1.113 + 0.979
𝐼1 = = = 1.046
2 2
El valor inicial del nivel se encuentra a través del promedio de la primera temporada,
que constituirá un promedio móvil de orden L, entonces de (3.10) resulta un valor inicial
de 113.25 para el primer periodo.
Después de calcular los índices iniciales, se realizará el cálculo de los índices por
periodo usando las fórmulas del modelo multiplicativo de Holt-Winters, (3.3) - (3.6). Las
constantes de ponderación (α, β, γ), en este momento podrán ser cualquiera, pues su
valor no es significativo hasta la minimización del error, sin embargo, es común utilizar
0.2 para cada una de ellas al principio del cálculo (Cowpertwait & Metcalfe, 2009). Los
resultados de este paso se encontrarán en las columnas de Nivel, Tendencia e Índice
estacional de la Tabla 4.6. en el segundo periodo de la serie.
Con los valores obtenidos después de utilizar las ecuaciones de suavización se puede
calcular el pronóstico con (3.12) y para los periodos subsecuentes se utilizará la
90
Propuesta para la planeación de la producción en la empresa de estudio
91
Capítulo 4
Por último, para hallar los valores óptimos de las constantes de ponderación, se hará
uso del Solver de Excel Microsoft minimizando el error (MAD y MSE), y de esta forma,
al ir ligadas las fórmulas, la actualización de los pronósticos para los periodos se hará
automáticamente.
Producto: JABOZOB
Observaciones 38
L 12
MAD MSE
alfa = 0.52 0.66 0.52
beta = 0 0 0
gamma = 0.2 0.2 0.2
Error
Venta real Pronóstico
absoluto
Año 1 1,359
Año 2 1,753 1764.45 11
Año 3 1,662 1942.90 80
Tabla 4.7. Valores óptimos para las constantes de ponderación y sus errores
correspondientes. Pronóstico mensual de JABOZOB.
92
Propuesta para la planeación de la producción en la empresa de estudio
250.00
200.00
150.00 Venta
Pronóstico
50.00
0.00
0 5 10 15 20 25 30 35 40
Figura 4.8. Ventas reales y pronósticos mensuales utilizando el método Holt-Winters para el
producto JABOZOB.
Fuente: Elaboración propia.
93
Capítulo 4
70
60
50
40
30
20
10
0
0 52 104
Figura 4.9. Ventas reales y pronósticos semanales utilizando el método Holt-Winters para el
producto JABOZOB.
Fuente: Elaboración propia.
Producto: JABOZOB
Observaciones 95
L 52
MAD MSE
alfa = 0.002179699 0.002110047 0.002179699
beta = 0.999999964 1 0.999999964
gamma = 0 0 0
Tabla 4.8. Valores óptimos para las constantes de ponderación y sus errores
correspondientes. Pronóstico semanal de JABOZOB
94
Propuesta para la planeación de la producción en la empresa de estudio
Estaci Factor Error
Tende Pronó
Pdo Venta Nivel - onalid Estaci Absol MAD MSE
ncia stico
ad onal uto
1 29 0.269 0.8587 0.999
2 28 0.135 0.8291 0.878
3 39 0.385 1.1548 1.359
4 27 0.077 0.7995 0.811
5 32 0.173 0.9475 1.017
6 46 0.231 1.3621 1.132
7 20 0.346 0.5922 0.800
8 23 0.462 0.6810 0.963
9 36 0.019 1.0660 1.023
10 39 0.058 1.1548 1.054
11 31 0.096 0.9179 0.936
12 37 0.135 1.0956 0.945
13 35 0.212 1.0364 0.836
14 36 0.154 1.0660 1.116
15 38 0.058 1.1252 1.106
16 36 0.058 1.0660 1.050
17 32 0.212 0.9475 1.044
18 32 0.135 0.9475 0.805
19 27 0.288 0.7995 0.956
20 25 0.192 0.7403 0.834
21 38 0.000 1.1252 1.066
22 29 0.346 0.8587 1.052
23 30 0.231 0.8883 1.001
24 39 0.327 1.1548 0.869
25 41 0.154 1.2140 1.256
26 41 0.038 1.2140 1.177
27 39 0.212 1.1548 0.948
28 40 0.096 1.1844 1.056
29 42 0.327 1.2437 1.404
30 27 0.231 0.7995 0.917
31 43 0.308 1.2733 0.994
32 35 0.308 1.0364 1.194
33 28 0.212 0.8291 0.640
34 30 0.058 0.8883 0.881
35 32 33.77 0.077 0.1272 0.9475 0.951
36 48 1.2722
37 46 1.2192
38 30 0.7951
39 40 1.0601
40 34 0.9011
41 37 0.9806
95
Capítulo 4
Estaci Factor Error
Tende Pronó
Pdo Venta Nivel - onalid Estaci Absol MAD MSE
ncia stico
ad onal uto
42 34 0.9011
43 31 0.8216
44 50 1.3252
45 34 0.9011
46 26 0.6891
47 25 0.6626
48 27 0.7156
49 58 1.5372
50 38 1.0071
51 45 1.1927
52 33 0.8746
53 43 33.918 0.1471 1.1397 0.999 33.870 9.1290 9.1290 83.339
54 35 34.078 0.1597 0.9276 0.878 29.922 5.0779 7.1034 54.562
55 59 34.258 0.1797 1.5637 1.359 46.538 12.461 8.8894 88.136
56 31 34.446 0.1880 0.8216 0.811 27.913 3.0864 7.4386 68.484
57 41 34.646 0.2003 1.0866 1.017 35.226 5.7738 7.1057 61.454
58 34 34.836 0.1899 0.9011 1.132 39.432 5.4329 6.8269 56.131
59 38 35.053 0.2171 1.0071 0.800 28.009 9.9903 7.2788 62.371
60 47 35.300 0.2466 1.2457 0.963 33.978 13.021 7.9967 75.770
61 37 35.548 0.2479 0.9806 1.023 36.375 0.6246 7.1775 67.394
62 36 35.792 0.2443 0.9541 1.054 37.746 1.7460 6.6344 60.960
63 36 36.042 0.2496 0.9541 0.936 33.731 2.2684 6.2375 55.886
64 30 36.281 0.2396 0.7951 0.945 34.308 4.3084 6.0767 52.775
65 24 36.504 0.2226 0.6361 0.836 30.540 6.5403 6.1124 52.006
66 44 36.732 0.2285 1.1662 1.116 40.990 3.0099 5.8908 48.939
67 41 36.961 0.2287 1.0866 1.106 40.876 0.1233 5.5063 45.677
68 39 37.190 0.2286 1.0336 1.050 39.043 0.0430 5.1648 42.822
69 43 37.427 0.2369 1.1397 1.044 39.050 3.9495 5.0933 41.221
70 25 37.649 0.2225 0.6626 0.805 30.322 5.3222 5.1060 40.504
71 42 37.885 0.2356 1.1131 0.956 36.218 5.7819 5.1416 40.132
72 35 38.129 0.2440 0.9276 0.834 31.791 3.2089 5.0450 38.640
73 38 38.367 0.2381 1.0071 1.066 40.912 2.9129 4.9434 37.204
74 47 38.619 0.2513 1.2457 1.052 40.620 6.3793 5.0087 37.363
75 42 38.877 0.2580 1.1131 1.001 38.899 3.1009 4.9258 36.157
76 22 39.105 0.2279 0.5831 0.869 34.006 12.006 5.2208 40.657
77 49 39.332 0.2272 1.2987 1.256 49.416 0.4164 5.0286 39.037
78 43 39.552 0.2206 1.1397 1.177 46.555 3.5556 4.9720 38.022
79 28 39.751 0.1983 0.7421 0.948 37.723 9.7237 5.1480 40.116
80 35 39.934 0.1834 0.9276 1.056 42.187 7.1879 5.2208 40.528
81 59 40.122 0.1876 1.5637 1.404 56.313 2.6866 5.1334 39.380
82 39 40.314 0.1925 1.0336 0.917 36.946 2.0531 5.0307 38.207
96
Propuesta para la planeación de la producción en la empresa de estudio
Estaci Factor Error
Tende Pronó
Pdo Venta Nivel - onalid Estaci Absol MAD MSE
ncia stico
ad onal uto
83 27 40.478 0.1634 0.7156 0.994 40.281 13.281 5.2969 42.666
84 51 40.646 0.1679 1.3517 1.194 48.527 2.4723 5.2086 41.523
85 17 40.783 0.1368 0.4506 0.640 26.114 9.1142 5.3270 42.782
86 33 40.912 0.1292 0.8746 0.881 36.069 3.0699 5.2606 41.801
87 36 41.034 0.1223 0.9541 0.951 39.024 3.0241 5.1967 40.868
88 52
89 39
90 32
91 44
92 41
93 58
94 31
95 37
96
97
98
99
100
101
102
103
104
105 41.123
106 36.258
107 56.276
108 33.657
109 42.358
110 47.266
111 33.499
112 40.474
113 43.118
114 44.560
115 39.669
116 40.180
117 35.644
118 47.709
119 47.411
120 45.134
121 44.994
122 34.809
123 41.465
97
Capítulo 4
Estaci Factor Error
Tende Pronó
Pdo Venta Nivel - onalid Estaci Absol MAD MSE
ncia stico
ad onal uto
124 36.261
125 46.490
126 46.009
127 43.881
128 38.209
129 55.398
130 52.036
131 42.053
132 46.952
133 62.581
134 40.975
135 44.578
136 53.672
137 28.839
138 39.838
139 43.089
Tabla 4.9. Aplicación del método Holt-Winters para el pronóstico de la demanda semanal del
Jabón líquido blanco para ropa, JABOZOB.
Fuente: Elaboración propia.
Tabla 4.10. Indicadores de efectividad de los pronósticos para la serie de tiempo semanal de
JABOZOB.
Fuente: Elaboración propia.
98
Propuesta para la planeación de la producción en la empresa de estudio
4.4.5. Inventarios y costos asociados para la planeación de producción
i. Costos implicados
a) Costo de producción por unidad (cp): Estará determinado por costos de mano
de obra, materia prima, maquinaria, suministros, envases, servicios, supervisión
y mantenimiento; así como de costos fijos por depreciación, impuestos, seguros
etc.
99
Capítulo 4
OPERACIONES
# 2015
PROMEDIO MENSUAL % Total $ Mes
1 MANO DE OBRA 27.25% $1,067,363.21 10.08% $293,712.30
2 PAPELERIA 0.57% $16,522.38 0.13% $3,787.96
3 MONTACARGAS 0.07% $2,182.12 0.04% $1,309.27
4 GAS 0.35% $10,239.76 0.35% $10,239.76
5 LUZ 1.10% $32,037.20 0.54% $15,698.23
6 TELEFONO FIJA 1.51% $43,976.91 0.15% $4,397.69
7 MANNTO EN PLANTA 0.45% $13,208.87 0.18% $5,283.55
8 SEGUROS Y FIANZAS** 1.56% $45,317.56 0.19% $5,664.69
9 ARTÍCULOS DE CÓMPUTO 0.44% $12,806.64 0.44% $12,806.64
10 EQPO Y MAT DE LABORATORIO 0.03% $730.95 0.03% $730.95
11 SEGURO EMPRESARIAL** 0.49% $14,408.26 0.06% $1,801.03
12 MANNTO DE MAQ. Y EQUIPO 1.65% $47,963.20 0.25% $7,194.48
13 MANNTO. INSTALACIONES 9.51% $277,146.17 1.43% $41,571.93
Total 54.36% $1,583,903.23 13.65% $397,795.15
Promedio del Balance
$2,913,812.45
Mensual
Tabla 4.11. Costos mensuales correspondientes al área de operaciones.
Fuente: Elaboración propia.
100
Propuesta para la planeación de la producción en la empresa de estudio
Lote $/Kg de $/Lote $ Kg
# PRODUCTO $ por Kg Kg/Unidad $/Unidad
(Kg) MP Servicios Producto
20 SHAEROJ 4,800 $4.68 $561.31 $0.12 $4.80 120 $575.63
21 LIMTFML 20,000 $2.66 $561.31 $0.03 $2.69 120 $322.42
22 SUAAMAR 4,320 $3.72 $561.31 $0.13 $3.85 120 $461.55
23 LIMTFLA 9,000 $2.27 $561.31 $0.06 $2.33 120 $279.33
24 LIMTFMF 9,000 $2.49 $561.31 $0.06 $2.55 120 $305.81
25 BRILGEL 1,200 $9.66 $561.31 $0.47 $10.13 134 $1,357.42
26 LIMTFCH 7,000 $2.47 $561.31 $0.08 $2.55 120 $306.54
27 SUAPLUS 1,080 $3.04 $561.31 $0.52 $3.56 120 $426.97
28 SUABABY 1,080 $2.89 $561.31 $0.52 $3.41 120 $409.33
29 INSLIQA20 1,200 $39.01 $561.31 $0.47 $39.48 20 $789.60
30 LIMTFVI 4,000 $2.04 $561.31 $0.14 $2.18 120 $261.60
31 SUAMEBM 1,080 $4.39 $561.31 $0.52 $4.91 120 $589.33
32 SUAMEHS 1,200 $4.52 $561.31 $0.47 $4.99 120 $599.18
33 CREMAGE20 1,200 $17.86 $561.31 $0.47 $18.33 20 $366.66
34 SHAHERK20 1,800 $8.10 $561.31 $0.31 $8.41 20 $168.12
35 DESDESO20 1,800 $12.37 $561.31 $0.31 $12.68 20 $253.54
36 ABRIMOT20 1,200 $21.28 $561.31 $0.47 $21.75 20 $435.00
37 AROCOCO20 1,200 $11.53 $561.31 $0.47 $12.00 20 $239.94
38 LIMTAJA20 1,800 $7.68 $561.31 $0.31 $7.99 20 $159.83
39 LIMTFFL 5,000 $2.32 $561.31 $0.11 $2.43 120 $291.39
40 JABLIBU20 1,800 $7.40 $561.31 $0.31 $7.71 20 $154.23
41 JABLIAP20 1,800 $6.32 $561.31 $0.31 $6.63 20 $132.70
42 AROCHAN20 1,200 $12.24 $561.31 $0.47 $12.71 20 $254.20
43 JABLIBA20 4,800 $9.03 $561.31 $0.12 $9.15 20 $183.10
44 AROLAVA20 1,200 $11.39 $561.31 $0.47 $11.86 20 $237.19
45 ARDW1/4PT 1,200 $6.49 $561.31 $0.47 $6.96 1.25 $8.69
46 MARAPOK20 1,800 $9.09 $561.31 $0.31 $9.40 20 $187.98
47 AROMADA20 1,200 $14.35 $561.31 $0.47 $14.82 20 $296.41
48 LIMCLMF20 4,800 $7.99 $561.31 $0.12 $8.11 20 $162.29
Tabla 4.12. Costos de producción compuestos por mano de obra, servicios y materia prima
por unidad de producto.
Fuente: Elaboración propia
101
Capítulo 4
el costo por retraso es muy alto, aunque el calcularlo resulte difícil. En estos
casos es más fácil relacionar el costo de penalización, a un nivel de servicio
preestablecido, el cual se definirá según los intereses de la empresa de forma
intuitiva de acuerdo al nivel actual y hasta donde les es factible económicamente
realizar una mejora.
Existen otros costos que no están implicados en la política de inventarios, pero son
imprescindibles de considerar en el diseño del modelo, estos son:
a. Costo por tiempo ocioso (ctoc): Este se genera cuando los recursos
empresariales no están en uso, pero se les paga por su tiempo. En este
caso, éste queda absorbido por el costo fijo de producción de un tanque
de proceso y se derivará del gasto operativo que la empresa calcula para
cada unidad de producto, por lo que, para cada tanque de producción, el
gasto operativo dependerá del tamaño de lote.
102
Propuesta para la planeación de la producción en la empresa de estudio
b. Costo por tiempo extra (ctex): De la misma manera, el costo por tiempo
extra se genera por utilizar el recurso, mayor tiempo del planeado, es
decir más de 52 horas semanales. Su monto es pues igual que el tiempo
ocioso, como se observa en la Tabla 4.14.
103
Capítulo 4
NIVEL DE SERVICIO
NIVEL DE 0.50 0.75 0.80 0.85 0.90 0.95
SERVICIO MODELO
# PRODUCTO Unidades de mínimas de producto a
ACTUAL AJUSTADO
fabricar semanalmente
1 LIMH14 60.30% LogLogística(3P) 307 341 350 361 376 401
2 SUALADW 78.76% Logística 204 222 227 232 240 252
3 LUBRVIN 73.51% Dagum (4P) 59 66 68 71 73 78
4 JALITRA 78.37% Dagum 67 75 77 79 82 87
5 PINLITR 44.10% Weibull 95 105 107 110 113 118
6 SHADAUT 80.75% Weibull (3P) 57 65 67 70 73 77
7 JABOZOT 83.20% Weibull 92 108 112 116 122 130
8 COLORMA 81.98% LogLogística(3P) 78 91 95 99 106 117
9 SUAVEDUO 57.93% Weibull (3P) 52 59 61 63 66 70
10 LIMCLMF 86.72% Weibull (3P) 36 41 43 44 46 49
11 DESMINE 72.91% Burr 72 64 66 68 70 74
12 JABOZOB 80.86% Burr 36 42 43 45 47 51
13 BLANCOLOR 77.20% Weibull 48 55 57 58 61 64
14 COLORMAN 86.18% Dagum (4P) 31 41 44 47 51 58
15 SUALIBE 85.16% Burr 44 51 53 55 58 63
16 DESDPBR 77.26% Dagum 78 87 89 91 94 100
17 LIMBRAZ 90.94% Dagum (4P) 19 22 23 23 25 26
18 PIMLIDE 89.80% Weibull 38 43 44 45 46 49
19 ARDW20LPT 88.01% Burr (4P) 45 51 53 54 56 59
20 SHAEROJ 84.05% Dagum 32 37 38 40 42 46
21 LIMTFML 42.00% Weibull 119 132 135 138 142 148
22 SUAAMAR 87.52% Weibull (3P) 36 42 44 46 48 51
23 LIMTFLA 40.04% Burr 104 114 117 120 123 128
24 LIMTFMF 45.80% Weibull 91 100 102 105 108 112
25 BRILGEL 89.90% Cauchy 10 13 13 15 18 26
26 LIMTFCH 60.29% Burr (4P) 35 40 42 44 46 49
27 SUAPLUS 74.23% Burr 21 25 26 27 28 30
28 SUABABY 85.00% Burr (4P) 20 23 24 26 28 31
29 INSLIQA20 75.32% Dagum 37 47 49 52 56 61
30 LIMTFVI 63.19% Weibull 34 39 41 42 44 46
31 SUAMEBM 75.42% Cauchy 9 14 14 19 16 19
32 SUAMEHS 74.59% Logística 12 15 16 17 18 20
33 CREMAGE20 84.40% Dagum 25 30 31 32 34 37
34 SHAHERK20 75.26% Burr (4P) 48 57 59 61 64 69
35 DESDESO20 91.23% Weibull (3P) 32 38 39 41 43 47
36 ABRIMOT20 94.21% Dagum 36 42 43 45 48 53
37 AROCOCO20 82.68% Burr (4P) 38 44 45 47 49 52
38 LIMTAJA20 84.23% Dagum 42 49 51 53 57 62
104
Propuesta para la planeación de la producción en la empresa de estudio
NIVEL DE SERVICIO
NIVEL DE 0.50 0.75 0.80 0.85 0.90 0.95
SERVICIO MODELO
# PRODUCTO Unidades de mínimas de producto a
ACTUAL AJUSTADO
fabricar semanalmente
39 LIMTFFL 55.10% Burr (4P) 38 45 47 48 51 54
40 JABLIBU20 95.70% Weibull 34 40 41 43 45 48
41 JABLIAP20 68.91% Dagum 35 42 44 46 49 55
42 AROCHAN20 88.73% LogLogística(3P) 29 33 34 36 38 42
43 JABLIBA20 74.31% Burr 41 50 52 56 61 70
44 AROLAVA20 90.50% Weibull (3P) 30 35 36 37 39 41
45 ARDW1/4PT 78.41% Burr 120 138 143 149 157 170
46 MARAPOK20 81.10% Dagum (4P) 26 32 33 35 37 41
47 AROMADA20 74.74% Weibull 21 25 26 27 28 31
48 LIMCLMF20 79.96% Weibull (3P) 32 37 38 40 42 45
Tabla 4.15. Unidades mínimas semanales a producir para cumplir con el nivel de servicio
establecido según la distribución probabilística de la demanda ajustada
Fuente: Elaboración propia
Para este fin se utilizarán en primer lugar, los datos históricos semanales de
demanda para cada producto, costos unitarios de producción, costos por mantener
cada artículo en inventario y los implicados por retraso en la demanda. A este último
costo se le asignará un valor muy alto a fin de sustentar el hecho de que la empresa
no permite retrasos en la entrega de sus productos y que no cuenta con un valor
específico para penalizar este hecho, pues trabaja a través de niveles de servicio.
105
Capítulo 4
Posteriormente se pretende utilizar la información obtenida de los pronósticos
semanales para alimentar el modelo, a fin que la empresa pueda planificar la
producción necesaria para satisfacer de acuerdo a su capacidad, la demanda
predicha.
106
Propuesta para la planeación de la producción en la empresa de estudio
# PRODUCTO cpi cii crdi # PRODUCTO cpi cii crdi
1 LIMH14 385,00 150,00 99.999,00 25 BRILGEL 1.357,42 150,00 99.999,00
2 SUALADW 384,77 150,00 99.999,00 26 LIMTFCH 306,54 150,00 99.999,00
3 LUBRVIN 1.377,56 150,00 99.999,00 27 SUAPLUS 426,97 150,00 99.999,00
4 JALITRA 983,16 150,00 99.999,00 28 SUABABY 409,33 150,00 99.999,00
5 PINLITR 714,45 150,00 99.999,00 29 INSLIQA20 789,60 75,00 99.999,00
6 SHADAUT 1.016,90 150,00 99.999,00 30 LIMTFVI 261,60 150,00 99.999,00
7 JABOZOT 905,57 150,00 99.999,00 31 SUAMEBM 589,33 150,00 99.999,00
8 COLORMA 1.037,03 150,00 99.999,00 32 SUAMEHS 599,18 150,00 99.999,00
9 SUAVEDUO 660,00 150,00 99.999,00 33 CREMAGE20 366,66 75,00 99.999,00
10 LIMCLMF 973,76 150,00 99.999,00 34 SHAHERK20 168,12 75,00 99.999,00
11 DESMINE 606,90 150,00 99.999,00 35 DESDESO20 253,54 75,00 99.999,00
12 JABOZOB 905,57 150,00 99.999,00 36 ABRIMOT20 0,00 75,00 99.999,00
13 BLANCOLOR 689,16 150,00 99.999,00 37 AROCOCO20 239,94 75,00 99.999,00
14 COLORMAN 787,20 150,00 99.999,00 38 LIMTAJA20 159,83 75,00 99.999,00
15 SUALIBE 570,28 150,00 99.999,00 39 LIMTFFL 291,39 150,00 99.999,00
16 DESDPBR 354,76 150,00 99.999,00 40 JABLIBU20 154,23 75,00 99.999,00
17 LIMBRAZ 1.358,04 150,00 99.999,00 41 JABLIAP20 132,70 75,00 99.999,00
18 PIMLIDE 582,77 150,00 99.999,00 42 AROCHAN20 254,20 75,00 99.999,00
19 ARDW20LPT 472,16 75,00 99.999,00 43 JABLIBA20 183,10 75,00 99.999,00
20 SHAEROJ 575,63 150,00 99.999,00 44 AROLAVA20 237,19 75,00 99.999,00
21 LIMTFML 322,42 150,00 99.999,00 45 ARDW1/4PT 8,69 18,00 99.999,00
22 SUAAMAR 461,55 150,00 99.999,00 46 MARAPOK20 187,98 75,00 99.999,00
23 LIMTFLA 279,33 150,00 99.999,00 47 AROMADA20 296,41 75,00 99.999,00
24 LIMTFMF 305,81 150,00 99.999,00 48 LIMCLMF20 162,29 75,00 99.999,00
Tabla 4.17. Costos unitarios de producción, almacenamiento semanal y retraso para cada
producto.
Fuente: Elaboración propia
modelo resulta infactible, por lo que se incluyen dos variables de holgura para los
niveles de inventario, los cuales deberán minimizarse junto con la función objetivo para
que se ajusten en lo posible a los niveles definidos.
El modelo nos proporciona así, el número de lotes a fabricar en cada periodo semanal,
así como el nivel de inventario al término del mismo. Para JALITRA se puede observar
que, en todos los periodos, sus existencias de inventario son menores al mínimo
establecido, pero no por ello se cae en retrasos, pues el modelo asigna un alto costo
107
Capítulo 4
a este hecho y el inventario se apoya fuertemente de la capacidad productiva y su
rapidez de fabricación para el cumplimiento de la demanda.
Ic Ir Per Demanda Lotes Zona Máq Producción Inventario Retraso <Mínimo >Máximo
4 2 1 81 1 M1 T1 40 13 0 41 0
4 2 2 40 1 M1 T1 40 13 0 41 0
4 2 3 66 2 M1 T1 80 27 0 27 0
4 2 4 53 1 M1 T1 40 14 0 40 0
4 2 5 85 2 M1 T1 80 9 0 45 0
4 2 6 68 2 M1 T1 80 21 0 33 0
4 2 7 71 2 M1 T1 80 30 0 24 0
4 2 8 70 2 M1 T1 80 40 0 14 0
4 2 9 67 2 M1 T1 80 53 0 1 0
4 2 10 84 1 M1 T1 40 9 0 45 0
4 2 11 64 2 M1 T1 80 25 0 29 0
4 2 12 54 2 M1 T1 80 51 0 3 0
Tabla 4.18. Planeación trimestral para JALITRA, indicando la cantidad producida, número de
lotes y nivel de inventario por periodo (modelo sin retraso).
Fuente: Elaboración propia
Por su parte, la función objetivo arroja solo para este producto, un costo total de
$832,706.92 para ese trimestre. Los resultados de costos totales y holgura de
inventario que integran la función objetivo únicamente para JALITRA se señalan en la
Tabla 4.19.
108
Propuesta para la planeación de la producción en la empresa de estudio
debido a que en esos 26 recursos se producen más de 200 productos, y el modelo fue
diseñado solo para 48 de ellos, por lo que aquello que se considera como tiempo
ocioso, en realidad es el tiempo disponible para la fabricación de los demás productos.
Por ejemplo, el producto JALITRA se produce en el recurso número 2, correspondiente
al tanque 1 de mezcladoras 1, compitiendo con otros 3 productos de los 48
seleccionados, COLORMA, COLORMAN y LIMCLMF20.
109
Capítulo 4
En este caso, el modelo propuesto incluirá algunos cambios en el anteriormente
descrito, éstos se enlistan a continuación:
110
Propuesta para la planeación de la producción en la empresa de estudio
Ic Periodos D Lotes Producción Inventario <Mínimo >Máximo RetrasoDemanda
4 1 81 0 0 0 58 0 23
4 2 40 1 40 0 58 0 23
4 3 66 1 40 0 58 0 49
4 4 53 4 160 58 0 0 0
4 5 85 1 40 13 45 0 0
4 6 68 4 160 105 0 23 0
4 7 71 1 40 74 0 0 0
4 8 70 0 0 4 54 0 0
4 9 67 2 80 17 41 0 0
4 10 84 2 80 13 45 0 0
4 11 64 1 40 0 58 0 11
4 12 54 2 80 15 43 0 0
Tabla 4.21. Planeación trimestral para JALITRA, indicando la cantidad producida, número de
lotes y nivel de inventario por periodo, par un 85% de nivel de servicio).
Fuente: Elaboración propia
Tabla 4.22. Costos totales para el modelo planeación propuesto, considerando lotes fijos,
niveles de inventario mínimo y máximo flexibles y un nivel de servicio del 85%.
Fuente: Elaboración propia
111
Capítulo 4
Tiempo ocioso Tiempo extra
Recurso Periodo
Semanas Horas Días Semanas Horas Días
2 1 0.953 49.6 6 0 0 0
2 2 0.811 42.2 5 0 0 0
2 3 0.354 18.4 2 0 0 0
2 4 0.664 34.6 4 0 0 0
2 5 0.903 47.0 5 0 0 0
2 6 0.430 22.4 2 0 0 0
2 7 0.903 47.0 5 0 0 0
2 8 0.813 42.3 5 0 0 0
2 9 0.714 37.2 4 0 0 0
2 10 0.763 39.7 4 0 0 0
2 11 0.763 39.7 4 0 0 0
2 12 0.509 26.5 3 0 0 0
Tabla 4.23. Tiempo ocioso y extra para el recurso 2 (T1-M1) en cada periodo utilizando el
modelo propuesto con nivel de servicio del 85%.
Fuente: Elaboración propia
113
Capítulo 4
al 10%, con nuevos niveles de inventario correspondientes a los percentiles 0.2 y 0.9
de la función de densidad en la demanda de cada producto.
La captura del modelo propuesto se observa en el Anexo A.2, el cual, junto con
la base de datos capturada en Access, constituye uno de los productos de la
investigación.
114
Propuesta para la planeación de la producción en la empresa de estudio
115
Capítulo 4
116
Propuesta para la planeación de la producción en la empresa de estudio
COSTO TOTAL
$21,000,000.00
$20,000,000.00
$19,000,000.00
$18,000,000.00
$17,000,000.00
$16,000,000.00
$15,000,000.00
100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0%
NIVEL DE SERVICIO
Figura 4.10. Costo total para la planeación de producción según el nivel de servicio
seleccionado
Fuente: Elaboración propia.
Conclusiones
117
Conclusiones
Esta investigación presenta un modelo cuantitativo para la planeación de
producción de los artículos con mayor importancia económica para la empresa de
estudio. Está construido a través del seguimiento de una metodología desarrollada
de acuerdo a diferentes conceptos y herramientas que ofrecen una base teórica
para la toma de decisiones.
Así mismo, los objetivos planteados al inicio de esta investigación han sido
alcanzados de manera exitosa:
118
Conclusiones
Esta propuesta podría ayudar al área de compras de forma tal, que, al contar
con un modelo para el requerimiento de materia prima, según la producción y
demanda de producto terminado, implicaría una mejora al sistema involucrado en la
adquisición de materia prima y materiales actualmente implementado, coadyuvando
a la sinergia en el cumplimiento de objetivos para la planeación. Lo mismo podría
aplicarse a la demanda de envases en el área de lavado, la cual, al ser dependiente
del área de proceso, podría incorporarse al MRP, considerándolo como un
componente del producto final, incluyendo en el modelo, tiempos de espera por el
mismo y restricciones para su almacenamiento.
120
Bibliografía
Albornoz, V. M., & Contesse, L. E. (1999). Modelos de Optimizacion Robusta para
un Problema de Planificación Agregada de la Produccion bajo Incertidumbre en
las Demandas. Investigación Operativa, 7(3), 1–15.
Ángel A, J. (2001). Ajuste de datos por una distribución teórica con Minitab.
Retrieved March 29, 2016, from www.uoc.edu/in3/emath/docs/Ajuste_datos.pdf
Aulafacil.com. (2009). Selección del método de pronóstico. Retrieved January 8,
2016, from
http://www.aulafacil.com/cursos/l19477/empresa/marketing/pronosticos-
investigacion-comercial/seleccion-del-metodo-de-pronostico
Boiteux, O. D., Corominas, A., & Lusa, A. (2007). Estado del arte sobre planificación
agregada de la producción. Enginyeria d’Organització I Logística Industrial,
4(2), 1–39.
Brandenburg, M., & Tölle, F.-J. (2009). MILP-based campaign scheduling in a
speciality chemicals plant: a case study. OR Spectrum, 31, 141–166.
Buschkühl, L., Sahling, F., Helber, S., & Tempelmeier, H. (2010). Dynamic
capacitated lot-sizing problems: A classification and review of solution
approaches. OR Spectrum (Vol. 32).
Business School, E. (2012). España supone ya el 3.27% del mercado global del
cuidado personal en 2011. Retrieved June 20, 2015, from
http://www.eae.es/news/2012/11/19/espana-supone-ya-el-3-27-del-mercado-
global-de-cuidado-personal-en-2011
Cadena, B. (2014). Metodología. Retrieved April 29, 2016, from
http://cadenabustillosmetodos.es.tl/Metodolog%EDa.htm
Cámara Latinoamericana de Comercio Exterior. (1995, August). El Futuro de la
Industria Quimica en América Latina, 430–432.
CANIPEC. (2013). Diagnóstico de Comercio Exterior. México D.F. Retrieved from
http://www.canipec.org.mx/woo/xtras/docweb/diagnostico.pdf
CANIPEC. (2015). Memoria Estadística. Retrieved July 1, 2015, from
121
Bibliografía
http://www.canipec.org.mx/woo/index.php?option=com_content&view=article&
id=156&Itemid=65
Castillo, P., Guizar, G., Navarro, C., Ramírez, S., Sánchez, L. M., & Zenteno, B.
(2011). Guía de estudio para preparar el examen extraordinario de Química III.
México D.F.
Centty Villafuerte, D. (2006). Técnicas de recolección de información secundaria.
Retrieved January 8, 2016, from http://www.eumed.net/libros-
gratis/2010e/816/TECNICAS DE RECOLECCION DE INFORMACION
SECUNDARIA.htm
Cheng, F., Ettl, M., Lu, Y., & Yao, D. D. (2012). A production-inventory model for a
push-pull manufacturing system with capacity and service level constraints.
Production and Operations Management, 21(4), 668–681.
Cohen, M., & Ernst, R. (1988). Multi-Item Classification And Generic Inventory Stock
Control Policies. Production and Inventory Management Journal, 29(3), 6–8.
Cornelis, F. (2004). La industria química europea en el horizaonte 2015. Retrieved
July 7, 2015, from http://www.interempresas.net/Quimica/Articulos/8624-La-
industria-quimica-europea-en-el-horizonte-de-2015.html
Cowpertwait, P. S. P., & Metcalfe, A. V. (2009). Introductory Time Series with R.
(Springer Science + Business Media, Ed.). New York, USA.
Cracknell, C. (2012). ¿El poder de la industria de la limpieza está cambiando de
puesto a manos del cliente? Retrieved July 8, 2015, from
http://www.issalatam.com/industrialimpieza.html
Cruelles Ruiz, J. A. (2012). Stocks, Procesos y Dirección de Operaciones: Conoce
y gestiona tu fábrica. (Marocombo, Ed.). Barcelona, España.
Díaz-Madroñero, M., Mula, J., & Peidro, D. (2014). A review of discrete-time
optimization models for tactical production planning. International Journal of
Production Research, 52(17), 5171–5205.
Española, R. A. (2014). Diccionario de la lengua española. Retrieved September 9,
2015, from http://lema.rae.es/drae/
Everett E, A., & Ronald J, E. (1991). Administración de la producción y las
operaciones: Conceptos, modelos y funcionamiento. (4ta. ed.). Boston, EUA:
Pearson Education.
Flores, B. E., Olson, D. L., & Dorai, V. K. (1992). MANAGEMENT OF
MULTICRITERIA INVENTORY CLASSIFICATION. Mathl. Comput. Modelling,
122
Bibliografía
16(12), 71–82.
Flores, B. E., & Whybark, D. C. (1986). Multiple criteria ABC analysis. International
Journal of Operations and Production Management, 6(3), 38–46.
García Cebrian, M. J. (2001). Distribuciones contínuas. Retrieved April 29, 2016,
from
http://recursostic.educacion.es/descartes/web/materiales_didacticos/distribuci
ones_probabilidad/ejemplo_cont.htm
González Riesco, M. (2006). Gestión de la Producción: Como planificar y Controlar
la Producción Industrial. (Vigo, Ed.). Madrid, España.
Greis, N. P. (1994). Assessing Service Level Targets in Production and Inventory
Planning*. Decision Sciences, 25(1), 15–40.
Grunow, M., Günther, H. O., & Lehmann, M. (2002). Campaign planning for multi-
stage batch processes in the chemical industry. OR Spectrum, 24(3), 281–314.
Gutiérrez González, E., Vladimirovna Panteleeva, O., Hurtado Ortiz, M. F., &
González Navarrete, C. (2013). Aplicación de un modelo de inventario con
revisión periódica para la fabricación de transformadores de distribución*.
Ingeniería, Investigación Y Tecnología, 14(4), 537–551.
Hax, A. C., & Meal, H. C. (1973). Hierarchical Integration of Production Planning and
Scheduling. Production, 1, Logisti(May), 53–69.
INEGI. (2009). La industria química. México D.F.
Internacional, V. (2012). Químico, Farmacéutico y Cosmético. Tendencias e
información relevante. Retrieved July 8, 2015, from
http://valleinternacional.com/tlc-con-estados-unidos/estados-unidos-y-el-valle-
del-cauca/comercio-bilateral/sectores-potenciales-para-el-valle/quimico-
farmaceutico-y-cosmetico-iv-tendencias-e-informacion-relevante/
Jonsson, P., & Kjellsdotter Ivert, L. (2015). Improving performance with sophisticated
master production scheduling. International Journal of Production Economics,
168, 118–130.
Lasdon, L. S., & Terjung, R. C. (1971). An efficient algorithm for multi-item
scheduling. Operations Research, 19(946-969).
Mangiameli, P. M. (1979). The effects of managerial policies on aggregate plans, the
master production schedule, and departmental plans. Ohio State University,
Ohio, USA.
123
Bibliografía
Másmela Caita, L. A., & Burbano Moreno, Á. A. (2013). Secante hiperbólica
generalizada y un método de estimación de sus parámetros: máxima
verosimilitud modificada. Ingeniería Y Ciencia - Ing.cienc., 9(18), 93–106.
Retrieved from
http://publicaciones.eafit.edu.co/index.php/ingciencia/article/view/1983
Megalife. (2015). Manual de fórmulas químicas. Inicia tu propio negocio. Retrieved
July 8, 2015, from http://www.megalife.ws/
Mehra, A. (1995). Hierarchical Production Planning for Job Shops. Aslib
Proceedings. Maryland Harvard University.
Moniz, S., Barbosa-Póvoa, A. P., & de Sousa, J. P. (2014). Simultaneous regular
and non-regular production scheduling of multipurpose batch plants: A real
chemical-pharmaceutical case study. Computers and Chemical Engineering,
67, 83–102.
Motoa, T., & Sastrón, F. (2000). Planificación Jerárquica con Análisis de
Carga/Capacidad. Ciencia Y Tecnología, 2(2), 26–39.
Moya Navarro, M. J. (2003). Investigación de Operaciones. La programación Lineal.
(EUNED, Ed.) (3era ed.). Costa Rica.
Mula, J., Lyons, A. C., Hernández, J. E., & Poler, R. (2014). An integer linear
programming model to support customer-driven material planning in
synchronised, multi-tier supply chains. International Journal of Production
Research, 52(14), 4267–4278.
Mula, J., Poler, R., & Garcia, J. P. (2006). MRP with flexible constraints: A fuzzy
mathematical programming approach. Fuzzy Sets and Systems, 157(1), 74–97.
Mula, J., Poler, R., García-Sabater, G. S., & Lario, F. C. (2006). Models for
production planning under uncertainty: A review. International Journal of
Production Economics, 103(1), 271–285.
Munuera, J. L., & Rodriguez, A. I. (2012). Casos de marketing estratégico en las
organizaciones. (ESIC, Ed.). Madrid, España.
Nagi, R. (1991). DESIGN AND OPERATION HIERARCHICAL PRODUCTION
MANAGEMENT SYSTEMS. Maryland Harvard University and Industry.
Nahmias, S. (2014). Análisis de la producción y las operaciones. (M. G. H.
Education, Ed.) (2nda ed.). México, D.F.
Ortiz Hernández, R. M. (2005). La gestión del conocimiento y su vinculación con la
industria quimica. In Inovación ante la sociedad del conocimiento: integración y
124
Bibliografía
estrategias regionales. Guanajuato,México: Facultad de Química de la
Universidad de Guanajuato.
Parada Gutiérrez, Ó. (2009). Un enfoque multicriterio para la toma de decisiones en
la gestión de inventarios. Cuad. Adm. Bogotá (Colombia), 22(38), 169–187.
Paradigma Pro Business. (2015). Plan de negocio: Fabrica productos de limpieza.
Retrieved July 10, 2015, from http://lamejorfranquicia.net/2015/01/plan-de-
negocio-fabrica-productos-de-limpieza/
Prada, J. (2013, September 3). La industria cosmetica latinoamericana apunta a ser
la segunda mayor del mundo. El Horizonte. México. Retrieved from
http://elhorizonte.mx/a/noticia/422220
Quadt, D., & Kuhn, H. (2008). Capacitated lot-sizing with extensions: A review. 4or,
6(1), 61–83.
Ritzman, L. P., & Krajewski, L. J. (2003). Master Production Scheduling. Supplement
K.
Sánchez, A. (2015, February 11). En México, 80% de la industria de la limpieza es
informal: ISSA. El Financiero. México, D.F. Retrieved from
http://www.elfinanciero.com.mx/empresas/en-mexico-80-de-la-industria-de-la-
limpieza-es-informal-issa.html
Scarpetta, J., & Bernal, E. (2002). Herramienta informática en hoja electrónica para
la planeación a corto plazo de la producción en ambientes de planificación
jerárquica para PYMES con sistema de producción por lotes o series cortas.
“HPP-S.” Universidad del VAlle.
Secretaría de Economia de México. (2009). Clasificación de las empresas
mexicanas de acuerdo a su tamaño. Retrieved July 3, 2015, from
http://dof.gob.mx/nota_detalle.php?codigo=5096849
Soderquist, D. (2005). El Estilo Wal-Mart. (Caribe Betania Inc., Ed.). Nashville, EUA.
Tischer, I., & Carrión, A. (2003). La planificación jerárquica y su aplicación a la
cosecha de la caña de azúcar en Colombia. Ciencia Y Tecnología, 4(2), 42–52.
Torres, M., & Paz, I. (2006). Métodos de recolección de datos para una
investigación. Boletín Electrónico. Facultad de Ingeniería …, (03), 1–21.
Retrieved from http://www.uovirtual.com.mx/moodle/lecturas/semti1/9.pdf
Tutoriales, G. (2011). Gestión de Operaciones. Retrieved August 28, 2016, from
http://www.gestiondeoperaciones.net/programacion_lineal/problema-de-
produccion-e-inventario-resuelto-con-solver-de-excel/
125
Bibliografía
UAEH. (2011). Subsector 325 industria quimica. Pachuca, Hidalgo, México.
Venkataraman, R., & Nathan, J. (1994). Master Production Scheduling for a Process
Industry Environment - a Case-Study. International Journal of Operations and
Production Management, 14(10), 44–53.
Zuluaga, C. A. C., Gallego, M. C. V., & Urrego, J. A. C. (2011). Clasificación ABC
Multicriterio: Tipos de Criterios y efectos en la asignación de pesos. Iteckne,
8(2), 163–170. Retrieved from
http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/35/15
126
Anexos
A.1 Distribución de ventas artículos A (Familia para la planeación)
0.36 0.36
0.32 0.32
0.28 0.28
0.24 0.24
f(x)
f(x)
0.2 0.2
0.12 0.12
0.08 0.08
0.04 0.04
0 0
1200 1280 1360 1440 1520 1600 1680 1760 160 180 200 220 240 260 280 300 320 340 360 380 400 420 440
x x
0.52 0.36
0.48
0.32
0.44
0.28
0.4
0.36
0.24
0.32
f(x)
0.2
f(x)
0.28
0.24 0.16
0.2
0.12
0.16
0.12 0.08
0.08
0.04
0.04
0 0
720 760 800 840 880 920 960 1000 1040 1080 1120 1160 1200 1240 100 120 140 160 180 200 220 240 260
x x
0.44
0.36 0.32
0.32
0.28
0.28
0.24
0.24
f(x)
0.2
0.2
f(x)
0.16
0.16
0.12
0.12
0.08 0.08
0.04 0.04
0
210 220 230 240 250 260 270 280 290 300 310 320 330 0
24 32 40 48 56 64 72 80
x x
0.36
0.28
0.28
0.26
0.24
0.24
0.22
0.2 0.2
f(x)
0.18
0.16 0.16
f(x)
0.14
0.12 0.12
0.1
0.08 0.08
0.06
0.04
0.04
0.02
0
200 220 240 260 280 300 320 340 360 0
40 44 48 52 56 60 64 68 72 76 80 84 88
x
4 JALITRA
x
127
Anexos
Función de densidad de probabilidad
Función de densidad de probabilidad
0.32
0.36
0.28
0.32
0.28 0.24
0.24
0.2
f(x)
0.2
f(x)
0.16
0.16
0.12
0.12
0.08
0.08
0.04
0.04
0 0
360 370 380 390 400 410 420 430 440 450 460 470 56 64 72 80 88 96 104 112 120 128
x
5 PINLITR
x
0.4 0.26
0.24
0.36
0.22
0.32
0.2
0.28 0.18
0.16
0.24
f(x)
f(x)
0.14
0.2
0.12
0.16 0.1
0.08
0.12
0.06
0.08
0.04
0.04
0.02
0 0
180 190 200 210 220 230 240 250 260 270 280 290 300 310 28 32 36 40 44 48 52 56 60 64 68 72 76 80 84
x x
0.48 0.28
0.44 0.26
0.24
0.4
0.22
0.36
0.2
0.32
0.18
0.28
0.16
f(x)
f(x)
0.24 0.14
0.2 0.12
0.1
0.16
0.08
0.12
0.06
0.08
0.04
0.04
0.02
0 0
180 190 200 210 220 230 240 250 260 270 280 290 300 20 24 28 32 36 40 44 48 52 56 60 64 68 72 76 80
x x
0.36
0.32
0.32
0.28
0.28
0.24
0.24
0.2
0.2
f(x)
f(x)
0.16
0.16
0.12
0.12
0.08
0.08
0.04 0.04
0 0
280 320 360 400 440 480 520 560 40 50 60 70 80 90 100 110 120 130
x x
0.52 0.36
0.48
0.32
0.44
0.4 0.28
0.36
0.24
0.32
0.2
f(x)
0.28
f(x)
0.24
0.16
0.2
0.12
0.16
0.12 0.08
0.08
0.04
0.04
0 0
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 32 36 40 44 48 52 56 60 64 68 72 76 80
x x
0.28
0.4
0.26
0.36 0.24
0.22
0.32
0.2
0.28
0.18
0.24 0.16
f(x)
f(x)
0.14
0.2
0.12
0.16
0.1
0.12 0.08
0.06
0.08
0.04
0.04
0.02
0 0
80 100 120 140 160 180 200 220 240 260 280 300 320 20 24 28 32 36 40 44 48 52
x x
128
Anexos
Función de densidad de probabilidad
Función de densidad de probabilidad
0.32 0.24
0.22
0.28
0.2
0.24 0.18
0.16
0.2
0.14
f(x)
f(x)
0.16 0.12
0.1
0.12
0.08
0.08 0.06
0.04
0.04
0.02
0 0
200 208 216 224 232 240 248 256 264 272 280 288 36 40 44 48 52 56 60 64 68 72 76 80 84
x x
0.26 0.32
0.24
0.28
0.22
0.2
0.24
0.18
0.2
0.16
f(x)
0.14
f(x)
0.16
0.12
0.1 0.12
0.08
0.08
0.06
0.04
0.04
0.02
0 0
90 100 110 120 130 140 150 160 170 180 190 200 210 220 20 24 28 32 36 40 44 48 52 56
x x
0.6
0.4
0.56
0.52 0.36
0.48
0.32
0.44
0.4 0.28
0.36
0.24
f(x)
0.32
f(x)
0.28 0.2
0.24
0.16
0.2
0.12
0.16
0.12 0.08
0.08
0.04
0.04
0 0
100 120 140 160 180 200 220 240 260 0 8 16 24 32 40 48 56 64
x x
0.32
0.32
0.28
0.28
0.24
0.24
0.2
0.2
f(x)
f(x)
0.16
0.16
0.12
0.12
0.08 0.08
0.04 0.04
0 0
0 20 40 60 80 100 120 140 160 180 200 220 240 8 16 24 32 40 48 56 64 72
x x
0.3 0.28
0.28 0.26
0.26 0.24
0.24 0.22
0.22 0.2
0.2
0.18
0.18
0.16
f(x)
f(x)
0.16
0.14
0.14
0.12
0.12
0.1
0.1
0.08
0.08
0.06
0.06
0.04
0.04
0.02
0.02
0
0
168 176 184 192 200 208 216 224 232 240 248 256
20 24 28 32 36 40 44 48 52 56 60 64 68 72
x x
129
Anexos
Función de densidad de probabilidad
0.32
Función de densidad de probabilidad
0.26
0.28
0.24
0.22
0.24
0.2
0.18
0.2
0.16
f(x)
0.14 0.16
f(x)
0.12
0.12
0.1
0.08
0.08
0.06
0.04 0.04
0.02
0 0
300 310 320 330 340 350 360 370 380 390 400 410 48 56 64 72 80 88 96 104 112
x x
0.36
0.3
0.28 0.32
0.26
0.28
0.24
0.22
0.24
0.2
0.18
0.2
f(x)
f(x)
0.16
0.14 0.16
0.12
0.12
0.1
0.08
0.08
0.06
0.04 0.04
0.02
0 0
64 68 72 76 80 84 88 92 96 100 104 2 4 6 8 10 12 14 16 18 20 22 24 26 28
x x
0.44 0.26
0.24
0.4
0.22
0.36
0.2
0.32
0.18
0.28
0.16
f(x)
0.24 0.14
f(x)
0.12
0.2
0.1
0.16
0.08
0.12
0.06
0.08
0.04
0.04 0.02
0 0
144 152 160 168 176 184 192 200 208 216 224 232
20 24 28 32 36 40 44 48 52
x x
0.36
Función de densidad de probabilidad
0.32
0.32
0.28
0.28
0.24 0.24
0.2 0.2
f(x)
f(x)
0.16 0.16
0.12 0.12
0.08 0.08
0.04
0.04
0
160 170 180 190 200 210 220 230 240 250 260 0
4 8 12 16 20 24 28 32 36 40 44 48 52 56 60 64
x
x
0.32
0.28
0.28
0.24
0.24
0.2
0.2
f(x)
f(x)
0.16
0.16
0.12
0.12
0.08
0.08
0.04
0.04
0 0
120 128 136 144 152 160 168 176 184 192 200 16 20 24 28 32 36 40 44 48 52 56 60
x x
130
Anexos
Función de densidad de probabilidad
0.28 0.32
0.28
0.24
0.24
0.2
0.2
f(x)
0.16
f(x)
0.16
0.12
0.12
0.08
0.08
0.04
0.04
0
0
440 460 480 500 520 540 560 580 60 70 80 90 100 110 120 130 140 150 160
x x
0.22
0.4
0.2
0.36
0.18
0.32
0.16
0.28
0.14
0.24
f(x)
f(x)
0.12
0.2
0.1
0.16
0.08
0.12
0.06
0.08
0.04
0.04 0.02
0 0
130 140 150 160 170 180 190 200 210 220 20 24 28 32 36 40 44 48 52 56
x x
0.32
0.4
0.36 0.28
0.32
0.24
0.28
0.2
0.24
f(x)
f(x)
0.2 0.16
0.16
0.12
0.12
0.08
0.08
0.04
0.04
0 0
380 400 420 440 460 480 500 520 540 560 580 600 56 64 72 80 88 96 104 112 120 128 136
x x
0.28
0.32
0.28 0.24
0.24 0.2
f(x)
0.2
f(x)
0.16
0.16
0.12
0.12
0.08
0.08
0.04
0.04
0 0
320 340 360 380 400 420 440 460 480 500 48 56 64 72 80 88 96 104 112 120 128
x x
0.48
0.28
0.44
0.4
0.24
0.36
0.32 0.2
0.28
f(x)
f(x)
0.16
0.24
0.2 0.12
0.16
0.08
0.12
0.08
0.04
0.04
0 0
0 8 16 24 32 40 48 56 64 72 80 88 96 0 2 4 6 8 10 12 14 16 18 20
x x
131
Anexos
Función de densidad de probabilidad Función de densidad de probabilidad
0.3
0.3
0.28
0.28
0.26
0.26
0.24
0.24
0.22
0.22
0.2
0.2
0.18
0.18
0.16
f(x)
f(x)
0.16
0.14
0.14
0.12 0.12
0.1 0.1
0.08 0.08
0.06 0.06
0.04 0.04
0.02 0.02
0 0
120 128 136 144 152 160 168 176 184 20 24 28 32 36 40 44 48 52 56
x x
0.32
0.16
0.28
0.14
0.24
0.12
f(x)
f(x)
0.2
0.1
0.16
0.08
0.06 0.12
0.04 0.08
0.02 0.04
0 0
72 80 88 96 104 112 120 128 136 144 152 0 4 8 12 16 20 24 28 32
x x
0.4
0.28
0.36
0.24 0.32
0.28
0.2
0.24
f(x)
f(x)
0.16
0.2
0.12 0.16
0.12
0.08
0.08
0.04
0.04
0 0
72 80 88 96 104 112 120 128 136 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38
x x
0.44
0.28
0.4 0.26
0.24
0.36
0.22
0.32
0.2
0.28 0.18
0.16
f(x)
0.24
f(x)
0.14
0.2
0.12
0.16 0.1
0.12 0.08
0.06
0.08
0.04
0.04
0.02
0 0
0 40 80 120 160 200 240 280 320 360 400 440 480 8 16 24 32 40 48 56 64 72
x x
0.28
0.32
0.26
0.28 0.24
0.22
0.24
0.2
0.18
0.2
0.16
f(x)
f(x)
0.16 0.14
0.12
0.12 0.1
0.08
0.08
0.06
0.04
0.04
0.02
0 0
124 128 132 136 140 144 148 152 156 160 164 168 172 176 180 12 16 20 24 28 32 36 40 44 48
x x
132
Anexos
Función de densidad de probabilidad
0.44
Función de densidad de probabilidad
0.32
0.4
0.36 0.28
0.32
0.24
0.28
0.2
0.24
f(x)
f(x)
0.2 0.16
0.16
0.12
0.12
0.08
0.08
0.04 0.04
0
0 10 20 30 40 50 60 70 80 90 100 110 0
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28
x
x
0.28
0.28 0.26
0.24
0.24
0.22
0.2
0.2
0.18
f(x)
0.16
f(x)
0.16
0.14
0.12
0.12
0.1
0.08 0.08
0.06
0.04 0.04
0.02
0 0
10 20 30 40 50 60 70 80 90 100 110 120 0 2 4 6 8 10 12 14 16 18 20 22
x x
0.3
0.4
0.28
0.36
0.26
0.24
0.32
0.22
0.28
0.2
0.24 0.18
f(x)
0.16
f(x)
0.2
0.14
0.16 0.12
0.1
0.12
0.08
0.08 0.06
0.04
0.04
0.02
0 0
72 80 88 96 104 112 120 128 136 144 8 12 16 20 24 28 32 36 40 44
x x
0.4 0.32
0.36
0.28
0.32
0.24
0.28
0.2
0.24
f(x)
f(x)
0.2 0.16
0.16 0.12
0.12
0.08
0.08
0.04
0.04
0 0
150 160 170 180 190 200 210 220 230 240 250 260 270 280 290 300 8 16 24 32 40 48 56 64 72 80
x x
0.3
0.28
Función de densidad de probabilidad
0.26
0.22
0.24
0.2
0.22
0.2 0.18
0.18 0.16
f(x)
0.16 0.14
0.14
0.12
f(x)
0.12
0.1
0.1
0.08
0.08
0.06 0.06
0.04 0.04
0.02
0.02
0
112 120 128 136 144 152 160 168 176 184 0
18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48
x
x
133
Anexos
Función de densidad de probabilidad
0.36
Función de densidad de probabilidad
0.3
0.32
0.28
0.26
0.28
0.24
0.24 0.22
0.2
0.2 0.18
f(x)
0.16
f(x)
0.16
0.14
0.12
0.12
0.1
0.08
0.08
0.06
0.04 0.04
0.02
0 0
120 128 136 144 152 160 168 176 184 192 200 208 20 24 28 32 36 40 44 48 52 56
x x
0.22
0.28
0.2
0.24 0.18
0.16
0.2
0.14
f(x)
f(x)
0.16 0.12
0.1
0.12
0.08
0.08 0.06
0.04
0.04
0.02
0 0
110 120 130 140 150 160 170 180 190 200 210 220 24 28 32 36 40 44 48 52 56
x x
0.36
0.32
0.32
0.28
0.28
0.24
0.24
0.2
f(x)
0.2
f(x)
0.16
0.16
0.12
0.12
0.08 0.08
0.04 0.04
0 0
110 120 130 140 150 160 170 180 190 200 210 220 230 24 28 32 36 40 44 48 52 56 60 64 68 72 76
x x
0.28
0.22
0.26
0.2
0.24
0.22 0.18
0.2 0.16
0.18
0.14
0.16
f(x)
0.12
f(x)
0.14
0.1
0.12
0.1 0.08
0.08
0.06
0.06
0.04
0.04
0.02
0.02
0 0
144 152 160 168 176 184 192 200 20 24 28 32 36 40 44 48 52 56
x x
0.48
0.28
0.44
0.4
0.24
0.36
0.32 0.2
f(x)
0.28
f(x)
0.16
0.24
0.2
0.12
0.16
0.08
0.12
0.08
0.04
0.04
0 0
112 120 128 136 144 152 160 168 176 184 192 200 16 20 24 28 32 36 40 44 48 52 56 60
x x
134
Anexos
Función de densidad de probabilidad
0.4
Función de densidad de probabilidad
0.36
0.36
0.32
0.32
0.28
0.28
0.24
0.24
f(x)
0.2
0.2
f(x)
0.16
0.16
0.12
0.12
0.08
0.08
0.04
0.04
0
0 16 20 24 28 32 36 40 44 48 52 56 60 64 68
120 130 140 150 160 170 180 190 200 210
x
x
0.32
0.28
0.28
0.24
0.24
0.2
0.2
f(x)
f(x)
0.16
0.16
0.12
0.12
0.08
0.08
0.04
0.04
0
0
104 112 120 128 136 144 152 160 168 176 184 16 20 24 28 32 36 40 44 48 52
x x
0.36
0.4
0.32
0.36
0.28
0.32
0.28 0.24
f(x)
0.24 0.2
f(x)
0.2
0.16
0.16
0.12
0.12
0.08
0.08
0.04
0.04
0
0
88 96 104 112 120 128 136 144 152 16 20 24 28 32 36 40 44 48 52
x x
0.28
0.26 0.28
0.24
0.22 0.24
0.2
0.2
0.18
0.16
f(x)
0.16
f(x)
0.14
0.12
0.12
0.1
0.08
0.08
0.06
0.04 0.04
0.02
0 0
104 108 112 116 120 124 128 132 136 140 144 148 152 156 160 16 20 24 28 32 36 40 44 48 52
x x
135
Anexos
Función de densidad de probabilidad
Función de densidad de probabilidad
0.28
0.36
0.26
0.24 0.32
0.22
0.28
0.2
0.24
0.18
0.16
0.2
f(x)
f(x)
0.14
45 ARDW1/4PT 0.12
0.16
0.1 0.12
0.08
0.08
0.06
0.04 0.04
0.02
0
0 80 100 120 140 160 180 200 220
360 400 440 480 520 560 600 640 x
x
Histograma Burr
Histograma Johnson SB
0.3 0.28
0.28 0.26
0.26
0.24
0.24
0.22
0.22
0.2
0.2
0.18
0.18
0.16
f(x)
f(x)
0.16
0.14
0.14
0.12
0.12
0.1
0.1
0.08
0.08
0.06 0.06
0.04 0.04
0.02 0.02
0 0
96 100 104 108 112 116 120 124 128 132 136 140 144 148 152 4 8 12 16 20 24 28 32 36 40 44 48
x x
0.28 0.26
0.26 0.24
0.24 0.22
0.22 0.2
0.2
0.18
0.18
0.16
0.16
f(x)
0.14
f(x)
0.14
0.12
0.12
0.1
0.1
0.08
0.08
0.06
0.06
0.04
0.04
0.02
0.02
0 0
76 80 84 88 92 96 100 104 108 112 6 8 10 12 14 16 18 20 22 24 26 28 30 32
x x
0.36
Función de densidad de probabilidad
0.3
0.32
0.28
0.28 0.26
0.24
0.24 0.22
0.2
0.2
0.18
f(x)
0.16
f(x)
0.16
0.14
0.12
0.12
0.1
0.08 0.08
0.06
0.04 0.04
0.02
0
0
80 90 100 110 120 130 140 150 160 170 180 190 200 210
16 20 24 28 32 36 40 44 48 52
x x
136
Anexos
{Modelo DOGO_mps: Plan de producción multiproducto con costos fijos de producción, lead time y
restricciones de capacidad de producción y almacenamiento. ESCENARIO 1: CONSIDERANDO LOTES
FIJOS Y NIVELES DE INVENTARIO MÍN Y MÁXIMO FLEXIBLES CON PENALIZACIÓN}
TITLE
DOGO_mps_1;
OPTIONS
DatabaseType=Access;
DatabaseAccess="DOGO_MPL.mdb";
INDEX
{Elementos}
I:=DATABASE("MasterItems", "Ic"); {Conjunto de productos}
T:=DATABASE("Periodos","Periodos"); {Horizonte de planeación}
R:=DATABASE("Recursos", "Ir"); {Conjunto de recursos}
DATA
{Demanda, Lead times y datos}
d[I,T] :=DATABASE("Releases", "D"); {Demanda del producto i en el periodo t}
TS[I] :=DATABASE("MasterItems", "TS"); {Tiempo de espera del producto i}
INVT0[I] :=DATABASE("Niveles", "Min"); {Nivel de inventario inicial}
Rd0[I] :=0; {Retraso de demanda inicial}
InvMin[I] :=DATABASE("Niveles", "Min"); {Nivel mínimo establecido de inventario}
InvMax[I] :=DATABASE("Niveles", "Max"); {Nivel máximo establecido de inventario}
DECISION
P[I,T] -> PR_
EXPORT REFILL TO DATABASE("MPS_scn1", "Produccion");
{Cantidad a producir del producto i en el periodo t}
137
Anexos
VARIABLES
INVT[I,T] -> IN_
EXPORT TO DATABASE("MPS_scn1", "Inventario");
{Inventario del producto i al final del periodo t}
Rd[I,T] -> Rd_
EXPORT TO DATABASE("MPS_scn1", "RetrasoDemanda");
{Demanda retrasada del producto i al final del periodo t}
k[I,T] -> k_
EXPORT TO DATABASE("MPS_scn1", "Lotes");
{Número de lotes a producir del producto i en el periodo t}
Imnl[I,T] -> Inl_
EXPORT TO DATABASE("MPS_scn1", "MenorDelMinimo");
{Inventario inferior al nivel objetivo (mínimo), para el producto i en el periodo t}
Imxh[I,T] -> Inh_
EXPORT TO DATABASE("MPS_scn1", "MayorDelMaximo");
{Inventario superior al nivel objetivo (máximo), para el producto i en el periodo t}
Toc[R,T] -> To_
EXPORT REFILL TO DATABASE("MPS_II_scn1", "TiempoOcioso");
{Tiempo ocioso del recurso r en el periodo t}
Tex[R,T] -> Te_
EXPORT TO DATABASE("MPS_II_scn1", "TiempoExtra");
{Tiempo extra del recurso r en el periodo t }
MACROS
cpt:=SUM(I,T: P*cp); {Costo de producción}
cit:=SUM(I,T: INVT*ci); {Costo de inventario}
crdt:=SUM(I,T: Rd*crd); {Costo por retraso}
ctoct:=SUM(R,T: Toc*ctoc); {Costo por capacidad ociosa}
ctext:=SUM(R,T: Tex*ctex); {Costo de capacidad extra}
itnl:=SUM(I,T: Imnl); {Total de productos inferiores al mínimo en cada periodo}
itxh:= SUM(I,T: Imxh); {Total de productos superiores al máximo en cada periodo}
MODEL
SUBJECT TO
138
Anexos
RBalanceInventario2[I,T>first(T)] -> R2:
INVT[I,T]=INVT[I,T-1]+P[I,T-TS]-d[I,T]-Rd[I,T-1]+Rd[I,T];
{Balance de inventario del producto i en periodos posteriores al inicial}
{Balance de capacidad}
BOUNDS
Rd[I,T=last(T)]=0; {La demanda en el último periodo debe ser satisfecha}
P[I,T]>=0;
INVT[I,T]>=0;
k[I,T]>=0;
Imnl[I,T]>=0;
Imxh[I,T]>=0;
INTEGER
k[I,T];
P[I,T];
INVT[I,T];
Rd[I,T];
Imnl[I,T];
Imxh[I,T];
END
139
Anexos
Modelo en base un mínimo y un nivel de servicio preestablecido
{Modelo DOGO_mps: Plan maestro de producción multiproducto con costos fijos de producción,
lead time y restricciones de capacidad de producción y almacenamiento
Escenario 6: LOTES FIJOS, CON UN NIVEL DE INVENTARIO MÍNIMO PREDEFINIDO
SEGÚN UN NIVEL DE SERVICIO}
TITLE
DOGO_mps_6;
OPTIONS
DatabaseType=Access;
DatabaseAccess="DOGO_MPL.mdb";
INDEX
{Elementos}
I:=DATABASE("MasterItems", "Ic"); {Conjunto de productos}
T:=DATABASE("Periodos","Periodos"); {Horizonte de planeación}
R:=DATABASE("Recursos", "Ir"); {Conjunto de recursos}
DATA
{Demand, Lead times and data for period 0}
d[I,T] :=DATABASE("Releases", "D"); {Demanda del producto i en el periodo t}
TS[I] :=DATABASE("MasterItems", "TS"); {Tiempo de espera del producto i}
INVT0[I] :=DATABASE("Niveles", "Min"); {Nivel de inventario inicial}
Rd0[I] :=0; {Retraso de demanda inicial}
InvMin[I] :=DATABASE("Niveles", "Min"); {Nivel mínimo establecido de inventario}
InvMax[I] :=DATABASE("Niveles", "Max"); {Nivel máximo establecido de inventario}
DECISION
P[I,T] -> PR_
EXPORT REFILL TO DATABASE("MPS_scn6", "Produccion");
{Cantidad a producir del producto i en el periodo t}
VARIABLES
INVT[I,T] -> IN_
EXPORT TO DATABASE("MPS_scn6", "Inventario");
{Inventario del producto i al final del periodo t}
140
Anexos
MACROS
cpt:=SUM(I,T: P*cp); {Costo de producción}
cit:=SUM(I,T: INVT*ci); {Costo de inventario}
crdt:=SUM(I,T: Rd*crd); {Costo por retraso}
ctoct:=SUM(R,T: Toc*ctoc); {Costo por capacidad ociosa}
ctext:=SUM(R,T: Tex*ctex); {Costo de capacidad extra}
itnl:=SUM(I,T: Imnl); {Total de productos inferiores al mínimo en cada periodo}
itnh:= SUM(I,T: Imnh); {Total de productos superiores al mínimo en cada periodo}
MODEL
SUBJECT TO
141
Anexos
RBalanceInventario3[I,T] -> R3:
Imnl[I,T]>=InvMin[I]-INVT[I,T];
{Inventario inferior al nivel objetivo (mínimo), para el producto i en el periodo t}
{Balance de capacidad}
BOUNDS
Rd[I,T=last(T)]=0; {La demanda en el último periodo debe ser satisfecha}
P[I,T]>=0;
INVT[I,T]>=0;
k[I,T]>=0;
Imnl[I,T]>=0;
Imnh[I,T]>=0;
INTEGER
k[I,T];
P[I,T];
INVT[I,T];
Rd[I,T];
Imnl[I,T];
FREE
Imnh[I,T];
END
142