Genetic Algorithm to solve Inventory problems in SMEs
Steven Castillo-Ponce
María Lino-Cevallos
Clelia Sánchez-Suango
Algoritmo Genético para solucionar problemas de Inventarios
en Pymes
Genetic Algorithm to solve Inventory problems in SMEs
Steven Castillo-Ponce[1], María
Lino-Cevallos[2],
y Clelia Sánchez-Suango[3]
Como citar: Castillo-Ponce, S., Lino Cevallos, M., &
Sánchez Suango, C. (2019). Algoritmo Genético para solucionar problemas de
Inventarios en Pymes. Investigación, Tecnología e Innovación, 11(11),
12–24.
https://doi.org/10.53591/iti.v11i11.87
RESUMEN
Este estudio tiene como objetivo minimizar los costos
de las ventas de la tienda “Candies” debido a la acumulación de los productos
en stock. Esta problemática se da a partir de la realización de pedidos quincenales
constantes por cantidades fijas, sin tomar en cuenta la variabilidad de la
demanda. Se plantea entonces la alternativa de implementar un Algoritmo
Genético (GA) en Microsoft Excel mediante Visual Basic para Aplicaciones y
Macros para realizar una proyección correspondiente al inventario del año 2020,
en el que se determine la cantidad de unidades por las que debe hacerse cada
reabastecimiento. Para la aplicación del algoritmo se toman los datos
históricos de la demanda de los tres años anteriores: 2017, 2018 y 2019; cabe
mencionar que se aplica simulación de Montecarlo para generar los datos del
segundo semestre del año 2019. Como resultado se obtuvo una reducción de
aproximadamente 100 productos y más menos $70 dólares con respecto a los años
anteriores, lo que significa un aumento del 18% en los beneficios anuales de
los productos. En conclusión, la proyección generada con el algoritmo genético
provee una reducción significativa de los costos de ventas, ya que reduce la
cantidad de productos que usualmente se desperdician dada su caducidad antes de
ser despachados. Automatizar la implantación del AG mediante Macros y Visual
Basic reduce los tiempos de ejecución y el esfuerzo computacional.
Palabras clave: Simulación de Montecarlo,
Algoritmo Genético, Optimización de inventarios, Proyección de inventario.
ABSTRACT
The
objective of this study is to minimize the costs of the sales of the “Candies”
store due to the accumulation of products in stock. This problem arises from
the realization of constant fortnightly orders for fixed quantities, without
taking into account the variability of demand. The alternative is then proposed
to implement a Genetic Algorithm (GA) in Microsoft Excel using Visual Basic for
Applications and Macros to carry out a projection corresponding to the
inventory of the year 2020, in which the number of units for which each
replenishment must be made is determined. . For the application of the
algorithm, the historical data of the demand of the previous three years are
taken: 2017, 2018 and 2019; It is worth mentioning that Monte Carlo simulation
is applied to generate the data for the second semester of 2019. As a result, a
reduction of approximately 100 products and more than $ 70 dollars was obtained
with respect to previous years, which means an increase of 18% in the annual
benefits of the products. In conclusion, the projection generated with the
genetic algorithm provides a significant reduction in sales costs, since it
reduces the amount of products that are usually wasted given their expiration
before being dispatched. Automating AG deployment using Macros and Visual Basic
reduces execution times and computational effort.
Keywords: Monte Carlo Simulation, Genetic
Algorithm, Inventory Optimization, Inventory Projection.
Fecha de recepción: Septiembre 3, 2019.
Fecha de aceptación: Octubre 21, 2019.
INTRODUCCIÓN
En la actualidad, en el sector empresarial existe la
necesidad de ser cada día más competitivos, lo que obliga a las organizaciones
a analizar sus procesos para obtener una mejor calidad en sus productos, lo que
le permite cumplir con las necesidades y expectativas de los clientes
Trabajos
Relacionados
Soria y Mamani
Ramírez
Chamorro et al.
Valencia y Cáceres
Guerrero et al.
Escobar et
al.
MATERIALES
Y MÉTODOS
En la metodología del presente trabajo se incluyen
conceptos de los materiales y métodos necesarios para comprender la
implementación de un Algoritmo Genético (AG) para proyectar la demanda esperada
del año 2020 en base a los datos históricos de los años: 2017, 2018 y 2019 del
inventario de la tienda Candies, con respecto a tres productos: leche, yogurt y
huevos. Dado que la investigación se lleva a cabo en el mes de julio del último
año, es necesario simular el segundo semestre del inventario de dicho año. Para
este fin se emplea la simulación de Montecarlo, basado en la función de
distribución de probabilidad que es definida mediante Stat-Fit.
Inventario
El inventario hace referencia a las mercancías (materiales
y suministros) existentes que una empresa o institución,
ya sea para vender o para abastecer al proceso productivo
Modelo
matemático del inventario EOQ
La teoría
de la Cantidad Económica de Pedido (EOQ) determina la cantidad optima de
artículos que se debe adquirir con el objetivo de minimizar los costes por
tenencia de inventario y por efectuar pedidos
Modelo
matemático del inventario
La determinación de la cantidad de pedido óptima (1)
y el número de periodos (2), se detalla en las ecuaciones indicadas, así
también se indican los parámetros para cada una a continuación:
|
(1) |
||
|
(2) |
Parámetros:
·
D: Demanda
·
Co: Costo de pedido
·
Cc: Costo de Mantenimiento
·
N: Número de pedidos
·
Q: Cantidad de pedido optimo
Herramientas
Software
Excel
Se trata de un software que permite realizar tareas contables y
financieras gracias a las funciones que implementa, desarrolladas
específicamente para ayudar a crear y trabajar con hojas de cálculo
Macros
Una macro es una serie de instrucciones que se almacena en Excel para
que se puedan ejecutar de forma secuencial mediante una sola llamada u orden de
ejecución
En el contexto de Excel, constituye una herramienta de
programación que nos permite usar código Visual Basic adaptado para interactuar
con las múltiples facetas de Excel y personalizar las aplicaciones que hagamos
en esta hoja electrónica
Visual Basic
para Aplicaciones (VBA)
La herramienta
Stat-Fit de Promodel, que toma datos sin procesar de hojas de cálculo, archivos
de texto o entrada manual y con esa información determina la distribución de
probabilidad adecuada para la entrada
Stat-Fit de
Promodel
Una vez cargados los datos se selecciona la opción de autofit y el
programa presenta las posibles distribuciones a las que se ajusta el
comportamiento de los datos y la representación gráfica de cada una, para este
caso la que mejor se ajusta es la distribución de probabilidad normal. Además,
provee datos adicionales, de los cuales se toman la media y la desviación
estándar de acuerdo Cevallos y Botto
Distribución
de Probabilidad Normal
Una vez cargados los datos
se selecciona la opción de autofit y el programa presenta las posibles
distribuciones a las que se ajusta el comportamiento de los datos y la
representación gráfica de cada una, para este caso la que mejor se ajusta es la
distribución de probabilidad normal. Además, provee datos adicionales, de los
cuales se toman la media y la desviación estándar de acuerdo Cevallos y Botto
Figura. 3. Distribución de Probabilidad
y Gráfica de densidad de la distribución normal generada por Stat-Fit.
Simulación de
Montecarlo
La Simulación
Montecarlo agrupa una serie de procedimientos que analizan
distribuciones de variables aleatorias usando simulación de números aleatorios
Modelo
matemático de Montecarlo de la Distribución Normal
La distribución de normal es
un tipo de probabilidad del tipo de variable cuantitativa de acuerdo a Cevallos
|
(3) |
Así mismo se definen
las fórmulas para la media, la desviación estándar y el nivel de confianza se
indican en las ecuaciones (4), (5) y (6).
|
(4) |
|
(5) |
|
(6) |
Parámetros:
Los autores se apoyan en los datos histórico reales
de los años 2017, 2018 y primer semestre del 2019; ya las formulas presentada
en las ecuaciones (3-6) para desarrollar el Algoritmo 1, que se implementa
mediante Excel, Visual Basic y Macros para la simulación del segundo semestre
del año en cuestión.
Algoritmo 1. Simulación por Montecarlo del segundo
semestre del año 2019.
Algoritmo
de Simulación de Montecarlo |
Start Initialize mean = 0,
deviation = 0; Read media; Read deviation; For i = 1 to 550 with
increment of 1 Prodem = Prodem +
<element>; End for; Prodem = Prodem / 30; If initial_ inventory <40
then Initial_Inventory =
initial_Inventory + 100; End yes Fin |
Algoritmo Genético
Los Algoritmos Genéticos trabajan con una población de
individuos, cada uno de los cuales representa una solución factible a un
problema dado. A cada individuo se le asigna un valor o puntuación, relacionado
con la bondad de dicha solución
Algoritmo 2. Pseudocódigo del
Algoritmo Genético que realiza la proyección de inventario para las compras del
año 2020.
Algoritmo Genético |
Algorithm algorithm_genetic Define product_ demand as
integer Product_ demand dimension
[360] For i ← 1 to 360 product_ demand [i] ← Range (“Cell” and (i + 2)) end for i ← 2 to 361 Range("Cell1" and (i)). Value ← i-1 Range("Cell2" and (i)). Value ←
product_ demand [i-1] Range("Cell3" and (i)). Value ←
decimal_to_binary (Range ("Cell2" and (i)). Value) End Run_function define tfin, limite, switch define tpermt cas variant Define
nombre as a integer nombre dimension [360] tFin ← 360
\ 2 While
tFin > 0 Do Limite
← 360 - tFin Do Switch
←False For
i = 1 To Limite If Nombre[i] < Nombre[i +
tFin] Then tPermt ← Nombre[i] Nombre[i]
←Nombre[i + tFin] Nombre[i + tFin] ← tPermt Switch
← i End
If end Limite
← Switch Loop
While Switch tFin
←tFin \ 2 Loop Crossovers define i, corte As Integer defineTemp1, Temp2, Padre1, Padre2, PrePadre1, PrePadre2 As String define Cadena1,
Cadena2 As String For i ←2 To 360 Step 2 corte ← Int(Rnd() * (8 - 1) + 1) Range(“Cell12”&i) ←corte Cadena1 ←"00000000" Cadena2 ← "00000000” Temp1 ← .Range(“Cell10”&i).value Temp2
←Range(“Cell10”&(i+1)).value
Mid(Cadena1, 9 - Len(Temp1)) ← Temp1
Mid(Cadena2, 9 - Len(Temp2)) ← Temp2
Padre1 ← Cadena1 Padre2 ← Cadena2 PrePadre1 ←Cadena1 'Padre Temporal 1 PrePadre2 ← Cadena2 Mid(Padre1, 9 - corte) ←
Mid(PrePadre2, 9 - corte, corte) Mid(Padre2, 9 - corte) ← Mid(PrePadre1,
9 - corte, corte) Range(“Cell11”&i).value
← Padre1 Range(“Cell11”&(i+1)).value ←
Padre2 end Mutations For j = 2 to 361 Sheet.Range ("Cell" & (j + 7))
.value = Sheet.Range ("Cell" & j) .value end End algorithm |
Algoritmo 2. Pseudocódigo del
Algoritmo Genético que realiza la proyección de inventario para las compras del
año 2020.
Algoritmo Genético |
Algorithm algorithm_genetic Define product_ demand as
integer Product_ demand dimension
[360] For i ← 1 to 360 product_ demand [i] ← Range (“Cell” and (i + 2)) end for i ← 2 to 361 Range("Cell1" and (i)). Value ← i-1 Range("Cell2" and (i)). Value ←
product_ demand [i-1] Range("Cell3" and (i)). Value ←
decimal_to_binary (Range ("Cell2" and (i)). Value) End Run_function define tfin, limite, switch define tpermt cas variant Define
nombre as a integer nombre dimension [360] tFin ← 360
\ 2 While
tFin > 0 Do Limite
← 360 - tFin Do Switch
←False For
i = 1 To Limite If Nombre[i] < Nombre[i +
tFin] Then tPermt ← Nombre[i] Nombre[i]
←Nombre[i + tFin] Nombre[i + tFin] ← tPermt Switch
← i End
If end Limite
← Switch Loop
While Switch tFin
←tFin \ 2 Loop Crossovers define i, corte As Integer defineTemp1, Temp2, Padre1, Padre2, PrePadre1, PrePadre2 As String define Cadena1, Cadena2 As String For i ←2 To 360 Step 2 corte ← Int(Rnd() * (8 - 1) + 1) Range(“Cell12”&i) ←corte Cadena1 ←"00000000" Cadena2 ← "00000000” Temp1 ← .Range(“Cell10”&i).value Temp2
←Range(“Cell10”&(i+1)).value
Mid(Cadena1, 9 - Len(Temp1)) ← Temp1
Mid(Cadena2, 9 - Len(Temp2)) ← Temp2 Padre1 ← Cadena1 Padre2 ← Cadena2 PrePadre1 ←Cadena1 'Padre Temporal 1 PrePadre2 ← Cadena2 Mid(Padre1, 9 - corte) ←
Mid(PrePadre2, 9 - corte, corte) Mid(Padre2, 9 - corte) ←
Mid(PrePadre1, 9 - corte, corte)
Range(“Cell11”&i).value
← Padre1 Range(“Cell11”&(i+1)).value ←
Padre2 end Mutations For j = 2 to 361 Sheet.Range ("Cell" & (j + 7))
.value = Sheet.Range ("Cell" & j) .value end End algorithm |
Caso
de Estudio
Antecedentes
La
administración actual del inventario de la tienda “Candies”, lleva un manejo
empírico, donde los pedidos se hacen manteniendo una dinámica que consiste en
pedidos constantes realizados cada 15 días por una cantidad fija de unidades,
aun cuando la mercancía se quede acumulada. Sin embargo,
la demanda es variable, lo que genera gastos por los productos que excedan su tiempo de consumo antes
de ser despachados generando pérdidas económicas.
Recopilación
de datos: de Variables del Estudio
Este caso de estudio toma como referencia el
inventario de tres productos para el análisis, tratamiento y posterior
optimización. Los precios unitarios de compra y venta de cada uno de los productos,
así como la ganancia se indican en la Tabla 1.
Tabla 1. Relación
costo-beneficio de los productos evaluados de la tienda "Candies".
Producto |
Leche |
Yogourt |
Huevos |
Precio compra |
$0,75 |
$1,00 |
$0,8 |
Precio venta |
$1,00 |
$1,25 |
$1 |
Ganancia por unidad |
$0,25 |
$0,25 |
$0,2 |
Se hace un análisis de los datos históricos reales de
la tienda, respecto a la cantidad de unidades de inventario, unidades
despachadas y unidades sobrantes; y los valores monetarios de las ventas, las
pérdidas de los productos desperdiciados y la ganancia. En las Tablas 2, 3 y 4
se muestra un resumen anual del 2017 al 2019 de cada uno de los productos,
permitiendo revisar y contrastar la variación de las pérdidas de un año a otro.
Tabla 2. Resumen anual
del inventario del producto Leche con cantidad de unidades y valores
monetarios.
Producto: Leche (litro) |
|||||||
Año |
Cantidad |
Valor en $ |
|||||
Inventario |
Demanda |
Sobrante |
Costo |
Ventas |
Perdida |
Ganancia |
|
2017 |
3750 |
3584 |
166 |
$ 2.812,50 |
$ 3.584,00 |
$ 124,50 |
$ 771,50 |
2018 |
3766 |
3575 |
191 |
$ 2.824,50 |
$ 3.575,00 |
$ 143,25 |
$ 750,50 |
2019 |
3791 |
3609 |
182 |
$ 2.843,25 |
$ 3.609,00 |
$ 136,50 |
$ 765,75 |
Tabla 3. Resumen anual
del inventario del producto Yogurt con cantidad de unidades y valores
monetarios.
Producto: Yogurt (litro) |
|||||||
Año |
Cantidad |
Valor en $ |
|||||
Inventario |
Demanda |
Sobrante |
Costo |
Ventas |
Perdida |
Ganancia |
|
2017 |
3750 |
3585 |
165 |
$ 3.750,00 |
$ 4.481,25 |
$ 165,00 |
$ 731,25 |
2018 |
3765 |
3597 |
168 |
$ 3.765,00 |
$ 4.496,25 |
$ 168,00 |
$ 731,25 |
2019 |
3768 |
3594 |
174 |
$ 3.768,00 |
$ 4.492,50 |
$ 174,00 |
$ 724,50 |
Tabla 4. Resumen anual
del inventario del producto Huevos con cantidad de unidades y valores
monetarios.
Producto: Huevos (unidad) |
|||||||
Año |
Cantidad |
Valor en $ |
|||||
Inventario |
Demanda |
Sobrante |
Costo |
Ventas |
Perdida |
Ganancia |
|
2017 |
3750 |
3567 |
183 |
$ 3.000,00 |
$ 3.567,00 |
$ 146,40 |
$ 567,00 |
2018 |
3783 |
3596 |
187 |
$ 3.026,40 |
$ 3.596,00 |
$ 149,60 |
$ 569,60 |
2019 |
3787 |
3628 |
159 |
$ 3.029,60 |
$ 3.628,00 |
$ 127,20 |
$ 598,40 |
Función Objetivo
La función objetivo que se emplea para el Algoritmo Genético corresponde
a la siguiente ecuación:
|
(7) |
|
|
Variables de decisión:
La demanda esperada para el año 2020 de cada uno de los productos representa
una variable de decisión, están son las que varían hacia valores más óptimos.
Cada una está multiplicado por su respectivo precio de venta, mismos que se
detallan en la Tabla 1
·
: leche
·
: yogurt
·
: huevos
Restricciones
Las restricciones para cada producto definen un intervalo, donde el
máximo es la demanda anual proyecta por el algoritmo y el mínimo se obtiene
restando los sobrantes de cada año a esa cantidad. Además, una restricción
general indicando que ninguna demanda puede ser negativa y la suma de las
demandas no debe superar la demanda definida por el algoritmo.
RESULTADOS
Y DISCUSIÓN
Algoritmo
Genético implementado en Excel
El algoritmo genético se implementa en Microsoft Excel
mediante Visual Basic y Macros. Se
definen varias macros para reducir la complejidad del proceso, cada una
destinada a cubrir una sección del algoritmo en cuestión.
La primera Macros es la encargada de generar la
población inicial a partir de la mejor población seleccionada entre los tres
años históricos, así se obtienen 360 individuos o cromosomas; es necesario
llevar cada uno de los cromosomas de la población a binario, ya que el
algoritmo trabaja bajo ese concepto.
Se define la función de evaluación para garantizar la
convergencia del algoritmo y de acuerdo al tamaño de la población (número de
cromosomas) se crea un ciclo reproductivo que consta de los siguientes pasos:
·
Se seleccionan dos individuos de la población
anterior para realizar el cruce, los dos cromosomas se cruzan con cierta
probabilidad y de ese modo se obtienen dos descendientes.
·
Se mutan los descendientes manejando también un
grado de probabilidad para cada uno. Los individuos, resultado de la mutación,
son expuestos a la función de evaluación donde se seleccionan a los mejores, y
estos pasan a ser la población inicial de la siguiente generación.
·
Finalmente, cuando se hayan generado y evaluado
la generación, el algoritmo se detendrá considerando que ha obtenido el
resultado óptimo posible.
Demanda
proyectada para el año 2020
Luego de la
aplicación del Algoritmo Genético se determina la demanda diaria esperada para
el año 2020, misma que permite inferir la cantidad que se requiere en cada
pedido para satisfacer a los consumidores, reduciendo las perdidas por de los
sobrantes caducados. En las Tablas 3 se muestra la simulación del
producto Leche, donde se indica: la demanda, el valor de venta por dicha
demanda, la cantidad de unidades compradas, el valor de la compra y finalmente
se determina la ganancia esperada. Es importante mencionar que el mismo proceso
se emplea para los otros dos productos.
Tabla 5. Proyección de
inventario del producto Leche para el 2020.
Mes |
Demanda |
Valor ventas |
Unidades
pedidas |
Valor
compras |
Ganancias |
|
Enero |
356 |
$356.00 |
200 |
$150.00 |
$206.00 |
|
Febrero |
354 |
$354.00 |
400 |
$300.00 |
$54.00 |
|
Marzo |
326 |
$326.00 |
300 |
$225.00 |
$101.00 |
|
Abril |
336 |
$336.00 |
400 |
$300.00 |
$36.00 |
|
Mayo |
328 |
$328.00 |
300 |
$225.00 |
$103.00 |
|
Junio |
339 |
$339.00 |
300 |
$225.00 |
$114.00 |
|
Julio |
360 |
$360.00 |
400 |
$300.00 |
$60.00 |
|
Agosto |
358 |
$358.00 |
300 |
$225.00 |
$133.00 |
|
Septiembre |
340 |
$340.00 |
400 |
$300.00 |
$40.00 |
|
Octubre |
345 |
$345.00 |
300 |
$225.00 |
$120.00 |
|
Noviembre |
329 |
$329.00 |
400 |
$300.00 |
$29.00 |
|
Diciembre |
329 |
$329.00 |
300 |
$225.00 |
$104.00 |
|
Total |
4100 |
4100 |
4000 |
$3,000.00 |
$1,100.00
|
|
Comparación de
los datos históricos con la proyección
Se puede
indicar que el algoritmo genético es sumamente eficaz para optimización de
inventarios, debido la cantidad de productos sobrantes se reduce
considerablemente, en un aproximado de 100 unidades con respecto a los años
anteriores, y por consiguiente disminuyen los costos, como se indica en la
Tabla 4.
Tabla 6. Comparación
de los sobrantes y costo al final de cada año para el producto Leche.
Año |
sobrante |
Costo |
2020 |
82 |
$61,50 |
2019 |
182 |
$136,50 |
2018 |
191 |
$143,25 |
2017 |
166 |
$124,50 |
Si se contrasta
el año 2019 por ejemplo con los resultados obtenidos para la proyección, se
obtiene un aumento del 18 % en las ganancias anuales por el producto Leche,
como se indica en la Tabla 7.
Tabla
7. Porcentaje de ganancias entre el año 2019 y el año 2020 del producto
Leche.
2020 |
2019 |
% Beneficio |
|
Venta |
$4.100,00 |
$
3.602,75 |
12% |
Costo |
$3.000,00 |
$
2.700,00 |
10% |
Ganancia |
$1.100,00 |
$
902,75 |
18% |
Minimización
de Costos con Solver
El inventario fue tratado mediante Solver para optimizar las cantidades
de la demanda, consiguiendo de esa forma un resultado más óptimo.
Resumen del
inventario de los tres productos para el 2020
Se toman en cuenta los totales de la demanda, el
precio de venta, el valor monetario de la compra y las unidades sobrantes
anules de los inventarios proyectados de los tres productos; dicha información
se presenta en la Tabla 8.
Tabla 8. Resumen del
inventario de los tres productos para el año 2020.
Demanda del año 2020 |
||||
Producto |
Demanda
Anual |
Precio
Unidad |
Valor Compra |
Sobrantes |
Leche |
4100 |
0.75 |
$ 3075 |
56 |
Yogourt |
4016 |
1 |
$ 4016 |
40 |
Huevo |
4085 |
0.8 |
$ 3268 |
-19 |
Total |
12201 |
|
$ 10359 |
|
Demanda optimizada con Solver
A través de Excel,
activando el complemento Solver, se elabora una tabla que contendrá tanto los
parámetros a optimizar: Cantidad del
pedido, variables de decisión; así como los valores asociados que
influyen sobre este, como el costo unitario, número de pedidos realizados en el
año (cada 15 días). En la Tabla 9 se presentan los resultados de Solver en base
a las restricciones que se especifican en el caso se estudio y los parámetros
antes descritos. Se evidencia una reducción de $82 dólares anuales en los
gastos mediante esta alternativa.
Tabla 9. Cantidad de
pedido optimizada con Solver.
Producto |
Costo |
Cantidad
en pedido |
Número de
pedidos anuales |
Total |
X1 |
0.75 |
4044 |
24 |
$
3,033.00 |
X2 |
1 |
3976 |
24 |
$
3,976.00 |
X3 |
0.8 |
4085 |
24 |
$
3,268.00 |
Totales |
12105 |
72 |
$ 10,277.00 |
CONCLUSIONES Y
TRABAJOS FUTUROS
La proyección generada con el algoritmo genético
provee una reducción significativa de los costos de ventas, ya que reduce la
cantidad de productos que usualmente se desperdiciaban dada su caducidad antes
de ser despachados. Es también importante mencionar que al ser los datos
históricos la base del algoritmo, estos no deben estar sesgados si se quiere
obtener una proyección realista.
Montecarlo, es un método muy potente para simular
datos reales en base a una función de probabilidad, ya que al estar basada en
aleatoriedad no sesga los datos. Es útil cuando los datos recolectados en las
investigaciones resultan insuficientes o se quiere alcanzar un nivel más alto
de precisión en el análisis realizado sobre los mismos.
Excel es una herramienta potente para realizar
análisis estadísticos y simulación de Montecarlo dirigida a la optimización de
inventarios, cuando se automatiza dichos procedimientos mediante Visual Basic y
Macros se reducen los tiempos de espera y el esfuerzo computacional. Además,
los resultados obtenidos son alcanza un mayor grado de optimización, lo que
brinda mayores beneficios económicos para el negocio que lo aplica.
En trabajos futuros, el tema de investigación podría enfocarse en la
búsqueda de escenarios alternativos de producción y la consideración de otros
aspectos que se presentan en ambientes reales de mayor tamaño o para una mayor
cantidad y/o variedad de productos. Así también, se pueden abordar la
variabilidad en las etapas de producción y la dinámica de la demanda con el
propósito de aumentar el campo de aplicación de este tipo de herramientas de
optimización, generando un impacto en los ambientes que manejan inventarios y
desarrollar propuestas de mejora en la productividad de los negocios.
De igual manera este mismo proyecto podría extender sus funcionalidades
haciendo que el algoritmo no genere una única proyección, sino que se generen
proyecciones de inventarios para varios años consecutivos.
REFERENCIAS BIBLIOGRÁFICAS
Barrera, V. Á. R., & Nieve, Á. E. R. (2010).
Aplicación de simulación Monte Carlo en un sistema de Inventarios Dinámico. Administración
y Organizaciones, 13(25), 53-64.
Batanero, C., Cañadas, G. R., Contreras, J. M., & Gea,
M. M. (2015). La comprensión de las tablas de contingencia: una síntesis de la
investigación didáctica. Boletín de Estadística e Investigación Operativa,
31(3), 299-315.
Cevallos-Torres, L., & Botto-Tobar, M. (2019). Case study: Probabilistic estimates in the application of inventory models
for perishable products in SMEs. En Problem-Based Learning: A Didactic
Strategy in the Teaching of System Simulation (pp. 123-132). Springer.
Corea, J. L. C., Camejo, J. E. D., Espinoza, O. D. F.,
& Gutiérrez, H. Y. L. (2018). Política de inventarios máximos y mínimos en
cadenas de suministro multinivel. Caso de estudio: una empresa de distribución
farmacéutica (Artículo Profesional). Nexo Revista Científica, 31(2),
144-156.
Escobar, J. W., Linfati, R., & Adarme Jaimes, W.
(2017). Gestión de Inventarios para distribuidores de productos perecederos. Ingeniería
y desarrollo, 35(1), 219-239.
Fernández Regalado, R. (2009). El teorema de Bayes y su
utilización en la interpretación de las pruebas diagnósticas en el laboratorio
clínico. Revista cubana de investigaciones biomédicas, 28(3),
158-165.
Gómez, P. S., & Soria, D. S. (2016). Concentración,
dispersión y características sociodemográficas en la incorporación espacial de
la migración peruana en la Ciudad de Córdoba, Argentina. Población y Salud
en Mesoamérica, 14(1), 108-131.
Guerrero, M., Gómez, D., Zapata, D., & Cárdenas, M. V.
(2016). Comparación de tres metaheurísticas para la optimización de inventarios
con estimación de demanda. Revista Ingeniería Industrial, 15(1), 51-68.
Keck, M. E., & Sikkink, K. (2014). Activists beyond borders.
Cornell University Press.
Mora, M. S. W., & Espinoza, M. S. J. L. (2005).
Programación Visual Basic (VBA) para Excel y Análisis Numérico. Escuela de
Matemática. Instituto Tecnológico de Costa Rica.
Niño, C. H. V., & others. (2011). Modelo de
optimización en la gestión de inventarios mediante algoritmos genéticos. ITECKNE:
Innovación e Investigación en Ingeniería, 8(2), 156-162.
Sanchez, P., Ceballos, Y. F., & Torres, G. S. (2015).
Análisis del proceso productivo de una empresa de confecciones: modelación y
simulación. Ciencia e Ingeniería Neogranadina, 25(2), 6.
Torres, L. C., Rodríguez, A. G., & Rivas, L. L. D.
(2016). Factores que inciden en el mal uso de la información en trabajos de
investigación cient{\’\i}fica. Didasc@ lia: Didáctica y Educación ISSN
2224-2643, 7(4), 57-74.
Valencia-Nunez, E. R., Melendez-Tamano, C. F.,
Valle-Alvarez, A. T., Paredes-Salinas, J. G., Salinas, C. F. P., &
Cevallos-Torres, L. J. (2018). Virtual classrooms and their use,
measured with a statistical technique: The case of the Technical University of
Ambato—Ecuador. 2018 13th Iberian Conference on Information Systems and
Technologies (CISTI), 1-6.
[1] Estudiante de la Carrera de Ingeniería en Sistemas
Computacionales de la Universidad de Guayaquil, Ecuador. E-mail: steven.castillop@ug.edu.ec
[2] Consultora Independiente. E-mail: maria.linoc@gmail.com
[3] Investigador Asociado. E-mail: clelia.sanchezs@gmail.com
|
Esta obra está bajo una
licencia internacional Creative Commons Atribución-NoComercial 4.0. Los
autores mantienen los derechos sobre los artículos y por tanto son libres de
compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra. |