Algoritmo Genético para solucionar problemas de Inventarios en Pymes
DOI:
https://doi.org/10.53591/iti.v11i11.87Palabras clave:
Simulación de Montecarlo, Algoritmo Genético, Optimización de inventariosResumen
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.
Métricas
Citas
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.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2019 Steven Castillo-Ponce, María Lino Cevallos, Clelia Sánchez Suango
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores que publican en Investigación, Tecnología e Innovación conocen y aceptan las siguientes condiciones:
- Los autores retienen los derechos de copia (copyright) sobre los trabajos, y ceden a Investigación, Tecnología e Innovación el derecho de la primera publicación del trabajo, bajo licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0 que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores conservan los derechos de autor y garantizan a Investigación, Tecnología e Innovación el derecho de publicar el trabajo a través de los canales que considere adecuados.
- Los autores son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la versión del trabajo publicado en Investigación, Tecnología e Innovación, haciendo reconocimiento a su publicación en esta revista.
- Se autoriza a los autores a difundir electrónicamente sus trabajos una vez que sean aceptados para publicación. No se permite el uso comercial de copia o distribución de contenidos, así como tampoco la adaptación, derivación o transformación alguna de estos sin la autorización previa de los autores y de Investigación, Tecnología e Innovación.
