Modelo de
Optimización para medir el costo por perdida de producto no vendido mediante
Simulación Montecarlo y Algoritmo Metaheurístico Tabú
Optimization model to measure the cost of lost product not sold through Monte
Carlo Simulation and Tabu Metaheuristic Algorithm
Luis Ramos Moncayo1, Martha Marcillo Troncozo2, Dantee Astudillo Sanche3, y Lorenzo Cevallos-Torres4
RESUMEN
En este estudio se propone la mejora de un sistema de inventarios, con el objetivo de reducir el costo y maximizar las ventas en la farmacia "La Voluntad de Dios", debido a que existe manejo empírico del inventario por parte de los bodegueros, a consecuencia de esto, no se logra satisfacer correctamente a los clientes y en ocasiones se generan pérdidas por falta de espacio en la bodega o expiración de productos. Por este motivo se decidió optimizar la gestión inventario aplicando el algoritmo de búsqueda tabú obteniendo una función objetivo basada en distribuciones de probabilidad normal de 3 productos, para esto se toma muestra del histórico de inventario del año 2017 al 2019, se realizó una proyección de ventas para el año 2020; el dando como resultado un 14% más de ganancia con respecto al año 2019 y un sistema de inventario que proyecta el uso aproximado del 95% de los productos en stock, obteniendo valores óptimos para satisfacer la alta demanda y mantener control del inventario.
Palabras clave: Distribución Normal, VBA,
Simulación, Inventario, Búsqueda Tabú.
ABSTRACT
This study proposes the improvement of an
inventory system, with the objective of reducing the cost and maximizing sales
in the pharmacy "The Will of God", because there is empirical
management of the inventory by the winemakers, as a result of this, it is not
possible to satisfy the customers correctly and sometimes losses are generated
due to lack of space in the warehouse or expiration of products. For this
reason it was decided to optimize the inventory management by applying the
taboo search algorithm obtaining an objective function based on normal
probability distributions of 3 products, for this sample of the inventory
history from 2017 to 2019 is taken, a sales projection was made for the year
2020; The result is a 14% more profit compared to the year 2019 and an
inventory system that projects the approximate use of 95% of the products in
stock, obtaining optimal values to meet
high demand and maintain inventory control.
Keywords: Normal
Distribution, VBA, Simulation, Inventory, Taboo Search.
Fecha de recepción: Mayo 20, 2019.
Fecha de aceptación: Septiembre 5, 2019.
En este proyecto se plantea como importancia la necesidad de solucionar la gestión y control de inventarios de la farmacia "La Voluntad de Dios", para que obtengan mayores beneficios y menores costos. El problema que afecta a la gestión y control del inventario se da por la forma empírica de manejo del inventario por parte del personal encargado de bodega, esto conlleva a que la farmacia tenga pérdidas económicas por no saber el momento y la cantidad justa de reabastecer su inventario.
Para gestionar y controlar los inventarios de algunas empresas, se han propuesto diferentes proyectos como el de Romero [1] que propone un algoritmo heurístico basado en listas tabú para optimizar la planificación del inventario en sistemas multinivel; el autor toma como variables relevantes: la capacidad, listas de materiales alternativas y entornos de coproducción, dando como resultado un 10% a 17% más de rotación con respecto a las soluciones óptimas de mayor tamaño, sin embargo, presenta inconvenientes de tiempo en las soluciones de problemas que eran relativamente pequeños tales como el pronóstico de ventas, lo que se optimiza en este proyecto al obtener una proyección más amplia y precisa de las ventas combinando la resolución del algoritmo metaheurístico Tabú y la distribución de probabilidad realizada en base a un historial de ventas.
En el estudio de Rodríguez en [2] y el trabajo [3], se presentan modelos de Cantidad Económica de Pedido (EOQ) con objeto de sistematizar el abastecimiento periódico de los productos en stock aplicando un proceso basado en el método ABC, dando como resultado el establecimiento de cantidades óptimas de pedidos y los días en los cuales se debe abastecer; y la aplicación de un modelo determinístico de demanda continua con la finalidad de lograr una minimización de costos de mantenimiento de inventario para la empresa DEPRATI. No obstante, este modelo prueba que los bajos costos serán visibles a un largo plazo además del uso complejo de algoritmos cuyo entendimiento requiere más preparación, en cambio, este estudio propone un enfoque a modelos heurísticos conocidos, en estos se visualiza una reducción de costos en un corto a mediano plazo, y valores más precisos.
En el estudio de Arango, et al. en [4] plantea un modelo probabilístico de inventarios por demanda, a partir de pronósticos de ventas obtenidos por el método Holt-Winters que incluye modulación exponencial, tendencia y estacionalidad, con el fin de minimizar el capital invertido en inventarios tomando como limitación principal el cumplimiento de niveles de servicio establecidos por política de la empresa, obteniendo como resultado un valor aproximado de la demanda, evitando la realización de pedidos de inventarios innecesarios. En el método Holt-Winters determina la demanda de un producto en un periodo dado de forma empírica, en el cual los resultados tienden a dar error, a diferencia de la metodología que se presenta en este estudio, donde se utiliza distribuciones probabilísticas que permiten observar datos a futuros ayudando a prevenir inconveniente a largo plazo y además obtener resultados óptimos a las personas encargadas de llevar la administración de la empresa.
En el estudio de Perales en [5] Propone una modificación para mejorar el desempeño de un modelo lineal dinámico para pronósticos y un modelo de inventarios, aplicando una técnica de optimización multiperíodo vía simulación, a partir del diseño de una variación a la metaheurística búsqueda tabú, es una heurística que realiza una búsqueda de lo óptimo de una función objetivo en un modelo de programación lineal o no lineal, obteniendo como resultado la minimización de costos y su alta eficiencia para la mejora del manejo de los inventarios, sin embargo, el estudio está ambientado a un punto de vista de control de calidad, más no a un lugar en específico por lo cual se mejorará su uso en la vida real.
En el artículo de Delgado en [6] se observó que las decisiones descentralizadas de inventario eran inadecuadas provocando baja rotación y aumento de costo por producto no vendido, por lo que se desarrolló una simulación de políticas de inventarios mediante el método de Montecarlo tomando como variables relevantes: producto, cliente y costo de abastecimiento; presentando como resultado, ahorros del 20% al 75% frente a las estrategias anteriores. Sin embargo, los tiempos de respuestas son altos y falta de precisión, en contraste con este estudio que presenta una proyección mediante el uso de algoritmo metaheurístico Tabú basado en una distribución de probabilidad lo que permite disminuir el tiempo de respuesta y obtener una simulación de inventario altamente precisa como óptima.
La estructura del presente trabajo es la siguiente: sección 2: Metodología, muestra los materiales, métodos y fórmulas utilizadas para realizar la simulación y obtención de la base de datos a utilizar; sección 3: Análisis de Datos y Resultados, en el cual se describe, analiza y exterioriza los resultados obtenidos de la simulación mediante el procedimiento especial de la Distribución Normal; por último, se presenta la sección 4: Conclusión, en la cual se encuentra la conclusión del estudio realizado.
Metodología
En el presente estudio se toman los productos Enalpril, Altace y Losartán, los cuales presentan alta demanda, en consecuencia, existen días que no se venden dichos productos por falta stock, cuya solución al problema permite a la empresa obtener un sistema de inventarios optimo y automatizado, y para alcanzar este objetivo, se realiza mediante:
Inventarios
Son procesos
que tienen el objetivo de mantener un control sobre la mercancía en el curso,
que mediante una gestión de inventarios se logra la reducción de costos
manteniendo los ingresos. Conociendo que la farmacia maneja un inventario de
manera empírica, este presenta problemas de stock por la alta demanda de sus
productos, por lo cual la empresa brinda los movimientos de inventarios del año
2017 al 2019, permitiendo así tener un histórico amplio poder realizar procesos
probabilísticos con menor margen de error [7] [8].
Como se observa
en la Tabla 1, se presenta el histórico del producto enalapril este histórico
permite la obtención de la distribución de probabilidad que presenta la demanda
de este producto.
En la Tabla No.
2 se puede observar el movimiento de inventario del producto Altace en el cual
mediante el histórico de esos años se podrá obtener la distribución de
probabilidad que tiene el producto en su demanda para su proyección mediante el
algoritmo metaheurístico.
Y
en la Tabla No. 3 se presenta el último producto a verificar su distribución de
probabilidad para así tener los datos necesarios para poder generar una
proyección lo más a la realidad y de esta manera lograr optimizar la rotación
de inventario.
Método de Montecarlo por Distribución Normal
Probabilística
Se utiliza como
herramienta de simulación el método de Monte Carlo, que permite la simulación
de un sistema cuando presenta elementos de naturaleza aleatoria en su
comportamiento, esta facultad facilita la proyección de las ventas, no
obstante, la precisión se pierde al por ser completamente aleatorio por lo cual
se propone utilizar la distribución normal probabilística, herramienta que
lograr obtener cálculos probabilísticos precisos, en conjunto con el método
Montecarlo dando como resultado una proyección con menor margen de error [9]
[10] [11].
Se
adapta la siguiente fórmula de la Distribución Normal que se aplicado en el
algoritmo Búsqueda Tabú, según Cevallos en [12]:
Esta
distribución permite obtener la demanda de un día de venta por lo cual hay que
despejar la x y tomarla entorno a n por lo cual se muestra lo siguiente
formulas:
Tabla
1.
Movimiento de Inventario del 2017-2019 del Enalapril
Enalapril |
|||||||||
Mes |
2017 |
2018 |
2019 |
||||||
Inv_Ini |
Demanda |
Inv_Fin |
Inv_Ini |
Demanda |
Inv_Fin |
Inv_Ini |
Demanda |
Inv_Fin |
|
Enero |
400 |
324 |
76 |
388 |
321 |
67 |
464 |
413 |
51 |
Febrero |
396 |
322 |
74 |
467 |
418 |
49 |
371 |
274 |
97 |
Marzo |
474 |
432 |
42 |
449 |
379 |
70 |
417 |
348 |
69 |
Abril |
442 |
435 |
7 |
470 |
416 |
54 |
389 |
354 |
35 |
Mayo |
487 |
421 |
66 |
454 |
401 |
53 |
435 |
385 |
50 |
Junio |
466 |
383 |
83 |
533 |
464 |
69 |
610 |
534 |
76 |
Julio |
403 |
319 |
84 |
469 |
421 |
48 |
396 |
326 |
70 |
Agosto |
404 |
323 |
81 |
448 |
377 |
71 |
470 |
401 |
69 |
Septiembre |
401 |
370 |
31 |
391 |
364 |
27 |
469 |
448 |
21 |
Octubre |
511 |
491 |
20 |
427 |
365 |
62 |
421 |
388 |
33 |
Noviembre |
420 |
400 |
20 |
382 |
305 |
77 |
513 |
420 |
93 |
Diciembre |
500 |
432 |
68 |
557 |
493 |
64 |
333 |
310 |
23 |
Total |
5304 |
4652 |
652 |
5435 |
4724 |
711 |
5288 |
4601 |
687 |
Tabla
2.
Movimiento de Inventario del 2017-2019 del Altace
Altace |
|||||||||
Mes |
2017 |
2018 |
2019 |
||||||
Inv_Ini |
Demanda |
Inv_Fin |
Inv_Ini |
Demanda |
Inv_Fin |
Inv_Ini |
Demanda |
Inv_Fin |
|
Enero |
352 |
310 |
42 |
331 |
290 |
41 |
319 |
329 |
-10 |
Febrero |
350 |
300 |
60 |
349 |
288 |
61 |
342 |
319 |
23 |
Marzo |
358 |
301 |
58 |
325 |
278 |
47 |
331 |
293 |
38 |
Abril |
321 |
301 |
20 |
355 |
301 |
54 |
346 |
271 |
75 |
Mayo |
328 |
306 |
27 |
318 |
297 |
21 |
339 |
290 |
49 |
Junio |
330 |
282 |
72 |
329 |
288 |
41 |
357 |
267 |
90 |
Julio |
356 |
301 |
74 |
349 |
303 |
46 |
354 |
259 |
95 |
Agosto |
319 |
299 |
22 |
354 |
287 |
67 |
359 |
275 |
84 |
Septiembre |
328 |
303 |
29 |
331 |
310 |
21 |
348 |
314 |
34 |
Octubre |
333 |
308 |
30 |
329 |
315 |
14 |
342 |
296 |
46 |
Noviembre |
333 |
304 |
33 |
322 |
286 |
36 |
354 |
281 |
73 |
Diciembre |
337 |
314 |
33 |
344 |
289 |
55 |
337 |
320 |
17 |
Total |
4045 |
3629 |
416 |
4036 |
3532 |
504 |
4128 |
3514 |
614 |
Tabla
3.
Movimiento de Inventario del 2017-2019 del Losartán
Losartán |
|||||||||
Mes |
2017 |
2018 |
2019 |
||||||
Inv_Ini |
Demanda |
Inv_Fin |
Inv_Ini |
Demanda |
Inv_Fin |
Inv_Ini |
Demanda |
Inv_Fin |
|
Enero |
425 |
406 |
19 |
494 |
404 |
90 |
435 |
394 |
41 |
Febrero |
529 |
430 |
99 |
430 |
340 |
90 |
466 |
390 |
76 |
Marzo |
439 |
371 |
68 |
430 |
375 |
55 |
416 |
390 |
26 |
Abril |
408 |
364 |
44 |
480 |
409 |
71 |
451 |
385 |
66 |
Mayo |
469 |
390 |
79 |
411 |
388 |
23 |
406 |
386 |
20 |
Junio |
504 |
418 |
86 |
448 |
423 |
25 |
445 |
383 |
62 |
Julio |
511 |
440 |
71 |
450 |
375 |
75 |
402 |
383 |
19 |
Agosto |
411 |
367 |
44 |
415 |
379 |
36 |
444 |
397 |
47 |
Septiembre |
469 |
419 |
50 |
461 |
383 |
78 |
472 |
419 |
53 |
Octubre |
475 |
405 |
70 |
503 |
415 |
88 |
478 |
423 |
55 |
Noviembre |
495 |
422 |
73 |
428 |
390 |
38 |
395 |
359 |
36 |
Diciembre |
498 |
429 |
69 |
463 |
368 |
95 |
461 |
388 |
73 |
Total |
5633 |
4861 |
772 |
5413 |
4649 |
764 |
5271 |
4697 |
574 |
La
media y la desviación estándar tiene la formula dedicada para varios valores
así mismo el cálculo de los números aleatorios, por lo tanto, el valor de x
queda de la siguiente forma:
Donde:
x = dominio (0, ∞)
μ = media
σ = desviación
estándar.
Z = valores pseudo aleatorios.
n = cantidad de datos aleatorios.
Para
aplicar el algoritmo de Montecarlo se debe conocer la fórmula de la
distribución normal como se muestra en fórmulas (1-5), como un ejemplo práctico
se toma la media de cada producto en este caso el Enalapril, cuyo valor es
igual a 10.8 por cuestiones de ser un producto se la redondea a 11, y la
desviación estándar de 5.2, con estos datos serán la base para realizar los
cálculos de la distribución normal probabilística y mediante la sumatoria de 12
números aleatorios, se puede obtener la demanda por día de los productos dentro
de un mes, con ello se lo ingresa en un ciclo for y se simula el movimiento de
ventas de todo un año [19] (ver Algoritmo 1).
Algoritmo1
MonteCarlo() |
mean,
desviation ← parameters received x←0 |
ri←0 |
acu←0 |
for i←0 to
12 |
Range(“aaa1”).FormulR1C1 ← “RAND( )” |
ri←Range(“aaa1”).Value |
acu←acu + ri |
next i |
x← (mean + desviation) * (acu-6) |
if x < 0 then |
x← x * (-1) |
end if |
return x |
|
Búsqueda Tabú
Para
la proyección de ventas del año 2020 se utiliza la búsqueda tabú por motivos
que acoge una estrategia específica que permite escapar de un mínimo local y
seguir con la búsqueda por otras soluciones probabilísticamente mejores. Por lo
que mediante la solución objetivo (formula 6) se puede realizar una proyección
de las demandas, cual es la primera variable de cada suma, para la obtención de
esas variables se aplica el algoritmo de Montecarlo (Algoritmo 1), las
restricciones que presentan son los movimientos de inventario de cada producto,
es decir que cuando llegue a un valor en stock se pide abastecimiento y
mediante la memoria adaptativa que presenta la búsqueda tabú se contrasta con
las ganancias obtenidas en los años anteriores. La ventaja de utilizar este
algoritmo es que permite una alta adaptación y optimización de la solución
objetivo [11]
[12].
Algoritmo 2 BúsquedaTabu() |
avgAnnualDemand_enalapril
← 388 |
|
Modelo de
Optimización de Inventario
Herramienta Solver
Es
una herramienta que se encuentra presente en las hojas de cálculo, como son
Excel y OpenOffice.org. Permite que los modelos sometidos a restricciones
obtener soluciones óptimas, por lo que en el presente estudio se lo utiliza
para tener un contraste y/o comprobación de la optimización generada por el
algoritmo realizado en Excel [15].
Programación Lineal
En
la programación lineal su objetivo es optimizar funciones lineales en distintas
variables reales con restricciones lineales, para plantear un caso de estudio
aplicado a la programación lineal es importante conocer los componentes
básicos, los cuales son: variables de decisión, función objetivo y
restricciones. La programación lineal asigna recursos entre actividades
competidoras elaborando un proceso de toma de decisiones para encontrar una
posible solución relacionando requerimientos y disponibilidad de recursos [16].
Función Objetivo
Como
se observa en el estudio de Cevallos, et al. en [17] presenta la fórmula para obtener la
función objetivo son las siguientes:
Donde:
Es
decir:
Por
lo cual se en este estudio se necesita maximizar beneficios y minimizar costos
se estará utilizando ambos formulas para aplicarlas y comparar como optimiza el
algoritmo en contraste a otros años [18].
Restricciones
Donde:
A = valor
conocido a ser respetado estrictamente
B = valor
conocido que debe ser respetado o puede ser superado;
C = valor conocido que no
debe ser superado
j = número de la
ecuación, variable de 1 a M (no. Total de restricciones)
Caso de Estudio
La empresa
“Voluntad de Dios” ha llevado años teniendo un manejo empírico de su
inventario, el cual presenta una cantidad variable de productos en stock, a
consecuencia de esto, no se logra satisfacer correctamente a los clientes y en
ocasiones se generan pérdidas por falta de espacio en la bodega o expiración de
productos, por lo cual desea optimizar el modelo de inventario que lleva
actualmente de los productos: Enalapril, Losartán y Altace.
Para
el análisis del sistema de inventario que lleva actualmente la farmacia, se
toman como variables relevantes: la cantidad de productos pedidos anualmente,
la demanda y la cantidad sobrante de producto que no se ha vendido dentro del
año 2017 al 2019. Y se puede observar que presenta menos del 1% de producto
sobrantes cada año dando como resultado lo ajustado en que el inventario está
en frente a la demanda (ver Tabla No. 1, 2, 3).
Tabla
4.
Resumen del Histórico de ventas del producto Enalapril
Enalapril |
|||
Año\Movimiento |
Inventario |
Demanda |
Producto Sobrante |
2017 |
5259 |
4652 |
607 |
2018 |
5276 |
4724 |
552 |
2019 |
5259 |
4601 |
658 |
Se observa que el producto enalapril tiene un 0,1% de sobrante de su stock, es
decir que ese fue producto no vendido, el mismo que se desea optimizar.
Tabla
5.
Resumen del Histórico del producto Altace
Altace |
|||
Año\Movimiento |
Inventario |
Demanda |
Inventario Final |
2017 |
4045 |
3629 |
500 |
2018 |
4036 |
3532 |
504 |
2019 |
4128 |
3514 |
614 |
Se observa en la Tabla No.5 el movimiento de inventario y demanda del Altace
que presenta el mismo sobrante que el observado en la Tabla No.1.
Tabla
6.
Resumen del Histórico del producto Losartán
Lorsartán |
|||
Año\Movimiento |
Inventario |
Demanda |
Producto Sobrante |
2017 |
5381 |
4861 |
520 |
2018 |
5124 |
4649 |
475 |
2019 |
5156 |
4697 |
459 |
En la Tabla No. 6 se aprecia el movimiento de inventario y demanda del producto
Losartán, el mismo que presenta el mismo problema que los productos anteriores
por lo que se toman estos 3 productos para su evaluación de problema y su
futura optimización.
Resultados
Aplicación del modelo de inventario en base al Algoritmo Tabú
Con
la información obtenida por los históricos del año 2017 al 2019, es posible
realizar una proyección de ventas para el año 2020. En la tabla presenta el
precio de ventas, costos y beneficios de cada producto por mes de forma que se
pueda observar de manera global los ingresos por ventas proyectadas, con ello
tener un método de optimización de inventario conociendo las demandas del
siguiente año (ver tabla No.7, 8, 9).
Tabla
7.
Proyección de Ventas del Producto Enalapril para el año 2020
Enalapril |
||||
Mes |
Demanda |
Precio Venta |
Costo |
Beneficio |
ENERO |
507 |
2535 |
2281,5 |
253,5 |
FEBRERO |
490 |
2450 |
2205 |
245 |
MARZO |
472 |
2360 |
2124 |
236 |
ABRIL |
407 |
2035 |
1831,5 |
203,5 |
MAYO |
423 |
2115 |
1903,5 |
211,5 |
JUNIO |
389 |
1945 |
1750,5 |
194,5 |
JULIO |
409 |
2045 |
1840,5 |
204,5 |
AGOSTO |
393 |
1965 |
1768,5 |
196,5 |
SEPTIEMBRE |
399 |
1995 |
1795,5 |
199,5 |
OCTUBRE |
436 |
2180 |
1962 |
218 |
NOVIEMBRE |
498 |
2490 |
2241 |
249 |
DICIEMBRE |
460 |
2300 |
2070 |
230 |
Total |
5283 |
26415 |
23774 |
2641,5 |
Tabla
8.
Proyección de Ventas del Producto Losartán para el año 2020
Losartán |
||||
Mes |
Demanda |
Precio Venta |
Costo |
Beneficio |
ENERO |
481 |
2020,2 |
1683,5 |
336,7 |
FEBRERO |
437 |
1835,4 |
1529,5 |
305,9 |
MARZO |
444 |
1864,8 |
1554 |
310,8 |
ABRIL |
434 |
1822,8 |
1519 |
303,8 |
MAYO |
491 |
2062,2 |
1718,5 |
343,7 |
JUNIO |
468 |
1965,6 |
1638 |
327,6 |
JULIO |
397 |
1667,4 |
1389,5 |
277,9 |
AGOSTO |
466 |
1957,2 |
1631 |
326,2 |
SEPTIEMBRE |
419 |
1759,8 |
1466,5 |
293,3 |
OCTUBRE |
400 |
1680 |
1400 |
280 |
NOVIEMBRE |
493 |
2070,6 |
1725,5 |
345,1 |
DICIEMBRE |
512 |
2150,4 |
1792 |
358,4 |
Total |
5442 |
22856,4 |
19047 |
3809,4 |
Tabla
9.
Proyección de Ventas del Producto Altace para el año 2020
Altace |
||||
Mes |
Demanda |
Precio Venta |
Costo |
Beneficio |
ENERO |
372 |
2142,72 |
1934,4 |
208,32 |
FEBRERO |
368 |
2119,68 |
1913,6 |
206,08 |
MARZO |
363 |
2090,88 |
1887,6 |
203,28 |
ABRIL |
403 |
2321,28 |
2095,6 |
225,68 |
MAYO |
353 |
2033,28 |
1835,6 |
197,68 |
JUNIO |
330 |
1900,8 |
1716 |
184,8 |
JULIO |
338 |
1946,88 |
1757,6 |
189,28 |
AGOSTO |
345 |
1987,2 |
1794 |
193,2 |
SEPTIEMBRE |
311 |
1791,36 |
1617,2 |
174,16 |
OCTUBRE |
311 |
1791,36 |
1617,2 |
174,16 |
NOVIEMBRE |
328 |
1889,28 |
1705,6 |
183,68 |
DICIEMBRE |
346 |
1992,96 |
1799,2 |
193,76 |
Total |
4168 |
24007,68 |
21673,6 |
2334,08 |
Función Objetivo Aplicada con su respectiva restricción
Las
variables usadas para la optimización de la función objetivo, la cual
minimizara costos son:
Donde:
W = Costos del producto
Enalapril.
X = Costos del producto
Losartán.
Y = Costos del producto
Altace.
Z = funcion Objetivo a
minimizar
Tabla
10. Variables
antes de la aplicación de Solver
VARIABLES ANTES |
|
W |
4,5 |
X |
3,5 |
Y |
5,2 |
Z |
5227,4 |
En la Tabla No.10 se observa los valores de las variables W, X, Y, cuáles son
los valores de los costos de los productos, en adición y el valor de Z (función
objetivo a minimizar).
Restricciones
4. En esta
se sección se define las restricciones que la función objetivo debe que cumplir
para lograr la minimización de costos (ver tabla 11).
Tabla
11. Restricciones para la aplicación de Solver
RESTRICCIONES |
|
1 |
W < 4 |
2 |
X < 3 |
3 |
Y < 5 |
4 |
W , X, Y > 0 |
En la Tabla No.11 Se presenta 4 restricciones que la
función objetivo debe respetar, las 3 primeras plantea que costos no supere lo
que el proveedor esté dispuesto a negociar, y la última es la restricción de no
negatividad.
Resultados obtenidos aplicando la herramienta Solver
Se aplicó
la herramienta Solver con los datos presentados en la Tabla No.10 y No.11
mostrando los siguientes resultados:
Tabla
12.
Resultados Obtenidos con la aplicación de Solver
Solver |
|
W |
4 |
X |
3 |
Y |
5 |
Z |
4727 |
Mediante la utilización de Solver se logra obtener un 9,15%
de minimización de costo aplicando las variables como se presenta en la
TablaNo.12, con ello se puede observa que la herramienta Solver permite también
obtener variables que permita minimizar los costos a través de la
especificación de restricciones.
Resultados en Maximización de Beneficios mediante la proyección por
Búsqueda Tabú
Las
ganancias totales por los 3 producto se logran obtener mediante la fórmula 6
que permite contrastar las ventas de cada año y analizar como la proyección del
2020 muestra una relevante mejora en los beneficios (ver Tabla No.7).
Tabla
13.
Beneficios por año
Beneficios
por año |
|
Año |
Ganancia |
2017 |
7760,94 |
2018 |
7594,22 |
2019 |
7556,24 |
2020 |
8784,98 |
Como se
puede observar en la Tabla No. 13, la proyección de ventas presenta un 14% más
de ganancia con respecto a los 3 años las ganancias cuales mantienen un rango
similar, por lo que se puede determinar que se ha maximizado beneficios.
Conclusiones
En el estudio se concluye con la
efectividad del algoritmo metaheurístico Tabú para la proyección precisa de
movimientos de ventas permitiendo la optimización en la gestión de inventario,
obteniendo como resultado un 14% más de ganancia neta con respecto a al año
2019, estableciendo un sistema de inventario que proyecta el uso aproximado del
95% de los productos en stock, a través de la herramienta Solver de Excel se
logró minimizar costos en un 9,15% de los productos ofrecidos.
En futuros estudios con relación esta temática, se recomiendan estudios de proyección de ventas para más de un año y con otras herramientas de programación como Python, modelo de un inventario completo, gestión de inventarios con demanda variable conocida y modelos de programación lineal basado en proyección de ventas, con el objetivo de tener varias herramientas que le permita a la farmacia optimizar en mayor medida el tiempo de pedido y la cantidad que pedir.
Referencias Bibliográficas
[1] Ing.
Alfonso, R. Romero, U. D. E. La, C. Cuc, I. N. G. Alfonso, and R. Romero,
“ALGORITMO HEURÍSTICO BASADO EN LISTAS TABÚ PARA LA PLANIFICACIÓN DE LA
PRODUCCIÓN EN SISTEMAS MULTINIVEL CON LISTAS DE MATERIALES ALTERNATIVAS Y
ENTORNOS DE COPRODUCCIÓN,” CUC, p. 141, 2018.
[2] E. Causado Rodríguez,
“Modelo de inventarios para control económico de pedidos en empresa
comercializadora de alimentos,” Rev. Ing. Univ. Medellín, vol. 14, no.
27, pp. 163–178, 2015.
[3] H. H. Toro and J. J. Bravo,
“Enfoque Práctico Para La Determinación De Políticas De Inventario
Centralizadas En Un Sistema 1-Bodega / N-Minoristas a Través De Simulación /
Optimización a Practical Approach To Develop Centralized Inventory Policies for
1-Warehouse / N-Retailers System,” EIA, pp. 31–41, 2018.
[4] J. Arango, J. Giraldo, and
O. Castrillón, “Gestión de compras e inventarios a partir de pronósticos
Holt-Winters y diferenciación del nivel de servicio por clasificación ABC,” Sci.
Tech., vol. 18, no. 4, pp. 743–747, 2013.
[5] P. Luis, E. Blanco, R.
Ingeniero, and E. R. Motta, “Simulación Del Mrpii En El Sector Farmacéutico
Colombiano,” no. 001, pp. 8–10, 2005.
[6] C. G. L. Alexander, “Unidad
académica de ciencias empresariales carrera de contabilidad y auditoría,” Utmach,
vol. 4, pp. 1194–1215, 2018.
[7] J. A. Fuertes, “Métodos,
técnicas y sistemas de valuación de inventarios. Un enfoque global,” pp. 48–65,
2019.
[8] O. Peña and R. Da Silva
Oliveira, “Factores incidentes sobre la gestión de sistemas de inventario en
organizaciones venezolanas,” Telos Rev. Estud. Interdiscip. en Ciencias Soc.,
vol. 18, no. 2, pp. 187–207, 2016.
[9] J. L. Chamorro Corea, J. E.
Díaz Camejo, O. D. Fuentes Espinoza, and H. Y. Lovo Gutiérrez, “Política de
inventarios máximos y mínimos en cadenas de suministro multinivel. Caso de estudio:
una empresa de distribución farmacéutica (Artículo Profesional),” Nexo Rev.
Científica, vol. 31, no. 2, pp. 144–156, 2018.
[10] F. L. Sánchez Ibarbo,
“Aproximación al Origen de la Distribución Normal vía Probabilidad,” vol. 5.
[11] Cevallos-Torres,
Lorenzo & Miguel Botto-Tobar Studies in Computational Intelligence 824
Problem-Based Learning : A
Didactic Strategy in the Teaching of System Simulation. Rev. Didasc@lia Didáctica y Educ.
ISSN 2224-2643, vol. 7, no. 1, pp. 29–40, 2016.
[12] Cevallos-Torres, Lorenzo
& Guijarro-Rodríguez, Alfonso, Pedro Manuel García Arias1, Pierre Chávez1
and R. S. Jessica Rebutti1, Aplicación del Método Montecarlo y Análisis por
Teoría de Colas para Reducir el Tiempo de Espera en una Farmacia, no.
Cinesi. 2017.
[13] E. P. D. E. Estadística, B.
Illtner, and K. Chavez, “Una Búsqueda Tabú para el problema de entrega de
productos de la empresa Almapo en la ciudad de Trujillo,” 2017.
[14] E. Coletti Romero and A. C.
Riojas Cañari, “Balance de línea de producción en una empresa de calzado
mediante la metaheurística búsqueda tabú,” Rev. Peru. Comput. y Sist., vol. 1, no. 1, p. 9, 2018.
[15] L. C. Sanchez
and J. Herrera, “Solution to the multiple products transportation problem:
Linear programming optimization with Excel Solver,” IEEE Lat. Am. Trans., vol. 14, no. 2, pp. 1018–1023,
2016.
[16] E. Castillo, A. J. Conejo,
P. Pedregal, R. García, and N. Alguacil, “Formulación y Resolución de Modelos
de Programación Matematica en Ingeniería y Ciencias,” p. 553, 2002.
[17] Cevallos-Torres, Lorenzo
& Torres, C, “Relación Teoría-Práctica Para La Investigación De
Operaciones: Caso Práctico En Modelos De Programación Lineal,” Rev.
Didasc@lia Didáctica y Educ. ISSN 2224-2643, vol. 7, no. 1, pp. 29–40,
2016.
[18] Cevallos-Torres, Lorenzo, & Miguel
Botto-Tobar. "Pseudo-random numbers and
congruential methods." Problem-Based Learning: A Didactic Strategy
in the Teaching of System Simulation. Springer, Cham, 2019. 33-58.
[19]
Cevallos-Torres, Lorenzo, and Miguel Botto-Tobar. Problem-Based
Learning: A Didactic Strategy in the Teaching of System Simulation. Vol. 824.
Springer, 2019.
.
[1] Estudiante de Ingeniería en Sistemas Computacionales. Universidad de
Guayaquil, Ecuador. E-mail:
[email protected]
[2] Estudiante de
Ingeniería en Sistemas Computacionales. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
3 Estudiante de Ingeniería en
Sistemas Computacionales. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
4 Ing. en Estadística Informática, MSc. en Modelado Computacional en Ingeniería. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
Como citar: Ramos Moncayo, L., Marcillo
Troncozo, M., Astudillo Sanchez, D., & Cevallos-Torres, L. (2019). Modelo
de Optimización para medir el costo por perdida de producto no vendido mediante
Simulación Montecarlo y Algoritmo Metaheurístico Tabú. Ecuadorian Science, 3(2),
8-14.
DOI: https://doi.org/10.26911/issn.2602-8077vol3iss2.2019pp8-14p.