Inventory model using bayesian dynamic linear model for demand forecasting

Modelo de inventarios que utiliza el modelo lineal dinámico bayesiano para el pronóstico de demanda

Un factor importante de los procesos de manufactura es la administración de los inventarios de producto terminado. Constantemente la industria está en busca de mejores alternativas para establecer adecuados planes de cantidades por producir y almacenar, a costo óptimo, logrando con ello un horizonte que permita definir con anticipación la logística y los recursos necesarios para la entrega a tiempo de sus productos. La ausencia de datos históricos, requeridos por muchos modelos estadísticos para pronosticar, exige la búsqueda de nuevas técnicas de estimación de demanda con precisión. Este trabajo presenta una alternativa que no solo permite pronosticar de forma ajustada a la realidad, sino dar cantidades óptimas para producir y almacenar inventarios a costo óptimo, usando estadística bayesiana. Se ilustra la propuesta con datos reales.

1. INTRODUCCIÓN

La logística interna de una empresa ha implicado la necesidad de una buena gestión de sus inventarios, en especial de producto terminado. Esta suele verse afectada por problemas que provocan incertidumbre, como malas previsiones, cambios en los mercados, entrada de nuevas empresas, produciendo una variabilidad muy grande en la demanda que afecta a todos los procesos de gestión (Sarimveis et al., 2008; Simchi-Levi et al., 2008).

Entre las funciones de los almacenes de una empresa están: guardar la materia prima y el acceso a esta y mantener la información de inventario para las compras (Silva, 2006; Simchi-Levi et al., 2008). Pero también establecer un seguimiento y control sobre la producción y el almacenamiento del producto terminado; todo ello, a través de políticas de planificación adecuadas, que se resumen en un propósito: la gestión óptima de inventarios (Correa & Gómez, 2009; Simchi-Levi et al., 2008).

La búsqueda de técnicas adecuadas para estimar la demanda bajo incertidumbre, se ha convertido en algo muy importante para la industria, pero también para proporcionar mecanismos que permitan planificar las órdenes de producción, almacenar, y también distribuir de forma óptima (Feng et al., 2006; Sarimveis et al., 2008; Sethi et al., 2003; Silva et al., 2008; Silver, 2004). Por ello, los modelos de previsión son una herramienta que permite reducir esa incertidumbre y los posibles problemas de variabilidad.

Además, se han desarrollado técnicas de optimización para proporcionar un buen horizonte de planificación en el menor tiempo posible (Gutiérrez & Vidal, 2008; Sarimveis et al., 2008). Algunas de estas técnicas se basan en métodos analíticos (Gregory, 2010), heurísticos y metaheurísticos (Feng et al., 2005; Jeyanthi & Radhakrishnan, 2010; Singh, 2012; Zanakis & Evans, 1981). Los procesos metaheurísticos son alternativas flexibles para resolver problemas lineales y no lineales con muchas variables, muchas restricciones o ambas.