Un enfoque bayesiano para incorporar pronósticos de la demanda en experimentos por simulación para la administración de inventarios
A bayesian approach to include demand forecasting in simulation experiments for inventory management
Con el objetivo de planear la producción y distribución de manufacturas con base en información cada vez más cercana al momento de venta, los sistemas de apoyo a la toma de decisiones para la administración de inventarios deben incorporar pronósticos de la demanda basados en poca información objetiva, o en información subjetiva. En particular, cuando se utilizan modelos de simulación para apoyar toma de decisiones relacionadas con inventarios de seguridad, o con tamaños y demoras de los pedidos, es conveniente modelar la distribución de la demanda tomando en cuenta tanto los datos disponibles sobre experiencias pasadas, como la información (a menudo subjetiva) sobre el futuro cercano.
En este artículo se presenta un enfoque bayesiano para modelar un componente aleatorio de entrada (por ejemplo, la distribución de la demanda) en experimentos por simulación para la administración de inventarios. Bajo este enfoque, la familia de distribuciones propuesta para modelar el componente de entrada debe considerar dos tipos de parámetros, los que capturan información de datos históricos y los que dependen del pronóstico (a menudo subjetivo) sobre el escenario particular a simular. La aplicación del enfoque propuesto se ilustra con un ejemplo en el que se modela la demanda diaria por medio de una distribución binomial negativa, y el usuario del sistema proporciona la demanda esperada para todo el periodo a simular.
Este documento fue preparado por David Muñoz N. (Departamento de Ingeniería Industrial y de Operaciones, Instituto Tecnológico Autónomo de México, México D.F., México). Se encuentra publicado en la Revista Facultad de Ingeniería (Vol. 12, No 2, 2004, 25-31), alojada en el portal de la biblioteca electrónica de publicaciones científicas SciELO (Scientific Electronic Library On-Line)-Chile (Santiago, Chile). SciELO es un modelo para la publicación electrónica cooperativa de revistas científicas en Internet, especialmente desarrollado para responder a las necesidades de la comunicación científica en los países en desarrollo, y particularmente de América Latina y el Caribe.
Recursos
-
Formatopdf
-
Idioma:español
-
Tamaño:418 kb
Pronosticar la demanda : ¿Ejercicio de adivinación matemática o fundamento de la planificación operativa?
Demand forecasting : mathematical riddle or operative planning foundation?
Los pronósticos son una forma de atenuar la incertidumbre con la que deben convivir los directivos de empresa. Ya sea con técnicas muy complejas, con métodos simples, o aún en forma cándida e intuitiva, la previsión de los niveles de actividad a afrontar en los períodos futuros es una ocupación propia de gerentes de venta, de producción, de compras, de logística. Inclusive el evadir conscientemente realizar algún pronóstico constituye una forma de decisión por omisión, y presumiblemente no la mejor. Implícitamente se asume que la situación será similar a la actual.
La estimación cierta de la demanda futura debería ser uno de los activos más apetecidos por gerentes y directores de empresas. Sin embargo, la actividad de pronosticar sistemáticamente la demanda de productos y servicios es frecuentemente calificada como una materia inaccesible, una adivinación matemática, plagada de hipótesis irreales y errores, y que no conduce a resultados aplicables.
Recursos
-
Formatopdf
-
Idioma:español
-
Tamaño:213 kb
Pronóstico de demanda por medio de redes neuronales artificiales
Artificial neural networks for demand forecasting
Para hacer un pronóstico, es común requerir información cuantitativa del comportamiento de la demanda a través del tiempo, es decir, una serie de tiempo, siendo el análisis de series de tiempo la técnica estadística más utilizada para estimar su comportamiento. Por muchos años, este tipo de análisis ha estado dominado por la utilización de métodos estadísticos lineales que se pueden implementar de manera conveniente; sin embargo, la existencia de relaciones no lineales entre los datos pueden limitar la aplicación de estos modelos. En la práctica es muy posible encontrar relaciones no lineales en los datos, tal como sucede en este caso de estudio. Por ello es necesaria la utilización de técnicas capaces de reflejar dicho comportamiento.
La utilización de redes neuronales artificiales (RNA) para pronósticos de series de tiempo es relativamente nueva en la literatura, sin embargo, lo positivo de los resultados en las aplicaciones prácticas la convierten en una área prometedora. En este trabajo se describe la utilización de RNA para pronóstico de demanda. Se propone además un método para definir los parámetros de las RNA de una manera integrada y repetible y se prueba con una aplicación real.
Este documento es un artículo preparado por María Angélica Salazar Aguilar y Mauricio Cabrera Ríos (División de Posgrado en Ingeniería de Sistemas, Facultad de Ingeniería Mecánica y Eléctrica FIME, Universidad Autónoma de Nuevo León UANL, San Nicolás de los Garza, NL, México) para la revista Ingenierías (Vol. X, No 35, abril-junio 2007, 6-12) publicación de la FIME que reúne artículos de divulgación científica y tecnológica, artículos sobre los aspectos humanísticos del quehacer ingenieril, reportes de investigación, reportajes y convocatorias.
Recursos
-
Formatopdf
-
Idioma:español
-
Tamaño:213 kb