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

Inventory model using bayesian dynamic linear model for demand forecasting

Contenido principal del artículo

Marisol Valencia-Cárdenas
Juan Carlos Correa-Morales
Francisco Javier Díaz-Serna

Resumen

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.

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Biografía del autor/a (VER)

Marisol Valencia-Cárdenas, Universidad Nacional de Colombia, Facultad de Minas, Grupo Investigación UNGIDO.

Administrativo Profesional

Oficina Educación Virtual

Referencias (VER)

Barrera, C. & Correa, J. (2008). Distribución predictiva bayesiana para modelos de pruebas de vida vía MCMC. Revista Colombiana de Estadística, 31(2), 145–155.

Bolstad, W. M. (1986). Harrison-Stevens Forecasting and the Multiprocess Dynamic Linear Model. The American Statistician, 40(2), 129–135.

Bowerman, B., Koehler, A. & O’Connell, R. (2007): Forecasting, time series, and regression: an applied approach. Pronósticos, series de tiempo y regresión: un enfoque aplicado. México, DF:Cencage Learning.

Choi, T.-M., Li, D. & Yan, H. (2003). Optimal two-stage ordering policy with Bayesian information updating. Journal of the Operational Research Society, 54(8), 846–859. doi:10.1057/palgrave.

jors.2601584.

Congdon, P. (2002). Bayesian statistical modelling. London,

England: Wiley Series in Probability and Statistics.

Correa, A. & Gómez, R. (2009). Tecnologías de la información

en la cadena de suministro. DYNA, 76(157), 37–48. Retrieved from http://books. google.com/books?hl= en&l r=&id=5gbDeVq-

JPB8C&oi =fnd&pg=PA437&dq= INFORMATION+TECHNOLOGIES + IN+ SUPPLY+CHAIN+ MANAGEMENT& ots= SI1eiB3r-VP&sig= 27QLdpkYqUHVOIJTWEL527kqc_4.

Feng, Q., Gallego, G., Sethi, S., Yan, H. & Zhang, H. (2005). Periodic-review inventory model with three consecutive delivery modes and forecast updates. Journal of Optimization Theory and Applications, 124, 137–155.

Feng, Q., Sethi, S., Yan, H. & Zhang, H. (2006). Are base-stock policies optimal in inventory problems with multiple delivery modes? Operations Research, 54(4), 801–807. Retrieved from http://

or.journal.informs.org/content/54/4/801.short.

Gill, J. (2007). Bayesian methods: a social and behavioral sciences approach. United States of America:Chapman & Hall.

Gregory, A. (2010). Revenue and inventory optimization: the necessary evolution of revenue management. The Journal of Hospitality Financial Management, 18(2), 61–63. Doi:10.1080/10913211.2010.10653895.

Gutiérrez, V. & Vidal, C. J. (2008). Modelos de gestión de inventarios en cadenas de abastecimiento: Revisión de la literatura. Revista Facultad de Ingeniería, N° 43, 134-149.

Harrison, J. & West, M. (1991). Dynamic linear model diagnostics. Biometrika Trust, 78(4), 797–808.

Jeyanthi, N. & Radhakrishnan, P. (2010). Optimizing multi product inventory using genetic algorithm for efficient supply chain management involving lead time. International Journal of Computer,

(5), 231–239.

Makridakis, S., Hibon, M., Moser, C., Journal, S., Statistical, R. & Series, S. (2011). Accuracy of forecasting:an empirical investigation. Journal of the Royal Statistical Society, 142(2), 97–145.

Martin, A., Quinn, K. & Park, J. H. (2011). MCMCpack:Markov Chain Monte Carlo in R. Journal of Statistical Software, 42(9), 1–21.

Medina, S. & García, J. (2005). Predicción de demanda de energía en Colombia mediante un sistema de inferencia difuso neuronal. Energética, 33, 15–24.

Meinhold, R. J. & Singpurwalla, N. D. (1983). Understanding

the Kalman Filter. The American Statistician, 37(2), 123–127.

Mockus, J. (2002). Bayesian heuristic approach to scheduling.

Informatica, Lith. Acad. Sci., 13(3), 311–332.

Montgomery, D., Peck, E. & Vining, G. (2006). Introducción

al análisis de regresión lineal. Compañía Editorial Continental, 3, 612.

Salpasaranis, K. & Stylianakis, V. (2012). A hybrid genetic

programming method in optimization and forecasting: a case study of the broadband penetration in OECD countries. Advances

in Operations Research, 2012, 1–32. doi:10.1155/2012/904797.

Sarimveis, H., Patrinos, P., Tarantilis, C. D. & Kiranoudis, C. T. (2008). Dynamic modeling and control of supply chain systems: A review. Computers & Operations Research, 35(11), 3530–3561.

doi:10.1016/j.cor.2007.01.017.

Sethi, S., Yan, H. & Zhang, H. (2003). Inventory models

with fixed costs, forecast updates, and two delivery modes. Operations Research, 51(2), 321–328. Retrieved from http://or.journal.informs.org/content/51/2/321.short

Silva, A.N. (2006). Logística de almacenamiento, Tecana American University Education, Caracas.

Silva, V., Fleming, P., Sugimoto, J. & Yokoyama, R. (2008). Multiobjective optimization using variable complexity modelling for control system design. Applied Soft Computing, 8(1), 392–401.

doi:10.1016/j.asoc.2007.02.004.

Silver, E. (2004). An overview of heuristic solution methods. Journal of the Operational Research Society, 55(9), 936–956. doi:10.1057/palgrave.jors.2601758.

Rueda, V., Velásquez, J. D. & Franco, C. (2011). Avances recientes en la predicción de la demanda de electricidad usando modelos no lineales. DYNA, 78(167), 36–43.

Simchi-Levi, D., Kaminsky, P., & Simchi-Levi, E. (2004). Managing the supply chain: the definitive guide for the business professional. United States. McGraw-Hill.

Singh, A. (2012). An overview of the optimization modelling applications. Journal of Hydrology, 466-467, 167–182. doi:10.1016/j.jhydrol.2012.08.004.

Tamura, H. (1975). Decentralized optimization for distributed-

lag models of discrete systems. Automatica, 11, 593–6112.

Urban, T. L. & Baker, R. C. (1997). Optimal ordering and

pricing policies in a single-period environment with multivariate demand and markdowns. European Journal of Operational Research, 103, pp. 573–583.

Valencia, M. & Correa, J. (2013). Un modelo dinámico bayesiano para pronóstico de energía diaria. Revista Ingeniería Industrial, 12(2), 7–17.

Wang, S. (2006). Exponential smoothing for forecasting

and Bayesian validation of computer models.Doctoral Thesis. Georgia. United-States. Georgia Institute of Technology. In: https://smartech.

gatech.edu/bitstream/handle/1853/19753/wang_shuchun_200612_phd.pdf.

West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (Vol 18., p. 704). New York. Springer Series in Statistics. ISBN: 0387947256.

Yang, W., Chan, F. T. S. & Kumar, V. (2012). Optimizing replenishment polices using genetic algorithmfor single-warehouse multi-retailer system. Expert Systems with Applications, 39(3), 3081– 3086. doi:10.1016/j.eswa.2011.08.171.

Yokoyama, M. (2002). Integrated optimization of inventory-

distribution systems by random local search and a genetic algorithm. Computers & Industrial Engineering, 42(2-4), 175–188.

doi:10.1016/S0360-8352(02)00023-2.

Zanakis, S. H. & Evans, J. R. (1981). Heuristic “Optimization”:

Why, When, and How to Use It. Interfaces, 11(5), 84–91. Doi:10.1287/inte.11.5.84.

Citado por: