Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
1
ANÁLISIS DE LA EFICIENCIA DE LAS AGENCIAS DE LA EMPRESA
TRANSPORTES ORO S.A.S MEDIANTE EL DATA ENVELOPMENT ANALYSIS
Investigadora Principal
MSc. MARCELA MARÍA MORALES CHÁVEZ
UNIVERSIDAD LIBRE SECCIONAL PEREIRA
FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA COMERCIAL
SEMILLERO EN INVESTIGACIÓN DE OPERACIONES Y ESTADÍSTICA
PEREIRA
2013 - 2014
2
ANÁLISIS DE LA EFICIENCIA DE LAS AGENCIAS DE LA EMPRESA
TRANSPORTES ORO S.A.S MEDIANTE EL DATA ENVELOPMENT ANALYSIS
EN EL PERIODO DE ENERO A SEPTIEMBRE 2013
Investigadora Principal
MSc. MARCELA MARÍA MORALES CHÁVEZ
Investigadores auxiliares
DIANA ALEXANDRA CASTAÑEDA SOTO
MÓNICA YULENI CASTRO PEÑA
LUISA FERNANDA ZARTA LÓPEZ
UNIVERSIDAD LIBRE SECCIONAL PEREIRA
FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA COMERCIAL
SEMILLERO EN INVESTIGACIÓN DE OPERACIONES Y ESTADÍSTICA
PEREIRA
2013 - 2014
3
CONTENIDO
Pág.
INTRODUCCIÓN ..................................................................................................... 9
1. DESCRIPCIÓN DEL PROBLEMA ................................................................... 11
2. JUSTIFICACIÓN ............................................................................................. 13
3. OBJETIVOS .................................................................................................... 15
3.1. OBJETIVO GENERAL .............................................................................. 15
3.2. OBJETIVOS ESPECÍFICOS ..................................................................... 15
4. MARCO REFERENCIAL ................................................................................. 16
4.1. MARCO TEÓRICO ................................................................................... 16
4.2. MARCO CONCEPTUAL ........................................................................... 23
4.3. ESTADO ACTUAL .................................................................................... 25
5. METODOLOGÍA .............................................................................................. 27
5.1. VARIABLES Y PARÁMETROS DEL ESTUDIO ........................................ 28
5.2. MODELO DATA ENVELOPMENT ANALYSIS ......................................... 29
5.2.1. Modelo CCR-O ................................................................................... 29
5.2.2. Modelo Windows Analysis .................................................................. 34
5.3. DIAGNÓSTICO DE LA SITUACIÓN ACTUAL .......................................... 37
5.3.1. Análisis del modelo Windows Analysis ............................................... 37
5.3.2. Análisis modelo CCR-O ..................................................................... 46
5.4. POLÍTICAS DE MEJORAMIENTO ........................................................... 51
4
6. CONCLUSIONES ............................................................................................ 56
7. BIBLIOGRAFÍA ............................................................................................... 58
ANEXOS ................................................................................................................ 61
5
LISTA DE TABLAS
Pág.
Tabla 1. Subíndices modelo CCR-O 30
Tabla 2. Parámetros modelo CCR-O 30
Tabla 3. Variables de decisión modelo CCR-O 31
Tabla 4. Desarrollo de window1 35
Tabla 5. Ejemplificación ventana 2. 35
Tabla 6. Agencia de Buga en W1 36
Tabla 7. Agencia de Buga en W2 36
Tabla 8.Window 9 38
Tabla 9.Window 1 41
Tabla 10.Windows Analysis trimestral 42
Tabla 11. Resumen Windows Analysis 43
Tabla 12. Resumen análisis ponderadores 49
Tabla 13. Correlaciones 51
Tabla 14. Políticas de mejora
55
6
LISTA DE GRÁFICOS
Pág.
Gráfico 1. Variables y parámetros del estudio 28
Gráfico 2. Análisis total de meses 38
7
LISTA DE ANEXOS
Pág.
Anexo 1. Base de datos 61
Anexo 2. Proyecciones 64
8
RESUMEN
Se aplica a la empresa Transportes Oro S.A.S la técnica matemática
perteneciente a la investigación de operaciones, Data Envelopment Analysis, con
el fin de analizar la eficiencia de las seis agencias con las que cuenta actualmente
en las ciudades de: Bogotá, Cartagena, Dosquebradas, Buga, Medellín y
Buenaventura, para una mayor cobertura al mercado y respaldo a clientes. De
esta manera, lograr que los procesos y asignación de recursos en cada una de las
agencias se hagan de una manera eficiente, apuntando al crecimiento, desarrollo
y competitividad de la compañía.
Palabras Clave
Agencias, Análisis Envolvente de Datos, CCR, Eficiencia, Transportes Oro,
Windows Analysis.
ABSTRACT
Itisappliedtothecompany TransportesOro S.A.S
themathematicaltechnologybelongingtotheinvestigation of operations, It dates
EnvelopmentAnalysis, withthepurpose of analyzingtheefficiency of six agencies
whichitpossessesnowadays in thecities of: Bogota, Cartagena, Dosquebradas,
Buga, Medellin and Buenaventura, for a majorcoveragetothemarket and I endorse
clients. Hereby, toachievethattheprocesses and assignment of resources in each of
the agencies are done in anefficientway, pointing at thegrowth, development and
competitiveness of thecompany.
Keywords
Agencies, CCR, Data EnvelopmentAnalysis, Efficiency, Transportes Oro, Windows
Analysis.
9
INTRODUCCIÓN
“El transporte terrestre de carga es un sector que afecta la estructura de costos de
las demás ramas de la producción. Ganancias en eficiencia en este sector
repercuten positivamente en la eficiencia de la economía como un todo.”1 De
acuerdo con la afirmación y en pro del desarrollo de competitividad logística en la
región, se selecciona la empresa de Transportes Oro S.A.S, para aplicarle la
técnica matemática de la investigación de operaciones, Data Envelopment
Analysis, en las agencias que tiene en la actualidad, y medirles el nivel de
eficiencia que presenta cada una de ellas en el periodo específico de enero a
septiembre de 2013.
Para el desarrollo metodológico de la presente investigación inicialmente se
determinarán las variables y parámetros a tener en cuenta (numeral 5.1), a partir
de estos y las necesidades del estudio, se propondrá un modelo matemático que
permita satisfacerlas, los cuales serán expuestos en el numeral 5.2.
Se utilizará el modelo Windows Analysis para la realización de análisis por
periodos de tiempo específicos y el CCR, con el fin de poder establecer
proyecciones que ayuden a las agencias a aproximarse a la frontera de eficiencia,
además de identificar la participación (ponderadores) de cada una de las variables
en la eficiencia obtenida.
Una vez se generen los resultados, se contará con las herramientas necesarias
para poder establecer un diagnóstico del desempeño actual de las agencias, de
acuerdo con el enfoque que presenta cada modelo, el de Windows Analysis que
será expuesto en el numeral 5.3.1 y el de CCR 5.3.2.
1REPÚBLICA DE COLOMBIA. El transporte terrestre de carga en Colombia. Departamento Nacional de
Planeación, Unidad de Análisis Macroeconómico [en línea]. Consultado: 06 de enero de 2013. Disponible en: https://www.dnp.gov.co/Portals/0/archivos/documentos/DEE/Archivos_Economia/105.pdf
10
Finalmente, con el diagnóstico del estado actual y con el modelo CCR, se darán a
conocer políticas de mejoramiento (numeral 5.4) para que el desempeño de las
agencias de la empresa Transportes Oro S.A.S, sea eficiente y competitivo.
11
1. DESCRIPCIÓN DEL PROBLEMA
Según los indicadores de la competitividad para Colombia, que reporta el Banco
Mundial, en logística el país ocupa el puesto 68, en infraestructura el puesto 85 y
en puertos el 109,lo que implica que se deben desarrollar esfuerzos para impulsar
mejoras en los diferentes componentes que influyen en la competitividad logística.
El transporte, es una de las principales funciones logísticas. Además de
representar la mayor parte de los costos por el mismo concepto en la mayoría de
las organizaciones, tiene un papel fundamental en el desempeño de diversas
dimensiones del Servicio al Cliente2.Para las empresas dedicadas a la prestación
del servicio de transporte, el servicio al cliente es uno de los principales factores
que deben tener para prolongar su presencia en el mercado.
De esta manera, las agencias surgen como lugares de negocio que efectúan toda
o parte de la actividad económica de la empresa, permitiendo que la compañía a
la que representan ponga al alcance de los clientes conocimiento de los servicios
ofrecidos, además de conocer las necesidades del mercado, incrementar ventas,
tener un mayor contacto e interacción con el cliente, entre otras3.
Transportes Oro S.A.S, empresa dedicada a la prestación del servicio de
transporte de carga, desde 1992 y con sede principal en Armenia, al presentar
crecimiento en los clientes y ellos necesitar de sus servicios en diversas zonas
geográficas de Colombia, cuenta actualmente con seis agencias ubicadas de
manera estratégica según el mercado y sus necesidades, haciendo presencia en:
Bogotá, Cartagena, Dosquebradas, Buga, Medellín y Buenaventura.
2COOPEAD UFRJ. El papel del transporte en la estrategia logística [en línea]. Consultado: 09 de diciembre de
2013. Disponible en: http://www.webpicking.com/hojas/coppead.htm 3OOCITIES. Agencias y Sucursales [en línea]. Consultado: 09 de Diciembre de 2013. Disponible en:
http://www.oocities.org/espanol/audiconsystem/sucursal.htm
12
Actualmente en la compañía se tiene un panorama de lo que representa cada una
de las agencias para el crecimiento y desarrollo de ella; pero para generar un
mayor conocimiento y base en la toma de decisiones dónde ellas se vean
involucradas, es necesario analizar con más profundidad cómo ha sido el
comportamiento según los insumos e inversiones para el desarrollo de las
actividades económicas y los beneficios que generan, permitiendo además, el
establecimiento de políticas de mejora con cifras exactas para que los procesos
realizados hagan de éstas agencias eficientes, permitiendo que la perspectiva que
tienen en la actualidad del comportamiento de ellas sea fortalecido y sustentado
en herramientas fiables.
Con la presente investigación, se propone realizar un análisis de eficiencia de las
agencias con las que cuenta en la actualidad la empresa Transportes Oro S.A.S,
mediante la herramienta matemática Data Envelopment Analysis, obteniendo una
visión clara de cómo está siendo la asignación de recursos necesarios para el
funcionamiento de ellas, respecto a los beneficios generados por cada una al
crecimiento y desarrollo de la compañía.
13
2. JUSTIFICACIÓN
Las agencias son la representación de la marca y asistencia de una empresa en
diversas zonas geográficas, proyectando la organización de ventas en territorios
situados a alguna distancia de la oficina central4. De esta manera, representan
para la empresa una extensión de su imagen corporativa, al ser cada una de ellas
en el territorio que se encuentre,la representación de la marca y quiénes las
conforman, una extensión del componente promocional de relaciones públicas,
que logran transmitir los valores de la marca a la que representan a un grupo de
consumidores potenciales5.
En el caso de Transportes Oro S.A.S, las agencias con las que cuenta en la
actualidad están representando más que una marca, los servicios ofrecidos de
transporte de carga terrestre. Siendo el personal de cada una de las agencias
quientiene contacto directo con los clientes de la zona correspondiente,
asumiendo la responsabilidad de generar una buena relación comercial que se
traduzca en nuevos negocios, convertir los clientes potenciales en actuales para la
empresa, y sostener las relaciones con el mercado actual.
Por lo anterior es importante realizar un análisis que permita visualizar el
comportamiento en cuanto a niveles de eficiencia de las agencias con las que
cuenta Transportes Oro, logrando un mayor control de los insumos respecto al
beneficio que representa para la empresa tener presencia en determinada parte
geográfica. Además, del establecimiento de políticas de mejora que conlleve a los
4UNIVERSIDAD ALFONSO REYES. Agencias y Sucursales. Publicado: 15 de julio de 2013. Consultado: 16 de
diciembre de 2013. Disponible en: http://www.uar.edu.mx/ensayo/1512-agencias-y-sucursales.html 5MONTERO, Patricia. La importancia del reconocimiento de marca para liderar el mercado. Microsoft.
Publicado: 30 de junio de 2011. Consultado: 16 de diciembre de 2013. Disponible en: http://www.microsoft.com/business/es-es/Content/Paginas/article.aspx?cbcid=273
14
departamentos correspondientes un mejor manejo de recursos y fortalecimiento
comercial.
15
3. OBJETIVOS
3.1. OBJETIVO GENERAL
Analizar la eficiencia de las agencias de la empresa Transportes Oro S.A.S
aplicando la herramienta matemática Data Envelopment Analysis.
3.2. OBJETIVOS ESPECÍFICOS
Determinar las variables y parámetros del estudio.
Plantear un modelo DEA que permita el análisis de la eficiencia de las
agencias de la empresa Transportes Oro en el periodo enero a septiembre de
2013.
Realizar un diagnóstico a partir de los resultados del modelo.
Diseñar políticas de mejora a partir del diagnóstico realizado.
16
4. MARCO REFERENCIAL
4.1. MARCO TEÓRICO
Aunque los orígenes de la investigación de operaciones se remontan a principios
del siglo pasado, su rápido desarrollo comenzó durante los años de 1940 y 1950.
El auge vino a principios de la Segunda Guerra Mundial cuando los aliados
convocaron a un gran número de especialistas para aplicar la metodología
científica en la definición de la estrategia militar y de las tácticas operacionales. En
los frentes de batalla, los encuentros bélicos demandaban una necesidad urgente
de asignar recursos escasos a las distintas operaciones militares y a las
actividades dentro de cada operación. Tal asignación, se debía hacer en la forma
más rápida y efectiva, sin desatender las prioridades que cada uno de los eventos
exigían.
Al concluir la guerra, el éxito de la investigación de operaciones en las actividades
bélicas generó un gran interés en sus aplicaciones fuera del campo militar. Fue en
la década de los cincuenta que se introdujo el uso de la investigación de
operaciones en la industria, los negocios y el gobierno. Desde entonces, esta
disciplina se ha desarrollado con rapidez. En su desarrollo,se pueden identificar
tres factores que jugaron un papel importante: uno fue el gran adelanto que se
había logrado en el establecimiento de los métodos, modelos y técnicas
disponibles en esta rama de la ciencia. El segundo factor que dio un gran impulso
al desarrollo de este campo, fue el advenimiento de las computadoras. El progreso
de los ordenadores que en un principio y sin falla, tenían la capacidad para realizar
miles de cálculos aritméticos en segundos y de gran ayuda para la investigación
de operaciones. Otro avance, tuvo lugar en la década de 1980 con la innovación
de las computadoras personales que cada vez contaban con mayor capacidad y
velocidad de procesamiento así como memoria y almacenamiento. Además sus
17
precios día a día eran más accesibles dada la mayor oferta del mercado.
Paralelamente, se desarrollaron los lenguajes de programación y surgieron
paquetes de software de propósito especial para su aplicación en la solución de
problemas de interés. El tercer aspecto, fue el desfasamiento de la competitividad
estadounidense con respecto a la de Japón.
En la actualidad, la investigación de operaciones (IO ahora en adelante) ha
diversificado y perfeccionado sus técnicas por lo que tiene una gran gama de
aplicaciones en todos los ramos industriales y en todas las áreas del
conocimiento. A pesar de que las técnicas son variadas, todas ellas presentan
características que les son afines:
La IO se aplica para resolver problemas de decisión que tienen que ver con
la forma de dirigir y coordinar las actividades operacionales de una
organización.
La visión u óptica con la que la IO estudia a la organización es el enfoque
de sistemas, esto es, comprende a la organización como un sistema
holístico hombre – máquina e intenta resolver los conflictos entre su
actuación y su finalidad para lograr la eficiencia.
La interdisciplina, derivada de la utilización del enfoque sistémico, es un
requisito de los equipos (en un sentido más amplio que el de grupo) de IO
deben satisfacer. Por ello, es necesario que los individuos de estos equipos
posean una sólida formación y entrenamiento en diversas áreas del
conocimiento, así como un fuerte sentido de la práctica de los valores de
una cultura de calidad total y liderazgo6.
6POLILIBROS. Orígenes y desarrollo de la investigación de operaciones [en línea]. Consultado: 20 de
diciembre de 2013. Disponible en: http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/SimSist/doc/SIMULACI-N-99.htm
18
Dentro de las técnicas desarrolladas dentro de la investigación de operaciones
para la medición de eficiencia, se tiene el modelo DEA, que proporciona un
indicador de eficiencia mediante el estudio comparado entre los inputs (recursos) y
los outputs (resultados) que se obtienen de cada unidad o programa que se quiera
evaluar. Este tipo de análisis podrá realizarse siempre y cuando los programas
utilicen el mismo tipo de inputs para la obtención del mismo tipo de outputs.
El DEA, basado en el concepto de eficiencia de Pareto, realiza una comparación
transversal de los diferentes inputs y outputs de cada programa con los de todos
los demás. La eficiencia de cada programa se evalúa comparándola con la del
resto de la muestra estudiada, obteniéndose con ello un indicador de eficiencia
relativa. El modelo permite expresar los inputs y los outputs en cualquier unidad de
medida, siempre y cuando mantengan su homogeneidad en todos los programas.
El modelo, utilizando técnicas de programación lineal, traza una frontera de
eficiencia que se construye a partir de los programas más eficientes y que define
el nivel máximo de outputs que se pueden conseguir con los inputs utilizados. Los
programas eficientes son aquellos que se sitúan en la frontera eficiente,
previamente calculada por el modelo.
La información facilitada por el modelo DEA presenta tres componentes:
1) El indicador de eficiencia.
2) Los programas que se toman como punto de referencia.
3) Los coeficientes o ponderaciones, que señalan la importancia de cada
indicador en la determinación de la eficiencia.
Asimismo, el modelo facilita información sobre: a) los niveles
de outputs e inputs que podrían alcanzarse en situación de eficiencia; es decir,
qué nivel de servicios puede ser razonablemente atendido con los recursos
19
disponibles y, por ello, los aspectos de la actividad que podrían ser mejorados; y
b) el nivel de servicios que podría prestarse si se redujeran los recursos
disponibles por restricciones presupuestarias o, por el contrario, los recursos que
serían necesarios para atender un incremento en la demanda de aquellos.
Tres de los modelos que más frecuentemente se asocian a la metodología DEA
son el modelo de Charnes, Cooper y Rhodes, o modelo CCR; el modelo de
Banker, Charnes y Cooper o modelo BCC, y los modelos aditivos. En ellos, se
evaluarán n programas, cada uno de los cuales consume m inputs diferentes para
la obtención s outputs diferentes. Específicamente, la unidad o consume una
cantidad de inputsxio > 0 y produce una cantidad de outputs yro > 07.Otro de los
modelos que desarrolla el Data Envelopment Analysis es el Windows Analysis que
realiza el cálculo de la eficiencia técnica en diferentes periodos de tiempo. Este
modelo, relaciona los inputs y outputs de diferentes unidades a lo largo de
diferentes periodos de tiempo, llamados ventanas. La amplitud de la “ventana”, es
decir, el número de periodos de tiempo que entran en comparación, depende del
tipo de problema y de las combinaciones que se deseen realizar. No hay hasta el
momento, una teoría que sustente la justificación de la elección del tamaño de la
ventana8.Charnes, propuso la técnica con el fin de capturar las variaciones de
eficiencia en el tiempo, Windows Analysis evalúa el rendimiento de una DMU con
el tiempo, tratándola como una entidad distinta en cada periodo. Por ejemplo si
hay n unidades con datos sobre sus entradas y salidas medidas en periodos k,
7 GONZÁLEZ, F.; GARCÍA, T. Medida de la eficiencia técnica de programas de tratamiento con opiáceos:
utilidad del modelo Data Envelopment Analysis (DEA) [en línea]. Publicado: Septiembre de 2012. Consultado: 20 de diciembre de 2013.Disponible en: http://zl.elsevier.es/es/revista/trastornos-adictivos-182/medida-eficiencia-tecnica-programas-tratamiento-opiaceos-utilidad-90157390-originales-2012 8MONTOYA S, Omar; SOTO MEJÍA, José. Estimación de la eficiencia técnica de las economías de los
departamentos cafeteros de Colombia, por el método de programación lineal análisis envolvente de datos (DEA) [en línea].Scientia et Technica Año XVI, No 44, Abril de 2010. Universidad Tecnológica de Pereira. ISSN 0122-1701
20
entonces un total de unidades n k tiene que ser evaluado de forma simultánea
para capturar las variaciones de eficiencia a lo largo del tiempo9.
La técnica matemática Data Envelopment Analysis está basada en la
programación lineal, la cual hace referencia a varias técnicas matemáticas
empleadas para asignar, de forma óptima, los recursos limitados a distintas
demandas, tareas, operaciones o productos que compiten entre ellos, es decir, la
programación de actividades para obtener un resultado óptimo. La programación
lineal utiliza un modelo matemático para describir y formular el problema; y el
aspecto de lineal se refiere a que todas las funciones matemáticas del modelo
deben ser funciones lineales (Ecuaciones o Inecuaciones).Un modelo de PL se
compone de tres elementos básicos:
Variables de decisión, que se trata de determinar.
Función objetivo (meta), que se busca optimizar ya sea maximizar
(beneficios) o minimizar (costos).
Restricciones que se deben satisfacer.10
Para establecer los elementos anteriormente nombrados, se hace uso de los
símbolos que se enumeran a continuación, junto con su interpretación para el
problema general de asignación de recursos a actividades.
Z = valor de la medida global de efectividad
xj= nivel de la actividad j (para j = 1,2,…,n)
cj= incremento en Z obtenido al aumentar una unidad en el nivel de la actividad j.
9HUSSEIN, Ahmed; SHAHOOT, Khalid. Using Data Envelopment Analysis to measure cost efficiency with an
application onIslamic Banks [en línea]. ScientificJournal of Administrative Development, Vol. 4, IAD 2006. Consultado: 05 de enero de 2014. Disponible en: http://www.iad.gov.qa/arabic/images/stories/document/volume4/art62006.pdf 10
CASADO, Wilson K. Investigación de Operaciones I (IND-331) [en línea]. Consultado: 27 de diciembre de 2013. Disponible en: http://investigaciondeoperacionesind331.blogspot.com/
21
bi= cantidad de recurso i disponible para asignar a las actividades (para i=1, 2,…,
m).
aij= cantidad del recurso i consumido por cada unidad de la actividad j.
El modelo establece el problema en términos de tomar decisiones sobre los
niveles de las actividades, por lo que x1, x2,…, xn se llaman variables de decisión.
Los valores de cj ,bi , y aij( para i = 1,2,…, m y j = 1,2,…,n) son las constantes de
entrada al modelo. Las cj ,bi , y aij también se conocen como parámetros del
modelo.
De esta manera, la forma estándar del modelo de programación lineal, consiste en
elegir valores de x1, x2,…, xn para:
Maximizar Z = c1 x1 + c2 x2 + … + cnxn,
Sujeta a las restricciones
a11 x1 + a12 x2 +… + a1nxn<=b1
a21 x1 + a22 x2 +… + a2nxn<=b2
am1 x1 + am2 x2 +… + amnxn<=bm
y
x1>= 0, x2>= 0, …, xn>= 0
En este momento se puede resumir la terminología que se usará en los modelos
de programación lineal. La función que se desea maximizar, c1 x1 + c2 x2 + … +
cnxn, se llama función objetivo. Por lo general, se hace referencia a las limitaciones
como restricciones. Las primera m restricciones (aquellas con una función de
todas las variables ai1 x1 + ai2 x2 +… + ainxn, en el lado izquierdo) a veces reciben el
nombre de restricciones funcionales. De manera parecida, las restricciones xj>= 0
22
se conocen como restricciones de no negatividad (o condiciones de no
negatividad).11
La programación lineal cuenta con diversas aplicaciones tales como:
Planeación de operaciones y ventas para encontrar el programa de
producción que tenga el costo mínimo.
Análisis de la productividad en la producción o servicios, considerar el
grado de eficiencia con el cual los establecimientos de servicios y de
manufactura están utilizando sus recursos en comparación con la unidad
que tiene mayor desempeño.
Planeación de los productos, encontrar la mezcla óptima de productos,
considerando que varios productos requieren diferentes recursos y tienen
distintos costos.
Rutas de los productos se refiere a encontrar el camino óptimo para fabricar
un producto que debe ser procesado en secuencia.
Programación de vehículos (método de transporte), encontrar la ruta óptima
para utilizar los recursos de transporte que involucren el movimiento de
productos o materiales de varios puntos llamados origen hacia otros puntos
llamados destinos.
Control de procesos, minimizar el volumen de desperdicio de material
generado en los procesos de producción, tales como cortes de acero, pieles
o telas.
Control de inventario, encontrar la combinación óptima de productos a
mantener en existencia dentro de una red de almacenes para garantizar el
abastecimiento de las demandas de las líneas de producción.
11HILLIER, Frederick; LIEBERMAN, Gerald. Investigación de Operaciones. Séptima Edición. Mc. Graw Hill.
Pág. 33.
23
Otras aplicaciones que se pueden mencionar están la programación de la
distribución de embarques, los estudios para ubicar una planta entre distintas
alternativas y los programas de manejo de materiales con un costo mínimo12. Las
aplicaciones anteriormente nombradas son unas de las muchas que hasta el
momento se le han asignado, los modelos aplicados al presente proyecto de
medición de eficiencia de las agencias de la empresa Transportes Oro S.A.S en el
periodo de enero a septiembre de 2013, demostrando así otra de las aplicaciones
que se han desarrollado sobre la programación lineal.
4.2. MARCO CONCEPTUAL
Para el desarrollo de un modelo de la herramienta matemática Data Envelopment
Analysis (DEA) es necesario establecer como primera medida tres factores, el
primero las DMU, siendo estas las unidades que serán evaluadas por su nivel de
eficiencia. Las DMU´s deben cumplir con la condición de homogeneidad para
garantizar el buen desarrollo del modelo. Como segundo factor las variables que
son divididas en dos, de entrada y de salida; las primeras también llamadas
inputshacen referencia a los insumos que utilizados por las DMU´s para la
realización de los procesos, y las segunda definen los resultados generados por
los procesos realizados con el consumo de los inputs. Las variables de salida
reciben de igual manera el nombre de outputs. La presente investigación que
tiene como finalidad analizar la eficiencia de las agencias de la empresa
Transportes Oro S.A.S, hará uso de esta herramienta de la investigación de
operaciones. Agencia será entendida como un lugar de negocio que efectúa toda
o parte de la actividad económica de la empresa, permitiendo que la compañía
ponga al alcance de los clientes conocimiento de los servicios ofrecidos, además
de conocer las necesidades del mercado, incrementar ventas, tener un mayor
12
CASADO, Wilson K. Investigación de Operaciones I (IND-331) [en línea]. Consultado: 27 de diciembre de 2013. Disponible en: http://investigaciondeoperacionesind331.blogspot.com/
24
contacto e interacción con el cliente, entre otras13. Al reconocer la importancia de
las funciones que cumplen las agencias para el mercado, se medirá la eficiencia,
siendo ésta considerada como la utilización correcta de los recursos (medios de
producción) disponibles. Puede definirse mediante la ecuación E=P/R, donde P
son los productos resultantes y R los recursos utilizados14.
Para el cálculo de la eficiencia en la técnica DEA, el valor de las variables es
calificado según los ponderadores que le sean asignados por el modelo, siendo
éstos los que más favorecen a las DMU´s en su maximización del nivel de
eficiencia. Así, los ponderadores son definidos como los pesos asignados a las
variables de cada una de las DMU´s con el fin de optimizar la eficiencia de ellas.
Las unidades de observación que tras esta calificación, obtienen nivel de eficiencia
son las que conforman la Frontera de eficiencia. Aquellas unidades de
observación a las cuales le son asignados en todas las variables ponderadores
diferentes de cero yse encuentran en la frontera eficiente, cumplen con el
concepto de DMU´s Pareto eficiente, que es dividido dependiendo de la
orientación que se le dé, ya sean variables de entrada o salida las controlables. Se
generala eficiencia técnica de las entradas cuando para obtener la
misma cantidad de output consume menos de alguno de los inputs (al menos de
uno) y no más de los restantes; y Eficiencia Técnica de las Salidas se entiende
como el obtener una mayor cantidad de output sin consumir mayor cantidad de
ninguno de los inputs o factores productivos15.
13
OOCITIES. Agencias y Sucursales. Consultado: 09 de Diciembre de 2013. Disponible en: http://www.oocities.org/espanol/audiconsystem/sucursal.htm 14
CHIAVENATO, Idalberto. Introducción a la Teoría General de la Administración. Séptima Edición, de, McGraw-Hill Interamericana, 2004, Pág. 52. 15
ECONOMÍA48.COM. Eficiencia técnica. Consultado: 20 de diciembre de 2013. Disponible en: http://www.economia48.com/spa/d/eficiencia-tecnica/eficiencia-tecnica.htm
25
4.3. ESTADO ACTUAL
PhillipKotler y Gary Armstrong en su libro Fundamentos de marketing, definen que
“las empresas de servicios de éxito concentran su atención tanto en sus clientes
como en sus empleados; ellas atienden la cadena de utilidades del servicio, que
vincula las utilidades de una empresa de servicios con la satisfacción de los
empleados y de los clientes”, de allí la importancia de las agencias al ser una
extensión de su imagen corporativa, respaldo de garantía a los clientes y por tanto
apoyo para las ventas de la compañía.
Hoy en día, se han desarrollado estrategias haciendo uso de los avances de la
tecnología, para mejorar el servicio, surgiendo las agencias virtuales, como
producto orientado a las agencias prestadoras del servicio de viajes, pensado en
facilitar los procesos de consulta y venta de los mismos. De esta manera, se
hallan artículos como “7 preguntas para medir la eficiencia de las agencias de
marketing online”, publicado en enero de 2011, donde Armin Rott (director
de Online Marketing Rockstars) propone en el portal Internet World Business, siete
preguntas específicas para medir la eficiencia de las agencias de marketing online.
En cuanto a agencias físicas, se encuentra poca información sobre estudios
realizados con el enfoque de analizar sus niveles de eficiencia, los pocos
registrados en la búsqueda son dirigidos a agencias pertenecientes a un sector en
particular, el bancario. El objetivo final de las investigaciones de esta naturaleza,
es tratar de mejorar su posición competitiva en el segmento del negocio en el que
se ubican de tal forma que se muestran especialmente interesadas en comparar
sus indicadores de gestión con los obtenidos por sus competidores, detectando
con ello aquellas áreas o elementos que muestran debilidades y que en
consecuencia, pueden ser mejorados. Dentro de ellas se encuentran las
siguientes investigaciones “Reestructuración bancaria: menos oficinas, más
eficiencia”, desarrollado por P.Mateache, M. GarcíaR., Ahmad Rahnema, Jorge
26
Soley S. en el año 2012; “Análisis de rentabilidad de una oficina bancaria” por Luis
Bermejo y Pedro Fernández; reporte especial “Eficiencia en los Bancos Andinos,
Todo un Reto Estratégico para la Sostenibilidad Financiera” por FitchRatings.
En sectores diferentes al bancario, no se registraron análisis de eficiencia a
agencias, por lo que de las investigaciones encontradas serán analizadas las
variables que fueron tomadas en cuenta y el desarrollo metodológico que se le da
a las investigaciones, y así contar con alguna base en estos aspectos.
27
5. METODOLOGÍA
Los objetivos específicos planteados para el presente estudio son quienes
determinan el desarrollo de la metodología de la presente investigación que tiene
como finalidad analizar la eficiencia de las agencias de la empresa Transportes
Oro S.A.S aplicando la herramienta matemática Data Envelopment Analysis,
además, degenerar según lo observado políticas de mejora, el periodo
seleccionado para el estudio ha sido de enero a septiembre del año 2013.
Como primera medida se determinan las variables y parámetros sobre los cuales
se desarrollará el modelo matemático y posteriormente el análisis, debido a la
herramienta matemática que se utilizará (DEA), éstas serán de dos tipos, de
entrada y de salida, ellas junto con las DMU, o sea las agencias en los diferentes
meses evaluados, serán el punto de partida para el planteamiento del modelo
DEA, que serán dos diferentes, uno Windows Analysis, que permite realizar un
análisis por periodos de tiempo específicos y el CCR-O que muestra los
ponderadores asignados a cada una de las variables seleccionadas, de tal manera
que sean los que más beneficien el nivel de eficiencia de cada DMU.
Además, el modelo CCR, arroja proyecciones en cifras exactas, que mostrarán los
cambios necesarios que realicen las agencias que aparecen como ineficientes,
para que lleguen a la frontera de eficiencia, y con base en los resultados arrojados
por el modelo, se realizará un diagnóstico, que permitirá el análisis de la eficiencia
de las agencias de la empresa Transportes Oro en los meses de enero a
septiembre de 2013.
28
5.1. VARIABLES Y PARÁMETROS DEL ESTUDIO
Iniciando por la selección de las variables y parámetros que se tendrán en cuenta
para la medición de la eficiencia de las agencias, la herramienta matemática Data
Envelopment Analysis (DEA), divide las variables en dos tipos, variables de
entrada (inputs) y de salida (outputs), y como DMU´s definidas las seis agencias
con las que cuenta en la actualidad Transportes Oro S.A.S en cada uno de los
meses comprendidos en el periodo de enero a septiembre de 2013.
Como variables de entrada han sido tomadas seis, la primera, “gastos
operacionales de administración” que corresponde a los egresos generados por
concepto de personal, honorarios, impuestos, arrendamientos, leasign,
contribuciones y afiliaciones, seguros, servicios, legales, mantenimiento y
reparaciones, adecuación e instalaciones, gastos de viaje, amortizaciones y
diversos, como lo describe el Plan Único de Cuentas (PUC). La segunda, está
desagregada de la anterior variable, con el fin de ofrecer un análisis particular del
valor pagado a Servicol S.A., empresa encargada de la contratación del personal y
quien asume toda la responsabilidad laboral, social y económica de ellos; “gastos
operacionales de ventas” hace referencia a los valores que se puedan generar en
la consecución de fletes, tales como, comisiones. La cuarta variable denominada
“gastos no operacionales”, hace referencia a los valores relacionados con el
desarrollo de la actividad económica por conceptos como mano obra y
mantenimiento, fletes, cargues y descargues, y los servicios complementarios de
transporte. “comisiones”, será dado en valores de pesos colombianos, y hace
referencia al valor otorgado a los directores de oficina/agencia sobre la utilidad
que generan en el mes. Finalmente “gastos indirectos”, está dado por los valores
de revisoría fiscal, póliza de mercancía y gastos financieros.
Por otro lado, como variables de salida se toman el número de despachos y la
utilidad neta que se genera desde cada agencia para el desarrollo de la empresa
29
en general, en la primera variable se toman los despachos realizados tanto en
vehículos propios como en terceros. En la variable de salida “utilidad neta”, se
registraron en la base de datos valores negativos, teniendo en cuenta que para el
desarrollo de la técnica DEA, no se aceptan valores de este tipo, se realiza una
conversión de datos con el fin de que todos queden positivos, así es como se
toma 15.000.000 como el cero para esta variable; para efectos de análisis de
proyecciones y demás, éste valor fue tomado en su escala normal. Las variables y
parámetros de estudio ya especificadas, son relacionadas en el gráfico 1, que se
presenta a continuación:
Gráfico 1. Variables y parámetros del estudio.
Fuente: Los autores.
5.2. MODELO DATA ENVELOPMENT ANALYSIS
5.2.1. Modelo CCR-O
En el modelo CCR – O para cada DMU se desarrolla el valor de su razón de
eficiencia relativa, la cual se define como el cociente de la suma ponderada de los
outputs entre la suma ponderada de los inputs, con la condición de que el valor
Inputs
•Gastos operacionales de admon.
•Servicol
•Gastos operacionales de ventas
•Gastos no operacionales
•Comisiones
•Gastos indirectos
DMU´s
•Agencias de la empresa Transportes Oro S.A.S en cada uno de los meses comprendidos en el periodo de enero a septiembre de 2013.
Outputs
•Número de despachos
•Utilidad neta
30
máximo asignable al resto de DMU´s sea igual o menor que uno. A continuación,
se muestra los diferentes componentes del modelo matemático que se desarrolla:
Subíndices
Tabla 1. Subíndices modelo CCR-O
Subíndice Variación
DMU j j: 1, 2, 3, …, n
DMUjo (DMU observada) Jo
Entrada i i: 1, 2, 3, …, m
Salida r r: 1, 2, 3, …, s
Fuente: Los autores.
Parámetros
Tabla 2. Parámetros modelo CCR-O
Parámetro Significado
ijX
Cantidad de la entrada i utilizada en la DMU j.
rjY
Cantidad de la salida r que produce la DMU j.
Fuente: Los autores.
31
Variables de decisión
Tabla 3. Variables de decisión modelo CCR-O
Variables Significado Unidades
ijV
Ponderador de la entrada i utilizada en la DMU j. Fracción
rjU
Ponderador de la salida r que produce la DMU j. Fracción
Fuente: Los autores.
Función Objetivo: Maximizar la eficiencia
Restricciones
1. Fijar denominador de la ecuación de eficiencia
Sumatoria de las entradas de la DMU observada multiplicadas por su
respectivo ponderador (Entradas virtuales)
s
r
rjorjoYUZMAX1
_Sumatoria de las salidas de la DMU
observada multiplicadas por su respectivo ponderador
(Salidas virtuales)
11
m
i
ijoijo XV
32
2. Eficiencia de las DMU´s
3. No negatividad
Para ejemplificar el modelo expuesto, se selecciona la DMU de la agencia de
Buga en el mes de enero, siendo el siguiente planteamiento el desarrollado para
hallar su nivel de eficiencia.
Función objetivo:
Restricciones:
Restricción de variables de entrada:
Agencia de Buga en enero:
j011
m
i
ijijo
s
r
rjrjo XVYU
La eficiencia de cada DMU, calculada con los
ponderadores de la DMU observada debe
ser menor o igual a 1
Para toda
DMU
0, rjoijo UV
33
Agencia de Cartagena en enero:
Agencia de Buenaventura en enero:
Agencia de Dosquebradas en enero:
.
.
. Agencia de Medellín – Septiembre:
No negatividad:
Así como se ejemplificó el desarrollo del modelo para la DMU seleccionada, se
realiza para las 54 DMU´s que conforman el presente proyecto. El análisis del
modelo CCR dirigida a las salidas (CCR-O), da ponderaciones que representan
los valores obtenidos a cada input y output que proporcionan el mayor índice de
eficiencia posible a cada DMU y que cumplen con la restricción de que ésta
combinación de ponderaciones al aplicarlas al resto de unidades genera un índice
de eficiencia comprendido entre cero y uno16. Éste indica que, si la eficiencia
16
GIRALDO T., Néstor. Evaluación de los grupos de investigación según los indicadores de eficiencia de Colciencias versus su evaluación según el análisis envolvente de datos. Universidad Tecnológica de Pereira.
34
hallada es menor que 1, la unidad evaluada no es eficiente en relación al
conjunto de unidades observadas; si la función objetivo es igual a uno, no hay
evidencia de que la unidad evaluada sea ineficiente, pero aún no se puede
concluir que la unidad evaluada sea totalmente eficiente.
5.2.2. Modelo Windows Analysis
El modelo windows analysis, relaciona los inputs y outputs de diferentes unidades
a lo largo de diferentes periodos de tiempo. La amplitud de la “ventana”, es decir,
el número de periodos de tiempo que entran en comparación depende del tipo de
problemas y de las combinaciones que desee realizar el analista, y por tanto el
numero de ventanas está por determinar (aplicado al presente proyecto, nueve
ventanas, debido a los nueve meses seleccionados).
Windows analysis desarrolla el mismo modelo matemático que realiza el CCR
(numeral 5.2.1), pero se diferencia de este, en la selección de grupos de
referencia desiguales que intervienen en cada una de las "ventanas", de forma
que se obtienen diversos valores del score de eficiencia para cada uno de los
periodos, ya que depende de la comparación de los diferentes periodos del
análisis.
Es así como para la ventana uno, se desarrollan modelos DEA para cada una de
las DMU, tomando como grupo de referencia el resto de DMU´s presentes en un
solo periodo. En el tabla 4, se puede evidenciar el proceso para la DMU1, donde
ésta es mostrada subrayada con “x” color y el grupo de referencia rodeado con
doble línea del mismo color.
Consultado: 10 de noviembre de 2013. Disponible en: http://repositorio.utp.edu.co/dspace/bitstream/11059/377/1/00140901G516.pdf
35
Tabla 4. Desarrollo de window 1
Periodo 1 Periodo 2 Periodo 3 Periodo … Periodo x
DMU1 DMU1 DMU1 DMU1 DMU1
DMU2 DMU2 DMU2 DMU2 DMU2
DMU3 DMU3 DMU3 DMU3 DMU3
: : : : :
DMUj DMUj DMUj DMUj DMUj
: : : : :
DMUn DMUn DMUn DMUn DMUn
Fuente: Los autores
Así mismo, es realizado en cada de las ventanas ampliando el grupo de referencia
al no ser solamente un periodo el sombreado en doble línea, sino según el número
de ventana. Retomando el ejemplo de la tabla 4, para la ventana número dos, y el
nivel de eficiencia del periodo uno de la DMU1 será el grupo de referencia los
presentados en el periodo uno y dos, para el nivel de la misma DMU en el periodo
dos, el grupo de referencia lo conformaría periodo dos y tres, y así sucesivamente
para esta y el resto de DMU´s, este proceso se ejemplifica en la tabla 5.
Tabla 5. Ejemplificación ventana 2.
Periodo 1
Periodo 2
Periodo
2 Periodo
3
Periodo 3
Periodo …
Periodo
… Periodo
x
DMU1 DMU1 DMU1 DMU1 DMU1 DMU1 DMU1 DMU1
DMU2 DMU2 DMU2 DMU2 DMU2 DMU2 DMU2 DMU2
DMU3 DMU3 DMU3 DMU3 DMU3 DMU3 DMU3 DMU3
: : : : : : : :
DMUj DMUj DMUj DMUj DMUj DMUj DMUj DMUj
: : : : : : : :
DMUn DMUn DMUn DMUn DMUn DMUn DMUn DMUn
Fuente: Los autores
36
Eligiendo la DMU de la agencia de Buga, para mostrar el proceso ya especificado
en la tabla 1 con una de las DMU que fue tomada en cuenta para el desarrollo del
presente proyecto, en los tres primeros meses del periodo de tiempo evaluado y el
último de ellos, se presenta en la tabla 6. En la tabla 7, se hace referencia al
proceso ya explicado mediante la ejemplificación de la tabla 5, se toma como
referencia la misma unidad de negocio de la agencia de Buga en los mismos
periodos de tiempo.
Tabla 6. Agencia de Buga en W1.
ene-13 feb-13 mar-13 … sep-13
Buga Buga Buga Buga Buga
Cartagena Cartagena Cartagena Cartagena Cartagena
Buenaventura Buenaventura Buenaventura Buenaventura Buenaventura
Dosquebradas Dosquebradas Dosquebradas Dosquebradas Dosquebradas
Bogotá Bogotá Bogotá Bogotá Bogotá
Medellín Medellín Medellín Medellín Medellín
Fuente: Los autores
Tabla 7.Agencia de Buga en W2
ene-13 feb-13 feb-13 mar-13 mar-13 … … sep-13
Buga Buga Buga Buga Buga Buga Buga Buga
Cartagena Cartagena Cartagena Cartagena Cartagena Cartagena Cartagena Cartagena
Buenaventura Buenaventura Buenaventura Buenaventura Buenaventura Buenaventura Buenaventura Buenaventura
Dosquebradas Dosquebradas Dosquebradas Dosquebradas Dosquebradas Dosquebradas Dosquebradas Dosquebradas
Bogotá Bogotá Bogotá Bogotá Bogotá Bogotá Bogotá Bogotá
Medellín Medellín Medellín Medellín Medellín Medellín Medellín Medellín
Fuente: Los autores
37
5.3. DIAGNÓSTICO DE LA SITUACIÓN ACTUAL
5.3.1. Análisis del modelo Windows Analysis
El modelo Windows Analysis permite realizar un estudio del comportamiento de
las agencias a través del periodo evaluado mediante ventanas arrojadas una vez
se ejecuta el modelo. Así se logrará una visión más amplia de las agencias de la
empresa Transportes Oro S.A.S, en el periodo de enero a septiembre de 2013,
según las variables establecidas en el numeral 5.1. Los resultados arrojados por el
modelo, permite un análisis por filas o columnas. Al observarlo por filas, remite a
un análisis del comportamiento de cada DMU a través de las unidades de tiempo
establecidas, para este caso meses; según sus columnas, se refleja la eficiencia
de cada unidad de tiempo y el comportamiento de la diferentes DMU´s a través de
él.
En el análisis del presente proyecto se tomarán diversas ventanas de tiempo,
obteniendo así una visión del total de periodo de tiempo evaluado (nueve meses),
otra por mes, del semestre de enero a junio, y el trimestre generado de julio a
septiembre.
En el análisis global de los nueve meses comprendidos en el estudio y expuesto
en la tabla 1. Se evidencia a la agencia de Dosquebradas la de mayor promedio
de nivel de eficiencia con un 93,60%, siendo eficiente en cinco de los meses
evaluados, de los cuales tres son consecutivos (enero, febrero y marzo) siguiendo
la eficiencia en junio y julio, el mes que para esta agencia representó el nivel más
bajo fue agosto. Seguido a esta agencia, en mayor nivel promedio de eficiencia se
encuentra la de Medellín con 93,28%, debido a que en los últimos cinco meses del
periodo evaluado es eficiente, después de pasar por abril que representó para
esta el nivel de eficiencia más bajo. Las agencias de Buenaventura y Bogotá son
las de nivel promedio de eficiencia más bajo con 51,07% y 62,46%,
38
respectivamente; la agencia de Buenaventura es eficiente en tan sólo el mes de
septiembre, pero por niveles de ineficiencia como los meses marzo, abril, junio y
agosto cuya eficiencia no supera el 37% hacen que se posicione como la agencia
con niveles de eficiencia más bajos. Por su parte, la agencia de Bogotá no alcanza
la eficiencia en ninguno de los meses evaluados, siendo el mayor presentado en el
mes de septiembre con un 93,92% y el menor en el mes de marzo con 37,56%.
Las agencias de Buga y Cartagena se ubican en un nivel medio con niveles
promedio de eficiencia de 73,54% y 66,34%, respectivamente, ambas fueron
eficientes en sólo uno de los meses evaluados.
Tabla 8.Window 9
ENE. FEB. MAR. ABR. MAY. JUN. JUL. AGO. SEPT. Promedio
BUGA 0,533 0,894 0,654 0,658 1,000 0,715 0,708 0,559 0,899 0,735
CARTAGENA 0,823 0,882 0,695 0,344 0,734 0,322 0,560 0,610 1,000 0,663
BUENAVENTURA 0,608 0,425 0,336 0,325 0,508 0,351 0,675 0,368 1,000 0,511
DOSQUEBRADAS 1,000 1,000 1,000 0,813 0,933 1,000 1,000 0,811 0,867 0,936
BOGOTÁ 0,713 0,400 0,376 0,498 0,515 0,412 0,892 0,877 0,939 0,625
MEDELLÍN 0,913 0,872 0,909 0,701 1,000 1,000 1,000 1,000 1,000 0,933
Promedio 0,765 0,746 0,662 0,557 0,782 0,633 0,806 0,704 0,951 Fuente: Los autores
En cuanto a un análisis por meses de la tabla 8, septiembre muestra un 95,08%
de eficiencia, siendo el de mayor nivel promedio de eficiencia, en este periodo de
tiempo tres de las agencias son eficientes (Cartagena, Buenaventura y Medellín),
seguido por julio y mayo con niveles promedio de 80,59% y 78,16%, cada una de
ellas con dos DMU´s eficientes. Dentro de los meses con menor nivel de
eficiencia, se encuentran abril, junio y marzo con niveles de 55,66%, 63,33% y
66,15%, respectivamente; abril que presenta el nivel más bajo es el único mes en
el que ninguna agencia fue eficiente. Enero, febrero y agosto son los meses
ubicados en un nivel de eficiencia promedio, presentando eficiencias de 76,51%,
74,55% y 70,40%.
39
Gráfico2. Análisis total de meses
Fuente: Los autores
En la gráfica 2, se analiza que de enero a abril se presentó un ciclo de decremento
continuo, iniciando con un nivel de eficiencia de 76,5% y terminando en 55,7%,
habiendo de esta manera una disminución de 20,8% en sólo cuatro meses, en el
mes de mayo se recupera con un nivel de 78,2% e iniciando una serie de altibajos,
cayendo de esta manera, nuevamente en el mes de junio a 63,3% y elevándose
nuevamente a su segundo pico más alto en el periodo de tiempo evaluado con un
80,6%, en agosto vuelve a caer con un 70,4% para recuperarse finalmente en el
mes de septiembre y generando el máximo nivel promedio de eficiencia entre los
meses de 95,1%. Volviendo a mostrar al mes de abril como el mes de menor nivel
de eficiencia y septiembre como el de mayor nivel de la eficiencia.
Al analizar el comportamiento de las agencias dentro de los nueve meses
evaluados, se pasa analiza el comportamiento de ellas con respecto al nivel
presentando en cada mes, desarrollándose un modelo DEA por cada uno de los
meses que comprende el periodo seleccionado. Según la tabla 9, donde se
exponen los niveles de eficiencia correspondientes, las agencias de
Dosquebradas y Medellín aparecen como eficientes en el promedio total de los
0,765 0,746 0,662
0,557
0,782
0,633
0,806 0,704
0,951
0,000
0,200
0,400
0,600
0,800
1,000
NIVELES DE EFICIENCIA - MESES TOTALES
40
periodos, siendo mes tras mes eficiente respecto al comportamiento presentado
en cada uno de ellos, mostrando además consistencia en su desempeño, y
guardando relación con el análisis de los nueve periodos dónde estas dos
aparecían con los valores más altos de niveles de eficiencia.
La agencia de Buenaventura aparece con el promedio total de nivel más bajo
(66,05%), siendo eficiente en tan sólo el mes de septiembre. En los meses de
enero, febrero, mayo, julio y agosto el nivel de eficiencia más bajo respecto al
resto de agencias en estos meses específicos. Las tres agencias restantes son
igualmente ineficientes pero con promedios más altos que la agencia de
Buenaventura, así, el siguiente en nivel de eficiencia más bajo se encuentra la
agencia de Bogotá con 82,31%, se muestra como eficiente en cuatro de los nueve
meses estudiados, siendo ellos, enero, mayo, julio y septiembre, siendo el mes
con un nivel más bajo febrero con 54,07%. La agencia de Cartagena presenta un
nivel promedio de eficiencia de 89,61%, siendo eficiente en cinco meses de los
cuales tres son consecutivos de enero a marzo, pero de allí cae a abril con el nivel
mínimo presentado de 61,37%, volviendo a ser eficiente en mayo, los siguientes
tres ineficientes y recuperándose en septiembre siendo eficiente nuevamente.
Finalmente, la agencia de Buga dentro de las ineficientes la de mayor promedio de
eficiencia, con un 90,11%, es eficiente en 4 de los meses evaluados de los cuales
tres son consecutivos de abril a junio y el otro es febrero; el que significó para esta
agencia un menor valor de eficiencia fue enero con un 77,22%.
Analizando la tabla9 por cada uno de los meses, septiembre aparece nuevamente
con el promedio de eficiencia de las DMU´s en él más alto, con un 98,59%, tan
sólo la agencia de Buga no alcanza a eficiencia en este mes; seguido por el mes
de mayo con 93,79%, en el cual también cinco de las agencias son eficientes,
menos Buenaventura con un nivel de 62,74%; el tercer mes con mayor nivel
promedio de eficiencia es enero con 92,22%, alcanzando en él cuatro DMU´s la
41
eficiencia, las agencias de Buga y Buenaventura fueron ineficientes con niveles de
77,22% y 76,10%, respectivamente.
Los tres meses con menor nivel promedio de eficiencia son junio, marzo y febrero,
con 79,71%, 83,24% y 84,28%, respectivamente. En junio las agencias de Buga,
Dosquebradas y Medellín alcanzan a ser eficientes, pero las restantes presentan
niveles de eficiencia muy bajos siendo el mayor entre ellos 64,71%. Marzo
muestra como DMU´s eficientes las agencias de Dosquebradas y Medellín que
fueron eficientes en todos los meses y además Cartagena; mientras la agencia de
Bogotá es la DMU más afectada en éste mes con un nivel de 57,19%, y las
restantes Buenaventura y Buga presentan niveles de 61,92% y 80,30%.
Finalmente entre los tres meses con menor nivel de eficiencia, febrero con nivel
promedio de 84,28%, tiene cuatro agencias como eficientes, presentando las
ineficientes valores bajos de 51,61% y 54,07%, correspondientes a Buenaventura
y Bogotá, respectivamente.
Tabla 9.Window 1
ENE. FEB. MAR. ABR. MAY. JUN. JUL. AGO. SEPT. Promedio
BUGA 0,7722 1 0,8030 1 1 1 0,820 0,799 0,915 0,9011
CARTAGENA 1 1 1 0,6138 1 0,6471 0,8517 0,9524 1 0,8961
BUENAVENTURA 0,7610 0,5161 0,6192 0,6245 0,6274 0,5747 0,7301 0,4918 1 0,6605
DOSQUEBRADAS 1 1 1 1 1 1 1 1 1 1
BOGOTÁ 1 0,5407 0,5719 0,8579 1 0,5609 1 0,8766 1 0,8231
MEDELLÍN 1 1 1 1 1 1 1 1 1 1
Promedio 0,9222 0,8428 0,8324 0,8494 0,9379 0,7971 0,9003 0,8534 0,9859 Fuente: Los autores
Los tres meses restantes por analizar de la tabla 9, se encuentran en un nivel
medio, abril con un nivel promedio de 84,94% y tres DMU´s eficientes; julio
presenta el mismo número de agencias eficientes que el mes abril, pero su nivel
promedio es más alto, siendo este 90,03% y agosto con 85,34% de promedio y
42
presenta entre todos los meses el menor número de agencias eficientes, siendo
éstas las dos que en todos los meses fueron eficientes.
Finalmente, se muestra en la tabla 10, los resultados de niveles de eficiencia de
las agencias de Transportes Oro al ser evaluados entre cada uno de los tres
trimestres que se presentan en el periodo de tiempo seleccionado. Logrando
determinar de esta manera cuál de los tres representa el mayor nivel de eficiencia
y cuál el menor con el fin de poder enfocar las políticas de mejora en este espacio
de tiempo.
Tabla 10.Windows Analysis trimestral
PRIMER TRIMESTRE SEGUNDO TRIMESTRE TERCER TRIMESTRE
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sept.
BUGA 0,7722 0,9845 0,6882 0,8327 1 1 0,7520 0,6253 0,9139
CARTAGENA 0,9637 1 0,9000 0,4836 1 0,4732 0,5838 0,6100 1
BUENAVENTURA 0,7610 0,4464 0,5012 0,4494 0,6274 0,4933 0,7201 0,3881 1
DOSQUEBRADAS 1 1 1 0,9199 1 1 1 0,8580 0,9483
BOGOTÁ 1 0,4507 0,4702 0,6232 0,5967 0,4804 0,8924 0,8766 0,9393
MEDELLÍN 1 1 1 0,9592 1 1 1 1 1
Promedio 0,9162 0,8136 0,7600 0,7113 0,8707 0,7411 0,8247 0,7264 0,9669
Promedio Trimestral 0,8299 0,7744 0,8393
Fuente: Los autores
Según los datos mostrados en la tabla 10, el tercer trimestre del año 2013 es el
que representa en el periodo evaluado el mayor nivel de eficiencia con 83,93%,
dentro de él, el mes de septiembre al igual que en los análisis anteriormente
hechos por diferentes periodos de tiempo, es el que representa el nivel de
eficiencia más alto con un 96,69%, es seguido por julio con 82,47% y agosto con
72,64%. Medellín es la única agencia que logra ser eficiente a lo largo del
trimestre. El primer trimestre conformado por enero, febrero y marzo es el que
sigue en cuanto a promedio de nivel de eficiencia más alto con 82,99%, dentro de
él, enero es el de mayor nivel de eficiencia con 91,62%, febrero con 81,36% y
marzo con 76%, Medellín y Dosquebradas logran ser eficientes en estos tres
43
meses. De otro lado, el segundo trimestre es el que representa el menor nivel de
eficiencia con el 77,44%, mayo representa en él, un nivel de eficiencia de 87,07%,
siendo el mejor, seguido por junio (74,11%) y abril el menor nivel con 71,13%.
Con el fin de brindar una visibilidad mayor del comportamiento de cada una de las
agencias se realiza la tabla 11, donde se expone el comportamiento de cada DMU
en el total del periodo seleccionado a evaluar, mes a mes y trimestral.
Tabla 11. Resumen Windows Analysis
AGENCIA PERIODO OBSERVACIÓN
BU
GA
Periodo completo
En promedio de los meses evaluados es ineficiente con 73,54%, alcanza la eficiencia solamente en el mes de mayo, en el resto presenta diversos niveles de eficiencia, siendo el más bajo para esta agencia enero, con un nivel de 53,30%.
Mes a mes
Respecto a cada uno de los meses es eficiente en cuatro de los nueve evaluados, siendo estos febrero, abril, mayo y junio. El resto de meses son ineficientes, siendo el más bajo de ellos enero con un 77,22%. El promedio total de eficiencia en este análisis de eficiencia por mes es 90,11%
Trimestral
El segundo trimestre del periodo evaluado representa el mejor comportamiento para él, logrando ser en dos de los meses eficiente (mayo y junio), en los otros dos trimestres no alcanza la eficiencia en ninguno de los meses.
CA
RT
AG
EN
A
Periodo completo
En promedio total de los meses evaluados es ineficiente con 66,34%, alcanza la eficiencia solamente en el mes de septiembre, en el resto presenta diversos niveles de eficiencia, siendo el más bajo para esta agencia julio, con un nivel de 32,52%, este representa el nivel de eficiencia más bajo en todo el análisis del periodo completo realizado.
44
Tabla 11. (Continuación)
AGENCIA PERIODO OBSERVACIÓN C
AR
TA
GE
NA
Mes a mes
Respecto a cada uno de los meses es eficiente en cinco del periodo de tiempo evaluado, abril representa el nivel más bajo de eficiencia presentado por esta agencia, con un nivel de 61,37%. El promedio total de eficiencia en este análisis por mes es 89,61%.
Trimestral
Es eficiente en uno de los meses de cada trimestre, el primero representa para esta agencia el que mejor niveles de eficiencia presenta, el segundo trimestre por el contrario, es el trimestre con los valores más bajos de eficiencia a excepción del mes de mayo que es eficiente.
BU
EN
AV
EN
TU
RA
Periodo completo
Con un promedio total de niveles de eficiencia de 51,07%, es la más ineficiente de todas las agencias. Alcanza la eficiencia en el mes de septiembre, siendo éste para él el mejor mes, y el peor es abril con un nivel de 32,52%.
Mes a mes
En el análisis realizado por cada uno de los meses, resulta eficiente en septiembre, el resto de meses presenta niveles entre el rango de 49,17% a 76,10%. Su promedio del comportamiento respecto a cada uno de los meses lo ubica como la agencia con nivel de eficiencia más bajo con 66,05%.
Trimestral
Tan sólo en el mes de septiembre, comprendido en el tercer trimestre es eficiente, en los otros dos trimestres no cuenta con mes eficiente, siendo el segundo trimestre el que representa los niveles más bajos de eficiencia para esta agencia.
DO
SQ
UE
BR
AD
AS
Periodo completo
Con un 93,60% es la agencia con el nivel de eficiencia promedio más alto. De los nueve meses evaluados alcanza la eficiencia en cinco, siendo tres de ellos consecutivos (enero a marzo) y junio y julio. Por el contrario el mes que representó el menor nivel de eficiencia fue abril con un 81,33%.
45
Tabla 11. (Continuación)
AGENCIA PERIODO OBSERVACIÓN D
OS
QU
EB
RA
DA
S
Mes a mes
Respecto a los niveles de eficiencia presentados en cada uno de los meses es eficiente en cada uno de ellos.
Trimestral
Durante el primer trimestre es eficiente, de allí, comienza a decaer su comportamiento, siendo en el segundo trimestre dos meses eficiente, y en el tercero tan sólo el mes de julio con eficiencia.
BO
GO
TÁ
Periodo completo
Con un promedio total de niveles de eficiencia de 62,46%, se cataloga después de Buenaventura como la segunda agencia con el nivel de eficiencia más bajo. Es ineficiente en todos los meses evaluados, el menor nivel de eficiencia lo presenta marzo con 37,56% y el más alto septiembre con 93,92%.
Mes a mes
Respecto al análisis realizado por cada uno de los meses, alcanza un nivel de eficiencia promedio de 82,31%, se cataloga después de Buenaventura como la segunda agencia con el nivel de eficiencia más bajo. Es eficiente en 4 meses, sin ser consecutivos (enero, mayo, julio y septiembre), el mes con el menor nivel de eficiencia fue febrero con 54,07%.
Trimestral
Sólo en el mes de enero, correspondiente al primer trimestre es eficiente, sin embargo este trimestre no es el mejor para esta agencia, el tercer trimestre representa un comportamiento menos variable en los niveles de eficiencia y más altos, estos son: 89,24%, 87,66% y 93,93%.
46
Tabla 11. (Continuación)
AGENCIA PERIODO OBSERVACIÓN M
ED
EL
LÍN
Periodo completo
Con un nivel promedio de los niveles de eficiencia presentados, a través del periodo evaluado, 93,28%, es la segunda agencia con mayor nivel de eficiencia, siendo ineficiente en los cuatros primeros meses del periodo de tiempo evaluado, y en los restantes manejó una eficiencia constante. Abril, con 70,08% fue el mes que más bajo nivel de eficiencia que representó para esta agencia.
Mes a mes
Respecto a los niveles de eficiencia presentados en cada uno de los meses es eficiente en cada uno de ellos.
Trimestral
Esta agencia al ser analizada por trimestres, es totalmente eficiente en dos de ellos. Tan sólo en el segundo trimestre, específicamente en el mes de abril deja de ser eficiente con un nivel de 95,92%.
Fuente: Los autores.
5.3.2. Análisis modelo CCR-O
La aplicación de este modelo específico de la herramienta matemática Data
Envelopment Analysis, permite la realización de proyecciones con cambios de
valores sobre las variables, que conllevan a la eficiencia de las DMU´s, Además,
mostrar los pesos asignados para cada variable que inciden en el comportamiento
de las agencias de la empresa Transportes Oro S.A.S.
El modelo CCR-O permite identificar 13DMU´s eficientes, de las cuales las
agencias de Dosquebradas y Medellín fueron las que generaron el mayor número
de meses eficientes, cada uno se hace presente con cinco periodos eficientes,
47
siendo para Dosquebradas: enero, febrero, marzo, junio y julio, y para Medellín de
mayo a septiembre. Buga, Cartagena y Buenaventura se hacen presentes con un
solo mes eficiente, Buga en mayo y los dos restantes en septiembre. La agencia
de Bogotá es la única que no aparece con ninguno de sus meses dentro del grupo
de DMU´s eficientes.
Tomando como referencia el grupo anterior que denota las agencias que fueron
eficientes en determinado mes, se evidencia que Buenaventura en septiembre
logra ser eficiente, pero con 6 variables que tomaron como ponderador cero, lo
que indica que cinco de las seis inputs y una de las dos outputs fue necesario
omitirlas, ya que no favorecían y le impedirían figurar a esta DMU como eficiente,
como variable de entrada sólo fueron tomados los gastos operacionales de
administración y de salida número de despachos. La agencia de Dosquebradas
que aparece eficiente en el mes de enero, Medellín en junio, agosto y septiembre,
y Cartagena en septiembre, aparecen cada una de ellas con cinco variables
ponderadas en cero, siendo el común en ellas comisiones y gastos operacionales
de ventas. Las agencias de Buga y Medellín que fueron eficientes en el mes de
mayo, son las que menos variables ponderadas en cero presentan, es decir,
fueron las eficiencias encontradas con base en un mayor número de datos
tomados en cuenta. Las DMU´s restantes del grupo de eficientes obtuvieron un
total de cuatro variables con ponderador cero.
Dentro del mismo grupo de DMU´s eficientes, se muestra a la variable de entrada
“comisiones” como la que más castigó con ponderadores DEA, recibe un valor de
cero en las trece unidades de observación eficientes; y la variable de salida
“número de despachos” es la que más beneficia al grupo de eficientes, recibiendo
un ponderador diferente de cero en todas ellas.
Pasando a un análisis de ponderadores que incluye todas las DMU´s (eficientes e
ineficientes), se obtiene que dentro de las variables de entrada comisiones sigue
48
siendo la que más castiga a las unidades de observación al momento de calificar
su eficiencia, tan sólo recibe ponderador diferente de cero en dos de las 54 DMU´s
consideradas; esta variable es seguida por gastos operacionales de ventas donde
como ponderador fue asignado cero en 38 unidades de observación, adquiriendo
un valor diferente en las 16 restantes. De allí gastos indirectos,gastos no
operacionales y gastos operacionales de administración, siguen con 35, 34 y 29
DMU´s calificadas en cero, respectivamente. La variable de entrada
correspondiente a Servicol S.A., es la que más favorece dentro de este grupo al
momento de calificar la eficiencia de las agencias en el periodo de tiempo
establecido, toma ponderadores de cero para 16 de lasDMU´s. En cuanto a las
variables de salida que son dos, números de despachos y utilidad neta, la primera
es la que más favorece en todo el estudio a las DMU´s, castigando a diez de
ellas, dentro de las cuales no se encuentra ninguna que se haya presentado como
eficiente; por su parte utilidad neta, castiga con ponderador de cero a 20 unidades
de observación dentro de las cuales se encuentran nueve que figuran como
eficientes.
Al totalizar los ponderadores asignados a cada una de las variables, el output
“utilidad neta”, se cataloga como la de peso más bajo con 8,41E-07, mostrando de
que a pesar de que tuvo más DMU´s calificadas con ponderadores diferente de
cero que otras variables, estos pesos no fueron muy altos. De esta, siguen las
variables de entrada comisiones y gastos operacionales de ventas, que fueron las
dos que más castigaron unidades de observación con ponderadores de cero,
obteniendo pesos totalizados de 1,07E-06 y 1,73E-06, respectivamente. Gastos
operacionales de administración, Servicol S.A. y gastos indirectos, recibieron
pesos totalizados de 4,44E-06, 9,92E-06 y 8,35E-06, gastos operacionales a
pesar de tener un mayor número de variables calificadas diferente de cero que
gastos indirectos tiene un peso totalizado menor, lo que indica que los
ponderadores otorgados a las DMU´s en esta variable fueron relativamente bajos.
Gastos no operacionales se cataloga como la segunda variable con el mayor peso
49
totalizado con 1,75E-04, y la variable de salida “número de despachos” que se
había determinado como la que menos ponderadores diferente a cero había
otorgado a las DMU´s, se cataloga también como la de mayor peso con 2,14E-01.
Con el fin de mostrar el análisis realizado al peso de cada una de las variables
seleccionadas para el estudio, se realiza la tabla 12 donde es condensada la
información.
Tabla 12. Resumen análisis ponderadores.
VARIABLE OBSERVACIÓN
(I)Gastos operacionales de
administración
De las variables de entrada es la segunda variable que menos castiga con ponderadores de cero a DMU´s, aun así presenta un peso totalizado de 4,44 E-06. En el grupo de las 13 unidades de observación eficientes se les es asignado a seis de ellas un peso de cero en esta variable
(I)Servicol S.A.
Dentro de las variables de entrada, es en la que menos unidades de observación (16) son castigadas con valor de cero, así obtiene un peso total de 9,92E-06, sin ser éste el más alto.
(I)Gastos operacionales de
ventas
Con un peso totalizado de 1,73E-06 es la segunda de las variables de entrada con el peso más bajo y en el conjunto total de variables la tercera. De igual forma es la segunda variable que más castiga con ponderadores de cero, recibiendo tan sólo 16 variables de las 54 pesos diferentes de cero. Dentro del grupo de eficientes es en la segunda variable que más castiga.
(I)Costos operacionales
Es la segunda variable con el mayor peso totalizado, obteniendo 1,75E-04, castiga a 34 variables con ponderadores de cero. Con menos DMU´s con calificaciones diferentes de cero en ella que otras recibe el segundo peso más alto, porque se deduce que a las que se les calificó con ponderador diferente de cero fue un valor significativo dentro de la referencia del estudio.
50
Tabla 12. (Continuación)
VARIABLE OBSERVACIÓN
(I) Comisiones
Con un peso totalizado de 1,07E-06 y 52 de las 54 DMU´s castigadas con ponderadores de cero, es la variable más crítica que se identifica dentro del estudio. Además se observa que dentro del grupo de las unidades de observación eficientes, ninguna de ellas recibe ponderador diferente de cero en esta variable.
(I) Gastos Indirectos
Registra un peso totalizado de 8,35E-06 y castiga con ponderadores de cero a 35 DMU´s.
(O)Número de despachos
Con 2,14E-01 es la variable que mayor peso totalizado presenta, castiga a 10 DMU´s con ponderadores de cero (el menor número). Todas las DMU´s marcadas como eficientes reciben ponderadores diferente de cero en esta variable específica.
(O)Utilidad neta
Recibe el peso totalizado más bajo de todas las variables con 8,41E-07, y es la tercera variable que menos castiga DMU´s con ponderadores de cero, permitiendo concluir que al no beneficiar mucho los niveles de eficiencia, a quienes tienen peso diferente de cero en ella es un valor muy bajo.
Fuente: Los autores.
Además de conocer los ponderadores asignados a las variables y el peso total de
cada una de ellas para analizar la influencia en las calificaciones, también se
revisará la correlación que se presenta entre las variables seleccionadas, estos
resultados son expuestos en la tabla 13.
51
Tabla 13. Correlaciones
GASTOS OPERAC DE ADMON.
SERVICOL SA
GASTOS OPERAC DE VENTAS
GASTOS NO OPERACIONALES COMISIONES
GASTOS INDIRECTOS
Nros DESPACHOS
UTILIDAD NETA
GASTOS OPERAC DE ADMON. 1 0,8668 -0,1140 0,2022 0,0366 0,6509 0,6969 0,2734
SERVICOL SA 0,8668 1 0,0933 0,0491 0,1500 0,6438 0,8488 0,4095 GASTOS OPERAC DE VENTAS -0,1140 0,0933 1 -0,0702 0,4213 0,1186 0,0384 0,2124 GASTOS NO OPERACIONALES 0,2022 0,04912 -0,0702 1 0,4651 0,2854 -0,2407 0,1668
COMISIONES 0,0366 0,14996 0,4213 0,4651 1 0,3880 -0,1510 0,6050 GASTOS INDIRECTOS 0,6509 0,64379 0,1186 0,2854 0,3880 1 0,5429 0,6151 Nros DESPACHOS 0,6969 0,84877 0,0384 -0,2407 -0,1510 0,5429 1 0,3430
UTILIDAD NETA 0,2734 0,40948 0,2124 0,1668 0,6050 0,6151 0,3430 1
Fuente: Los autores.
Como se evidencia en la tabla número 13 se muestra ados DMU´s que
representan correlaciones significativas, una de ellas es la presentada entre
“gastos operacionales de administración” y “Servicol S.A” con un valor de 0,8668,
demostrando la relación directamente proporcional que presentan éstas dos
variables, otra correlación con este mismo comportamiento se genera entre
“Servicol S.A” y “número de despachos” con un valor de 0,8488. Estas dos
correlaciones significativas son resaltadas en sus celdas con color amarillo, el
resto de las variables presentan niveles de correlación débiles.
5.4. POLÍTICAS DE MEJORAMIENTO
Además de las observaciones realizadas en el numeral 5.3, que están basadas en
el modelo CCR dirigido a las salidas, es permitido mediante este modelo,
establecer políticas de mejoramiento con variaciones exactas que deben
realizarse, debido a que fue dirigido a las salidas, como primera medida realiza los
cambios sobre las variables de esta naturaleza seleccionadas para el estudio[A1].
52
Cuando estas variaciones no son suficientes para que la DMU llegue a la frontera
de eficiencia, el modelo puede afectar las de entrada para que lleguen a la
eficiencia.
Para la realización de las proyecciones del presente estudio, serán tenidas en
cuenta las arrojadas por el modelo para cada una de las agencias en el último mes
analizado, septiembre de 2013, y adjuntas como anexo 2, así se exponen los
siguientes cambios como posibles mejoras a realizar en cada una de las agencias,
en busca de una mayor eficiencia en procesos.
La agencia de Buga con un nivel de eficiencia en el último mes del periodo
evaluado de 89,85%, debe aumentar los despachos realizados un 11,29%,
pasando así de hacer 200 a 223; la utilidad generada debe ser aumentada en el
mismo porcentaje que los despachos y pasar de $16.944.663 a $20.550.263
generando una diferencia de $3.605.600. Aún con estos cambios realizados la
agencia no alcanzaría la eficiencia, por lo que tres de sus variables de entrada se
ven afectadas, generando una disminución en los gastos no operacionales de
$2.740.417 y habiendo un cambio del -83,20%, quedando ellos en un valor de
$553.345; las comisiones también se ven afectadas al tener el cambio más grande
al requerir una disminución del -90,33%, pasando de $699.982 a $67.676;
finalmente los gastos indirectos que se encuentran en $5.289.103 deben pasar a
$1.906.224. Los últimos cambios expuestos en los gastos y costos de la agencia
de Buga son muy grandes, por lo cual se evidencia que ellos no están siendo
proporcionales a los resultados arrojados por ella, se recomienda realizar una
revisión y análisis de gastos y costos que está requiriendo para el cumplimiento de
las funciones, principalmente en los tres que fueron expuestos como necesarios
en la realización de cambios.
La agencia de Cartagena para éste último mes de septiembre evaluado se
muestra como eficiente aparentemente, por lo que el modelo no arroja cambios en
53
las variables de esta agencia, sin embargo al analizar los ponderadores dados a
esta DMU, se evidencia que a cinco de los seis inputs le fueron otorgados
ponderadores de cero, la única variable de entrada tenida en cuenta para su nivel
de eficiencia fue la de Servicol S.A. Lo que permite establecer que debido a la
naturaleza de variables de entrada, los gastos operacionales de administración,
gastos operacionales de ventas, gastos no operacionales, comisiones y gastos
indirectos, deben ser disminuidos, para este caso no se dan cifras de disminución
exactas ya que al ser estas variables con ponderador de cero para la agencia de
Cartagena, no se incluyen en las proyecciones realizadas por el modelo.
La agencia de Buenaventura, se determina como eficiente para el mes de
septiembre, por lo que el modelo asume que no se debe generar cambios en su
comportamiento, al ya estar esta DMU en la frontera de eficiencia; pero al hacer
una revisión de los ponderadores otorgados a ella, se determina que tan sólo la
variable de entrada “gastos operacionales de administración”, tuvo un ponderador
diferente de cero, y en las de salida “número de despachos”, quedando de esta
manera las variables Servicol S.A, gastos operacionales de venta, gastos no
operacionales, comisiones y gastos indirectos con ponderadores de cero y sin
proyecciones realizadas, pero que debido a la naturaleza de las variables de
entrada se establece que éstas deben ser disminuidas, y “utilidad neta” con
ponderador también de cero, al ser variable de salida debe ser aumentada.
La agencia de Dosquebradas se presenta como la de nivel de eficiencia más bajo
en el mes de septiembre, por lo que para ser llevada a la frontera de eficiencia
debe implementar estrategias que le permitan aumentar los despachos realizados
de 627 a 723, un aumento de 15,33%. La variable de salida “utilidad neta” es la
que representa el cambio más grande que debe generar la agencia (101,32%),
pasado de $16.427.919 a $48.270.642. Además de estos cambios es necesario
que se afecte dos de sus variables de entrada, así, Servicol S.A debe generar un
cambio de -15,01%, pasando de $11.988.668 a $10.189.211, habiendo una
54
diferencia de -$1.799.457; y los gastos no operacionales deben disminuir en -
$82.109, pasando de $1.625.000 a $1.542.891, con una diferencia del -5,05%. Los
cambios propuestos en las variables de entrada están determinando que los
insumos que requiere esta agencia, no está siendo paralelo a los resultados que
genera para la compañía, en términos de las variables de salida seleccionadas,
requiriendo además que se genere una revisión en los insumos utilizados por ella,
debido a que en la variable de comisiones, además de las de entrada
anteriormente nombradas toma como ponderador cero.
La agencia de Bogotá, con un nivel de eficiencia de 93,92%, para llegar a la
frontera de eficiencia debe generar 12 despachos más, pasando de 189 a 201; la
utilidad neta es la que representa un mayor porcentaje de cambio100,46%,
pasando de su cifra actual de $4.307.264 a $23.703.059. Tres de sus variables de
entrada se evidencian también con necesidad de cambios, los gastos
operacionales de administración deben ser disminuidos en -28,96%, cambiando la
cifra actual de $11.265.076 a $8.002.913, y logrando una disminución de $-
3.262.163; en gastos operacionales de venta se determina que es necesaria una
disminución del -100%, es decir los $8.030.000 deben ser disminuidos en su
totalidad, y los gastos indirectos pasar de $4.460.979 a $1.907.574, logrando una
disminución de $2.553.404. Las anteriores cifras muestran que para la utilidad
generada las operaciones de esta empresa, los insumos que está consumiendo
son altos, por cual se debe generar una revisión, control y manejo de ellos.
La agencia de Medellín, no muestra cambios específicos en las variables, debido a
que figura como eficiente. Sin embargo esta eficiencia no fue calculada teniendo
en cuenta todas las variables asignadas para el estudio, los inputs: gastos
operacionales de administración, Servicol S.A., gastos operacionales de ventas y
comisiones, tuvieron ponderadores de cero, al ser las que menos favorecía a la
agencia en el momento de determinar su eficiencia. Por lo cual, es recomendable
revisar los valores de estas variables cómo están siendo respecto a los resultados
55
generados y finalmente poder minimizarlos. La variable de salida “utilidad neta”,
tuvo de igual forma ponderador de cero, por lo que debe ser aumentada la cifra
presentada en la actualidad.
Las políticas de mejoramiento que fueron desarrolladas teniendo en cuenta las
proyecciones del mes de septiembre por el modelo CCR-O, permite cambios
específicos para tres de las seis agencias evaluadas, debido a que en este
periodo Cartagena, Buenaventura y Medellín al figurar con nivel de eficiencia
técnica 100% no se arrojan cifras exactas de cambio, estando para estas agencias
las políticas de mejoramiento basadas en las variables ponderadas con cero. Así
se resumen las políticas de mejora caracterizadas para el grupo DMU´s con
niveles de ineficiencia y para los que cuentan con eficiencia técnica del 100%, en
la tabla 14.
Tabla 14. Políticas de mejora
VARIABLE INEFICIENTES NIVEL DE EFICIENCIA TÉCNICA 100%
GASTOS OPERAC DE ADMON. 1 2
SERVICOL SA 1 2
GASTOS OPERAC DE VENTAS 1 3
GASTOS NO OPERACIONALES 2 2
COMISIONES 2 3
GASTOS INDIRECTOS 2 2
Nro. DESPACHOS 3 0
UTILIDAD NETA 3 2
Fuente: Los autores.
Se determina la variable de entrada “comisiones” como en la que más se generan
observaciones dentro de las políticas de mejora, con el fin de llevar los niveles de
eficiencia actuales a la frontera de eficiencia.
56
6. CONCLUSIONES
La agencia de Dosquebradas en los diversos análisis por periodos de tiempo
realizados por el modelo Windows Analysis, aparece como eficiente o la agencia
con el mayor nivel de eficiencia respecto al resto de agencia con las que cuenta
Transportes Oro en la actualidad. Para esta agencia este comportamiento baja de
nivel en el mes de septiembre, sobre el que se realiza las proyecciones de
políticas de mejora por lo que se referencian algunos cambios necesarios para
que los niveles altos de eficiencia sean constantes. Situación similar se genera
con la agencia de Medellín, que representa los niveles más altos de eficiencia
después de Dosquebradas pero baja este comportamiento en septiembre.
El caso contrario a las dos agencias anteriores lo viven las agencias de
Buenaventura y Bogotá, la primera presenta los niveles de menor eficiencia en los
análisis realizados y Bogotá le sigue, siendo septiembre el mes que representa el
mayor nivel de eficiencia presentado en el periodo evaluado.
En la revisión de la conveniencia de las variables seleccionadas para las agencias
de la empresa Transportes Oro S.A.S, se define la variable de salida “utilidad
neta”, como la que menos beneficia la calificación de la eficiencia de las DMU´s
con un peso de 8,41E-07, después de ella se encuentran las variables de entrada
comisiones y gastos operacionales de ventas, con pesos totalizados de 1,07E-06 y
1,73E-06, respectivamente, siendo éstas sobre las que se deben generar cambios,
con el fin de mejorar el aporte de ellas a la competitividad y mejor desarrollo
actividades de las agencias, reflejadas directamente en la de la compañía en
general. Gastos operacionales de administración, Servicol S.A. y gastos indirectos,
recibieron pesos totalizados de 4,44E-06, 9,92E-06 y 8,35E-06. Gastos no
operacionales se cataloga como la segunda variable con el mayor peso totalizado
con 1,75E-04, y la variable de salida “número de despachos” que se había
57
determinado como la que menos ponderadores diferente a cero había otorgado a
las DMU´s, se cataloga también como la de mayor peso con 2,14E-01.
En términos de meses, septiembre es el que representa el mayor nivel de
eficiencia entre los comprendido sen el periodo evaluado, y el de menor abril, lo
que representa que en él hubo agencias con un nivel de eficiencia baja,
conduciendo a la conclusión de abril como un mes crítico en el cual se debe
mejorar el valor de la utilidad neta, ya que esta variable a la que se le asigna
menos peso en las agencias en dicho mes, es decir, la que más les afecta la
eficiencia.
Los modelos Window Analysis y CCR-O permitieron realizar un análisis desde
diferentes aspectos, como desde ponderadores y lapsos específicos de tiempo,
ofreciendo a la empresa Transportes Oro S.A.S, políticas de mejora basadas en
un histórico del comportamiento de las agencias, y que con la implementación de
los cambios y las cifras propuestas generarán un aumento en los niveles de
eficiencia de cada una de las agencias, y por tanto crecimiento de la empresa.
Además, la identificación de factores a tener en cuenta para el cumplimiento de
este objetivo.
Para la toma de decisiones fundamentada y justificable con tema de agencias de
la empresa, se recomienda realizar con cierta periodicidad un análisis como el
presente con cifras actualizadas, para que el crecimiento y cambio positivo en los
procesos de la empresa sean una constante.
58
7. BIBLIOGRAFÍA
ANALÍTICOS ECONÓMICOS DE ANDALUZA. Análisis Eficiente DEA[en línea].
Consultado: 05 de enero de 2014. Disponible en:
http://www.economiaandaluza.es/servicio/analisis-eficiencia-dea#
CASADO, Wilson K. Investigación de Operaciones I (IND-331) [en línea].
Consultado: 27 de diciembre de 2013. Disponible en:
http://investigaciondeoperacionesind331.blogspot.com/
COOPEAD UFRJ. El papel del transporte en la estrategia logística [en línea].
Consultado: 09 de diciembre de 2013. Disponible en:
http://www.webpicking.com/hojas/coppead.htm
GALIANA, José. Cadena de suministro vs logística[en línea]. Consultado: 28 de
noviembre de 2013. Disponible en: http://www.cadenadesuministro.es/opinion-
2/cadena-de-suministro-vs-logistica/
GONZÁLEZ, F.; GARCÍA, T. Medida de la eficiencia técnica de programas de
tratamiento con opiáceos: utilidad del modelo Data Envelopment
Analysis (DEA)[en línea]. Publicado: Septiembre de 2012. Consultado: 20 de
diciembre de 2013.Disponible en: http://zl.elsevier.es/es/revista/trastornos-
adictivos-182/medida-eficiencia-tecnica-programas-tratamiento-opiaceos-utilidad-
90157390-originales-2012
HILLIER F.S., LIEBERMAN G. J., Introducción a la Investigación de Operaciones,
Mc Graw Hill, Quinta Edición.
59
HUSSEIN, Ahmed; SHAHOOT, Khalid. Using Data
EnvelopmentAnalysistomeasurecostefficiencywithanapplicationonIslamic Banks[en
línea]. ScientificJournal of AdministrativeDevelopment, Vol. 4, IAD 2006.
Consultado: 05 de enero de 2014. Disponible en:
http://www.iad.gov.qa/arabic/images/stories/document/volume4/art62006.pdf
KOTLER, Philllip; ARMSTRONG, Gary. Fundamentos de marketing. México.
Pearson, 2003, 307 p.
INSTITUTO COLOMBIANO DE NORMAS TÉCNICAS Y CERTIFICACIÓN.
Compendio, tesis y otros trabajos de grado. Quinta Actualización. Bogotá.
ICONTEC, 2002.
MARKETING DIRECTO. 7 preguntas para medir la eficiencia de las agencias de
marketing online[en línea]. Publicado: 12 de enero de 2012. Consultado: 25 de
diciembre de 2013. Disponible en:
http://www.marketingdirecto.com/actualidad/checklists/7-preguntas-para-medir-la-
eficiencia-de-las-agencias-de-marketing-online/
MONTERO, Patricia. La importancia del reconocimiento de marca para liderar el
mercado[en línea]. Microsoft. Publicado: 30 de junio de 2011. Consultado: 16 de
diciembre de 2013. Disponible en: http://www.microsoft.com/business/es-
es/Content/Paginas/article.aspx?cbcid=273
OOCITIES. Agencias y Sucursales[en línea]. Consultado: 09 de Diciembre de
2013. Disponible en: http://www.oocities.org/espanol/audiconsystem/sucursal.htm
POLILIBROS. Orígenes y desarrollo de la investigación de operaciones[en línea].
Consultado: 20 de diciembre de 2013. Disponible en:
60
http://www.sites.upiicsa.ipn.mx/polilibros/portal/Polilibros/P_terminados/SimSist/do
c/SIMULACI-N-99.htm
REPÚBLICA DE COLOMBIA, Ministerio de Transporte. Operación del transporte
de carga por carretera en Colombia. Bogotá, 2001. Consultado: 23 de diciembre
de 2013.
REPÚBLICA DE COLOMBIA. Nueva Evidencia sobre la Eficiencia de la Banca
Colombiana: Una medición con modelos de frontera no-paramétricos [en línea].
Departamento Nacional de Planeación, Dirección de estudios económicos.
Publicado: 18 de marzo de 2013. Consultado: 23 de Diciembre de 2013.
Disponible
en:https://www.dnp.gov.co/LinkClick.aspx?fileticket=s1ZDDEAc5Uk%3D&tabid=16
64
SOTO MEJÍA, José Adalberto y, ARENAS VALENCIA, Wilson. Análisis
Envolvente de Datos. Primera Edición. Pereira. Postergraph S.A., Enero de 2010.
UNIVERSIDAD ALFONSO REYES. Agencias y Sucursales[en línea]. Publicado:
15 de julio de 2013. Consultado: 16 de diciembre de 2013. Disponible en:
http://www.uar.edu.mx/ensayo/1512-agencias-y-sucursales.html
URRUTIA WALTHER, Williams. La importancia del transporte en la logística.
Universidad Tecnológica de Chile[en línea]. Publicado: agosto de 2011.
Consultado: 29 de noviembre de 2013. Disponible:
http://www.emb.cl/negociosglobales/articulo.mvc?xid=259&edi=11&xit=la-
importancia-del-transporte-en-la-logistica
61
ANEXOS
Anexo 1. Base de datos
BUGA (I)GASTOS
OPERAC DE ADMON.
(I)SERVICOL SA
(I)GASTOS OPERAC
DE VENTAS
(I)GASTOS NO OPERACIONALES
(I)COMISIONES (I)GASTOS
INDIRECTOS (O)Nros
DESPACHOS (O)UTILIDAD
NETA
ENE 5.749.133 3.840.575 688.889 1.748.892 240.646 2.636.829 119 1.615.911
FEB 6.449.826 4.154.613 211.111 588.000 161.789 5.217.656 237 9.990.076
MAR 7.509.147 4.269.609 405.334 1.088.597 191.236 3.971.162 198 4.181.969
ABR 7.253.959 4.519.017 222.222 2.052.000 121.880 6.266.401 195 5.569.958
MAY 7.295.548 4.156.409 511.111 204.000 728.674 7.539.584 230 13.643.224
JUN 7.417.177 5.059.486 888.889 587.000 705.726 1.919.941 199 13.525.487
JUL 6.918.125 4.944.435 577.777 899.762 352.129 3.973.309 208 6.506.548
AGO 6.703.394 4.339.844 488.889 783.000 161.636 3.375.474 151 3.068.637
SEPT 6.048.500 4.167.500 255.556 3.293.762 699.982 5.289.103 200 16.944.663
CARTAGENA (I)GASTOS
OPERAC DE ADMON.
(I)SERVICOL SA
(I)GASTOS OPERAC
DE VENTAS
(I)GASTOS NO OPERACIONALES
(I)COMISIONES (I)GASTOS
INDIRECTOS (O)Nros
DESPACHOS (O)UTILIDAD
NETA
ENE 7.238.829 3.605.526 0 5.744.370 1.272.838 6.782.951 56 21.690.309
FEB 8.709.114 5.249.307 0 596.762 1.043.158 6.095.422 54 32.564.891
MAR 8.555.566 4.971.661 0 514.000 951.316 4.901.165 39 19.864.953
ABR 15.672.269 4.930.927 0 3.213.000 562.951 4.601.187 30 4.931.593
MAY 7.509.875 4.366.367 0 10.430.762 1.209.806 8.639.961 73 23.080.096
JUN 10.600.664 5.201.098 0 4.405.962 510.805 6.246.752 46 5.679.017
JUL 7.086.780 4.973.844 0 409.000 558.612 2.720.393 35 10.078.715
AGO 8.463.983 4.679.496 0 6.614.762 806.617 6.628.162 64 19.353.977
SEPT 12.450.656 4.071.322 0 9.550.000 1.327.063 8.026.292 70 42.288.509
62
Anexo 1. (Continuación)
BUENAVENTURA (I)GASTOS
OPERAC DE ADMON.
(I)SERVICOL SA
(I)GASTOS OPERAC DE
VENTAS
(I)GASTOS NO OPERACIONALES
(I)COMISIONES (I)GASTOS
INDIRECTOS (O)Nros
DESPACHOS (O)UTILIDAD
NETA
ENE 12.191.243 6.401.717 0 9.794.567 1.227.346 5.897.076 198 25.714.335
FEB 13.047.945 6.681.207 4.316.000 8.255.502 560.718 8.703.519 202 4.421.143
MAR 13.960.044 6.837.940 0 5.958.859 1.160.818 2.906.814 137 -6.413.735
ABR 12.804.977 6.459.659 0 4.779.286 520.632 4.949.395 148 -945.251
MAY 12.881.810 5.997.414 800.000 2.040.286 1.665.553 8.647.549 206 7.796.460
JUN 14.078.563 8.086.808 0 11.815.619 1.264.374 5.111.329 188 4.962.615
JUL 13.208.839 7.968.742 1.800.000 8.608.858 3.031.292 10.985.774 287 38.892.958
AGO 13.934.800 8.899.249 0 4.549.000 1.239.988 4.364.620 184 12.510.592
SEPT 1.949.417 7.620.399 11.221.000 0 2.971.544 5.920.162 302 34.334.956
DOSQUEBRADAS (I)GASTOS
OPERAC DE ADMON.
(I)SERVICOL SA
(I)GASTOS OPERAC DE
VENTAS
(I)GASTOS NO OPERACIONALES
(I)COMISIONES (I)GASTOS
INDIRECTOS (O)Nros
DESPACHOS (O)UTILIDAD
NETA
ENE 13.129.362 7.113.047 0 1.200.360 0 6.042.650 585 19.544.370
FEB 17.600.120 9.877.561 0 253.000 0 7.849.280 674 17.001.838
MAR 14.959.515 9.729.059 0 120.000 0 8.263.200 651 22.115.082
ABR 24.853.849 10.952.885 0 673.000 0 11.702.866 639 13.372.454
MAY 15.112.441 9.334.258 0 271.000 0 9.683.530 592 20.061.393
JUN 17.072.549 10.917.651 0 134.000 0 3.910.566 593 16.554.005
JUL 16.420.276 10.691.031 0 50.000 0 8.365.687 654 23.524.492
AGO 16.328.125 11.358.423 0 557.000 0 6.902.261 544 8.286.051
SEPT 17.265.722 11.988.668 0 1.625.000 0 6.496.678 627 16.427.919
63
Anexo 1. (Continuación)
BOGOTÁ (I)GASTOS
OPERAC DE ADMON.
(I)SERVICOL SA
(I)GASTOS OPERAC DE
VENTAS
(I)GASTOS NO OPERACIONALES
(I)COMISIONES (I)GASTOS
INDIRECTOS (O)Nros
DESPACHOS (O)UTILIDAD
NETA
ENE 8.099.626 3.674.058 0 5.054.855 0 727.189 94 -13.075.252
FEB 8.205.497 3.777.851 0 6.178.429 0 2.937.663 117 -6.720.149
MAR 11.226.688 5.164.383 0 6.018.734 0 3.358.808 139 -5.085.447
ABR 6.987.637 4.043.092 0 7.447.346 0 4.981.086 152 -4.612.564
MAY 10.013.820 5.276.074 0 1.975.000 0 2.754.164 176 -4.930.589
JUN 8.416.287 5.054.896 0 680.000 0 8.067.463 154 -11.313.158
JUL 10.308.815 4.277.875 0 0 0 1.812.452 153 -4.888.437
AGO 6.809.302 3.814.201 0 0 0 2.046.276 134 -2.190.285
SEPT 11.265.076 5.020.888 8.030.000 0 0 4.460.979 189 4.307.264
MEDELLÍN (I)GASTOS
OPERAC DE ADMON.
(I)SERVICOL SA
(I)GASTOS OPERAC DE
VENTAS
(I) GASTOS NO OPERACIONALES
(I)COMISIONES (I)GASTOS
INDIRECTOS (O)Nros
DESPACHOS (O)UTILIDAD
NETA
ENE 2.942.018 2.034.699 0 700.300 0 2.074.738 79 4.620.459
FEB 2.596.419 1.723.228 0 368.000 0 1.820.774 54 1.937.531
MAR 2.640.855 1.584.356 0 693.050 0 1.735.686 51 1.730.126
ABR 2.986.883 1.990.317 0 735.000 0 1.806.296 71 -1.892.572
MAY 2.527.970 1.827.877 0 0 0 1.017.917 47 37.545
JUN 3.299.744 2.025.368 0 0 0 364.675 45 -2.555.705
JUL 3.078.740 1.981.897 0 374.000 0 1.737.385 88 8.025.860
AGO 2.943.177 1.846.498 0 0 0 701.536 74 -766.438
SEPT 2.399.193 1.659.491 0 204.000 0 479.895 87 -1.003.366
64
Anexo 2. Proyecciones
DMU Score DMU Score
I/O Data Projection Difference % I/O Data Projection Difference %
SEPTIEMBRE BUGA 0,8986 SEPTIEMBRE CARTAGENA 1
GASTOS OPERAC DE ADMON. 6048500 6048500 0 0,00% GASTOS OPERAC DE ADMON. 12450656 12450656 0 0,00%
SERVICOL SA 4167500 4167500 0 0,00% SERVICOL SA 4071322 4071322 0 0,00%
GASTOS OPERAC DE VENTAS 255556 255556 0 0,00% GASTOS OPERAC DE VENTAS 0 0 0 0,00%
COSTOS OPERACIONALES 3293762 553345,311 -2740416,69 -83,20% COSTOS OPERACIONALES 9550000 9550000 0 0,00%
COMISIONES 699982,25 67676,32216 -632305,928 -90,33% COMISIONES 1327062,88 1327062,88 0 0,00%
GASTOS INDIRECTOS 5289103,246 1906223,646 -3382879,6 -63,96% GASTOS INDIRECTOS 8026291,86 8026291,86 0 0,00%
Nros DESPACHOS 200 222,5740342 22,57403419 11,29% Nros DESPACHOS 70 70 0 0,00%
UTILIDAD NETA 31944663,16 35550262,76 3605599,592 11,29% UTILIDAD NETA 57288509,3 57288509,3 0 0,00%
DMU Score DMU Score
I/O Data Projection Difference % I/O Data Projection Difference %
SEPTIEMBRE BUENAVENTURA 1 SEPTIEMBRE DOSQUEBRADAS 0,8671
GASTOS OPERAC DE ADMON. 1949416,667 1949416,667 0 0,00% GASTOS OPERAC DE ADMON. 17265722 17265722 0 0,00%
SERVICOL SA 7620399 7620399 0 0,00% SERVICOL SA 11988668 10189210,8 -1799457 -15,01%
GASTOS OPERAC DE VENTAS 11221000 11221000 0 0,00% GASTOS OPERAC DE VENTAS 0 0 0 0,00%
COSTOS OPERACIONALES 0 0 0 0,00% COSTOS OPERACIONALES 1625000 1542890,82 -82109,2 -5,05%
COMISIONES 2971544,44 2971544,44 0 0,00% COMISIONES 0 0 0 0,00%
GASTOS INDIRECTOS 5920162,415 5920162,415 0 0,00% GASTOS INDIRECTOS 6496677,91 6496677,91 0 0,00%
Nros DESPACHOS 302 302 0 0,00% Nros DESPACHOS 627 723,093172 96,09317 15,33%
UTILIDAD NETA 49334956,48 49334956,48 0 0,00% UTILIDAD NETA 31427919,1 63270642,2 31842723 101,32%
65
Anexo 2. (Continuación)
DMU Score DMU Score
I/O Data Projection Difference % I/O Data Projection Difference %
SEPTIEMBRE BOGOTA 0,9393 SEPTIEMBRE MEDELLIN 1
GASTOS OPERAC DE ADMON. 11265076 8002912,584 -3262163,42 -28,96% GASTOS OPERAC DE ADMON. 2399193 2399193 0 0,00%
SERVICOL SA 5020888 5020888 0 0,00% SERVICOL SA 1659491 1659491 0 0,00%
GASTOS OPERAC DE VENTAS 8030000 -2,79E-09 -8030000 -100,00% GASTOS OPERAC DE VENTAS 0 0 0 0,00%
COSTOS OPERACIONALES 0 0 0 0,00% COSTOS OPERACIONALES 204000 204000 0 0,00%
COMISIONES 0 0 0 0,00% COMISIONES 0 0 0 0,00%
GASTOS INDIRECTOS 4460978,642 1907574,002 -2553404,64 -57,24% GASTOS INDIRECTOS 479894,816 479894,816 0 0,00%
Nros DESPACHOS 189 201,2164172 12,21641724 6,46% Nros DESPACHOS 87 87 0 0,00%
UTILIDAD NETA 19307263,9 38703058,57 19395794,67 100,46% UTILIDAD NETA 13996633,6 13996633,6 0 0,00%