PROPUESTA PARA EL MANEJO DE INVENTARIO DE PRODUCTO TERMINADO EN LA EMPRESA GIRARTEX S.A.S.
Jorge Andrés Pérez Osorio
Esteban Rodas Gómez
Trabajo de grado para optar al título de Ingeniería Industrial
Guillermo Giraldo Arcila
UNIVERSIDAD EIA
Girartex S.A.S INGENIERÍA INDUSTRIAL
ENVIGADO 2018
2
3
AGRADECIMIENTOS
Le agradecemos a la empresa Girartex S.A.S. por abrirnos las puertas, permitirnos conocer sus procesos y desarrollar una estrategia para el beneficio de muchas personas. Agradecemos especialmente a Guillermo Giraldo por todo el tiempo dedicado y toda la ayuda proporcionada. De igual forma a Isaías Quintero quien estuvo pendiente de nosotros en las visitas a la empresa.
Agradecemos a Jaime Sánchez por su apoyo en el desarrollo de este trabajo. A Javier Fernández y Jairo Gómez le agradecemos por sacarnos tiempo y darnos su punto de vista con los avances que íbamos haciendo. A Andrés Rojas el Director de Ingeniería Industrial por su apoyo tanto en el trabajo como en lo personal y por estar pendiente de sus estudiantes y que estuvieran bien.
A la Universidad EIA siempre la llevaremos con nosotros como sus estudiantes y personas. Agradecemos su excelencia académica y las mil puertas que nos permite abrir solo por pertenecer a ella.
Queremos agradecerles principalmente a nuestras familias por todo el apoyo, tiempo y compresión sobre estos largos años de estudio, por sus deseos de salir adelante, sus consejos y guía por el camino correcto.
CONTENIDO
pág.
INTRODUCCIÓN ............................................................................................................. 14
1 PRELIMINARES ....................................................................................................... 15
1.1 CONTEXTUALIZACIÓN Y ANTECEDENTES ................................................... 15
1.2 Objetivos del proyecto ....................................................................................... 16
1.2.1 Objetivo General ......................................................................................... 16
1.2.2 Objetivos Específicos ................................................................................. 16
1.3 Marco de referencia ........................................................................................... 16
1.3.1 Modelos de control de inventario ................................................................ 16
1.3.2 Gestión de la demanda ............................................................................... 19
1.3.3 Simulación .................................................................................................. 23
2 ENFOQUE Y METODOLOGÍA ................................................................................. 25
2.1 Estimar los costos de manejo de inventarios, preparación de una corrida de producción y escasez. .................................................................................................. 27
2.1.1 Costo del cambio de referencia en la línea de producción .......................... 27
2.1.2 Costo de manejo de inventario ................................................................... 28
2.1.3 Costo de escasez ....................................................................................... 32
2.2 Realizar una proyección de la demanda para cada mes del año mediante series de tiempo paramétricas y no paramétricas, y redes neuronales artificiales. ................. 33
2.2.1 Series de tiempo paramétricas ................................................................... 38
2.2.2 Series de tiempo no paramétricas .............................................................. 41
2.2.3 Redes neuronales ...................................................................................... 43
2.2.4 Comparación de las diferentes metodologías ............................................. 52
2.2.5 Pronóstico julio a diciembre ........................................................................ 55
5
2.3 Analizar qué modelo para el manejo de inventarios se acomoda mejor a la compañía. .................................................................................................................... 56
2.3.1 Definición de la política de revisión de inventario ........................................ 56
2.3.2 Cálculo de los parámetros para la política de manejo de inventario............ 58
2.3.3 Resultados de la optimización .................................................................... 64
2.4 Validar el modelo propuesto mediante una simulación. ..................................... 65
2.4.1 Definición de variables de entrada, salida y modelamiento del sistema ...... 66
2.4.2 Simulación y consolidación de información ................................................. 66
3 PRODUCTOS, RESULTADOS Y ENTREGABLES OBTENIDOS ............................. 68
4 CONCLUSIONES ..................................................................................................... 69
5 RECOMENDACIONES ............................................................................................. 71
REFERENCIAS ............................................................................................................... 73
6
LISTA DE TABLAS
pág.
Tabla 1: Top 5 referencias tipo A ..................................................................................... 25
Tabla 2: Top 5 referencias tipo B ..................................................................................... 25
Tabla 3: Top 5 referencias tipo C ..................................................................................... 25
Tabla 4: Referencias tipo A .............................................................................................. 26
Tabla 5: Referencias finales seleccionadas ..................................................................... 26
Tabla 6: Costo mano de obra tejedor. .............................................................................. 27
Tabla 7: Tiempo en segundos y costo cambio de referencia ........................................... 28
Tabla 8: Costo almacenamiento ...................................................................................... 29
Tabla 9: Costos clasificados de producción ..................................................................... 29
Tabla 10: Costo de inventario .......................................................................................... 31
Tabla 11: Costo de escasez por referencia ...................................................................... 32
Tabla 12: Demanda real enero a junio ............................................................................. 37
Tabla 13: Resultado de métodos paramétricos en @Risk ................................................ 40
Tabla 14: Algunas referencias con sus pronósticos ......................................................... 41
Tabla 15: Algunas referencias con sus errores respectivos a sus pronósticos ................. 42
Tabla 16: Mejores modelos de pronóstico no paramétricos ............................................. 42
Tabla 17: Categorización de entradas a la herramienta ................................................... 44
Tabla 18: Base para ingresar al software ......................................................................... 45
Tabla 19: Ventajas y desventajas de las RNA ................................................................. 47
Tabla 20: Ejemplo de resultado de RNA .......................................................................... 51
7
Tabla 21: Resultado de algunas RNA .............................................................................. 51
Tabla 22: Resultado de las mejores RNA con sus pronósticos ........................................ 52
Tabla 23: Resultado de la comparación de MAPE ........................................................... 52
Tabla 24: Modelos de pronóstico con mejor MAPE .......................................................... 53
Tabla 25: Parámetros de ecuaciones de Holt-Winters ..................................................... 54
Tabla 26: Pronóstico julio - diciembre .............................................................................. 55
Tabla 27: Resultado política de inventario ....................................................................... 57
Tabla 28: Definición de cantidad de días por meses ........................................................ 59
Tabla 29: Resultado de rango mínimo (s) y rango máximo (S) de inventario ................... 64
Tabla 30: Resultado costo de mantenimiento inventario, escasez y pedido ..................... 66
8
LISTA DE FIGURAS
pág.
Gráfico 1: Funcionamiento Red Neuronal Artificial (Hilera & Martínez, 1995) .................. 21
Gráfico 2: Comportamiento de una regresión lineal respecto a sus datos ........................ 22
Gráfico 3: Consolidado de referencias tipo A ................................................................... 33
Gráfico 4: Ejemplo selección grupo de referencias .......................................................... 34
Gráfico 5: Estacionalidad Diciembre ................................................................................ 35
Gráfico 6: Estacionalidad Octubre ................................................................................... 35
Gráfico 7: Estacionalidad Octubre - Noviembre ............................................................... 36
Gráfico 8: Estacionalidad no Categorizable ..................................................................... 36
Gráfico 9: Caso especial .................................................................................................. 37
Gráfico 10: Menú @Risk para ajustar a series de tiempo ................................................ 38
Gráfico 11: Cuadro de Ajuste @Risk ............................................................................... 39
Gráfico 12: Cuadro de elección de posibles modelos ...................................................... 40
Gráfico 13: Resultado de ajuste por @Risk ..................................................................... 40
Gráfico 14: Tipos de variables herramienta NeuralTools.................................................. 44
Gráfico 15: Definición de variables en herramienta .......................................................... 46
Gráfico 16: Definición de parámetros parte 1 ................................................................... 48
Gráfico 17: Definición de parámetros parte 2 ................................................................... 48
Gráfico 18: Definición de parámetros parte 3 ................................................................... 49
Gráfico 19: Ventana en proceso de entrenamiento .......................................................... 50
Gráfico 20: Opción del Optimizer de @Risk ..................................................................... 62
Gráfico 21: Definición de la optimización en Optimizer 1 ................................................. 63
9
Gráfico 22: Definición de la optimización en Optimizer 2 ................................................. 64
Gráfico 23: Costo Total - Simulación................................................................................ 66
10
LISTA DE ANEXOS
pág.
Anexo 1: Resultado RNA NeuralTools ............................................................................. 76
Anexo 2: Script en Rstudio ............................................................................................ 113
Anexo 3: Demandas Semanales .................................................................................... 117
Anexo 4: Desviaciones estándar semanales .................................................................. 118
Anexo 5: Resultado Optimización de cada referencia .................................................... 118
Anexo 6: Modelo de optimización (s,S) .......................................................................... 127
Anexo 7: Modelo de simulación ..................................................................................... 129
Anexo 8: Resultado de Simulación con 18 referencias .................................................. 130
11
GLOSARIO
RNA: Red Neuronal Artificial
12
RESUMEN
Todas las MYPYME enfocadas en la manufactura de cualquier bien se enfrentan a grandes retos para mantenerse competitivos en el mercado. Uno de estos retos es el óptimo manejo de sus inventarios y predicción de la demanda en el tiempo para gestionar recursos humanos, técnicos y en especie.
La empresa Girartex S.A.S. se dedica a la confección de medias en diferentes tallas, diseños, materiales y usos. En algunos meses del año, como en la mayoría de mercados de la economía, hay picos de demanda que se deben suplir y para esto se propone un modelo de inventarios que disminuya los costos de manejo de inventario, corridas de producción y oportunidad.
Inicialmente se identifican los productos de mayor importancia mediante el uso del análisis ABC o Pareto y luego se toman las más importantes de estas referencias según su participación en ventas. Los costos de los productos como los son la programación y cambio de referencia, corrida de producción, servicios públicos, mano de obra directa, mantenimiento del inventario fueron considerados para el costo unitario de cada referencia.
Siguiente, se calculan los pronósticos de la demanda bajo métodos paramétricos, no paramétricos y en la mayoría de casos con redes neuronales artificiales, los cuales se usan los medidores de desempeño como los fueron el RMSE y el MAPE.
Se usan las predicciones de los modelos de pronósticos, y los costos estimados, para identificar qué modelo de inventarios podría reducir el total de los costos asociados al inventario. Se escogió un modelo de revisión continua (s, S), ya que este ofrecía mayores beneficios para la empresa.
Para definir los valores de punto de reorden (s) y nivel máximo de inventario (S), se construyó un modelo de simulación Monte Carlo con el software @Risk, y se utilizó la herramienta RiskOptimizer para encontrar los valores de (s, S) que minimizaban el costo total.
Finalmente se volvió a correr este mismo modelo de simulación, pero con los valores encontrados, para evaluar el comportamiento de cada uno de los costos asociados a la administración de inventarios.
13
ABSTRACT
All small business that focus on manufacturing any kind of goods, face big challenges to stay competitive on their respective market. One of these challenges is the optimal storage management and demand forecasting through time, in order to assign human, technical or supplies resources.
Girartex S.A.S. is a small business dedicated to make socks on different sizes, design, materials and purpose. In some specific months, as in most markets, are demand spikes which must be supply, and to that end, it is proposed an inventory model that minimize the inventory maintenance cost, setup cost and opportunity cost.
Initially, products with the most sales are classified by ABC analysis or Pareto, to choose the most important ones. Product costs like programming, change references, production run, public services, direct work labor and inventory maintenances were considered in the unitary cost for every SKU.
Next, demand forecasting is calculated under parametric and no parametric methods and artificial neural networks, which are measure by the performance of the model with RMSE (root mean square error) and MAPE (mean absolute percentage error) to find the best one.
Forecasting models and estimated costs are used to identify which inventory model could minimize the total cost related to inventory management. The continuous review (s, S) inventory system was selected because it offered more benefits for the company.
To define the values of reorder point (s) and the up-to-level (S), a Monte Carlo simulation model was build using the software @Risk, and the RiskOptimizer tool was used to find the values (s, S) that minimized the total cost.
Finally, the same simulation model was run again, but with the found values, in order to evaluate the behavior of each of the costs associated with the inventory management.
14
INTRODUCCIÓN
Girartex S.A.S. es una empresa de confección de medias ubicada en la ciudad de Medellín que fue fundada en el año 2012 y actualmente cuenta con 20 empleados de tiempo completo. Cuentan con un catálogo de cerca de 300 referencias y distribuyen a diferentes tiendas ubicadas en Antioquia y otros departamentos.
Una característica que le ha permitido a la empresa hacerse un lugar en el mercado es la buena disponibilidad de producto que manejan y que les permite dar respuesta inmediata a pedidos. Naturalmente, esto ha llevado a unos niveles de inventarios muy altos, teniendo una bodega de producto terminado que ocupa cerca de un 25% del espacio de la planta.
El sector textil en Colombia ha frenado su crecimiento durante este año, en parte por culpa de la reforma tributaria (Revista Dinero, 2017). Esto, sumado a la gran cantidad de productos de contrabando que se encuentran en el mercado, ha resaltado la necesidad de aumentar la eficiencia del sector con el objetivo de mantenerse competitivos. Para lograr esto, las empresas deben trabajar en la reducción de costos de producción a través de la automatización de procesos y en la reducción de costos operativos a través de estrategias gerenciales y la administración de inventarios.
El inventario en una empresa existe por el desajuste entre la oferta y la demanda, por lo que tener un inventario mayor quiere decir que el tiempo que pasa entre la producción de un bien y su venta es mayor. Siempre es deseable tener un inventario menor, ya que demoras muy grandes hacen a la compañía vulnerable a las variaciones del mercado e incrementa el capital necesario para trabajar (Chopra & Meindl, 2013). Además, un mayor stock de productos también incrementa los riesgos de obsolescencia, deterioro y robos, además de los costos asociados a la bodega como el predial y la energía.
Actualmente la empresa programa su producción con base a los pedidos que llegan y su experiencia para conocer cuáles son los meses con mayor demanda. Esta situación les impide trabajar en estrategias para optimizar el nivel de inventarios para reducir los costos de almacenamiento sin comprometer las ventas ni otros costos operativos como el de transporte.
15
1 PRELIMINARES
1.1 CONTEXTUALIZACIÓN Y ANTECEDENTES
Análisis sobre la variabilidad de la demanda del tiempo de entrega y su impacto sobre las unidades de inventario de seguridad requeridas y su respectivo costo realizado en México en el año 2014. Este estudio se hizo sobre dos productos de los cuales se tenía información sobre sus demandas durante el tiempo de entrega, una seguía una distribución normal y la otra una uniforme. La metodología consistió en analizar los costos de mantenimiento de los inventarios de seguridad y el costo de oportunidad cuando la demanda superaba las existencias, y encontrar la cantidad de inventario que minimizaba los costos. Estas cantidades de inventario significaban un nivel de servicio de 94.5% para la demanda que seguía una distribución normal y 96% para la que seguía una uniforme. (Izar Landeta, Ynzunza Cortés, & Guarneros García, 2016)
“PROPUESTA PARA LA GESTION DE INVENTARIOS DE UNA EMPRESA COMERCIALIZADORA DE LLANTAS CASO: INTERNACIONAL DE LLANTAS S.A” (González & Valencia, 2013), para este caso se realizó un estudio de las causas que generan problemas en la gestión de inventarios, analizando cada uno de los procesos que la empresa utiliza para su manejo. Luego, se realizó una clasificación ABC y se encontraron las cinco referencias que representan cerca del 80% de los ingresos de la compañía y se centró el análisis en estas referencias.
A continuación se propusieron tres modelos de gestión de inventarios encontrados en la literatura que fueron: teoría de restricciones, revisión periódica, revisión continua. Mediante una evaluación de diversos factores, y teniendo en cuenta la información previamente recogida, se seleccionó el modelo de revisión periódica.
Para implementar este modelo se debe determinar un punto de reorden, el cual se escogió con ayuda de una simulación, donde se consideraban la aleatoriedad de la demanda durante el tiempo de entrega y del tiempo de entrega en sí. En la situación actual la empresa estimaba la demanda con el método de Holt y para el modelo seleccionado se propuso una estimación con el modelo ARMA. Finalmente, se corrió una simulación de la política actual y se calcularon los costos mantenimiento, ordenar y ventas perdidas, con el objetivo de compararlos con los costos del modelo elegido. Se encontró que con el modelo de revisión periódica y la estimación con ARMA se puede reducir el costo de oportunidad en casi el 40% sin aumentar significativamente los otros dos costos.
.
16
1.2 OBJETIVOS DEL PROYECTO
1.2.1 Objetivo General
Proponer un modelo para el manejo de inventarios que reduzca los costos de almacenamiento, preparación de corridas de producción y oportunidad en la empresa Girartex S.A.S.
1.2.2 Objetivos Específicos
Estimar los costos de manejo de inventarios, preparación de una corrida de producción y escasez.
Realizar una proyección de la demanda para cada mes del año mediante series de tiempo paramétricas y no paramétricas, y redes neuronales artificiales.
Analizar qué modelo para el manejo de inventarios se acomoda mejor a la compañía.
Validar el modelo propuesto mediante una simulación.
1.3 MARCO DE REFERENCIA
1.3.1 Modelos de control de inventario
1.3.1.1 Inventario
El inventario puede estar presente en forma de materias primas, producto en proceso y producto terminado. Este existe en las organizaciones debido a cuatro motivos principalmente:
1. Cambios inesperados en la demanda de los clientes: está siempre ha sido difícil de predecir, sin embargo en los últimos años ha incrementado debido al corto ciclo de vida de los nuevos productos y al aumento de productos sustitutos en el mercado.
2. La presencia de muchas situaciones significantes de incertidumbre: por ejemplo la calidad y cantidad de suministros y los costos
3. Tiempo de envió: Incluso si no hay incertidumbre en la demanda o suministro, es necesario mantener un inventario que atienda la demanda mientras el tiempo de espera.
4. Economías de escala: Tanto los proveedores como las empresas transportadoras, ofrecen descuentos a mayor volumen de productos.
(Simchi-Levi, Kaminsky, & Simchi-Levi, 2008)
1.3.1.2 Costos de retención de inventario
Existen varios costos que se derivan de la retención de inventarios tales como el costo del espacio ocupado, el costo de obsolescencias o deterioro y el costo de manejo. Sin embargo,
17
el costo más significativo es el de oportunidad de capital, que significa la rentabilidad ofrecida por otras oportunidades de inversión con riesgo equivalente.
Coste de capital de la empresa = ractivos = rcartera = Deuda
Deuda + Capital Propiordeuda+
Capital Propio
Deuda + Capital Propiorcapital propio
(Brealey & Mayers, 1998)
1.3.1.3 Costo de preparar una corrida de producción
Se compone tanto de los costos de energía y tiempo de operario en los que se incurre alistando los materiales y las máquinas para empezar a trabajar, como del costo que se incurre llevando una orden a una oficina y a través de la fábrica (Harris, 1913).
1.3.1.4 Costo administrativo variable
“Se incluyen los costos variables de personal asociados a la emisión del papeleo, más cualesquiera costos ocasionales transformados en, por ejemplo, transportar mercancías entre plantas y centros de distribución” (Vollmann, Berry, Whybark, & Jacobs, 2005).
1.3.1.5 Costo de escasez
Se incurre en este costo cuando la demanda excede la disponibilidad de producto y el cliente no está dispuesto a esperar a que haya disponibilidad, ocasionando la pérdida de la venta. En algunos casos este costo es igual al margen de contribución del producto, pero en otros en necesario incluir la perdida de crédito comercial por parte de los clientes (Vollmann, Berry, Whybark, & Jacobs, 2005).
Dependiento de la naturaleza del mercado se pueden dar dos casos. El primero es que el cliente esté dispuesto (o obligado) a esperar a que el provedor tenga disponibilidad de producto; en este caso no se perderia ninguna venta. El segundo es que el cliente no esté dispuesto a esperar y se pierda la totalidad de la venta. La mayoria de ocaciones lo que ocurre es un combinación de estas dos situaciones (Silver, Pyke, & Thomas, 2017).
Para definir una política de inventarios es necesario conocer que porcentaje de las veces que no hay diponibilidad de producto se pierde la venta. Si bien el valor exacto de este factor no es conocido, los gerentes pueden dar un buen estimado (Thomopoulos, 2007).
1.3.1.6 Políticas de reabastecimiento
Cuando la demanda es continua el control de inventarios se realiza estableciendo una cantidad de reaprovisionamiento que se pide periódicamente. El tamaño de estos pedidos va a tener un impacto muy significativo en los costos de la empresa ya que si se piden cantidades muy grandes pocas veces habrá mayor costo de retención de inventarios,
18
mientras que si se piden tamaños pequeños muchas veces, los costos de ordenar se verán incrementados.
Ford Harris reconoció este problema desde 1913 en su trabajo en Westinghouse y desarrollo un modelo que minimiza el costo total de manejo de inventarios, compuesto por los costos de almacenamiento y los costos de preparación de una orden. Este modelo se conoce como la formula básica de la cantidad económica de pedido (CEP) (Harris, 1913).
𝐸𝑂𝑄 = √2 ∗ 𝐶𝐿 ∗ 𝐷
𝐶𝑃
Donde:
CL = Costo fijo por pedido
D = Demanda anual del producto
CP = Costo de retención por año (Juan & Garcia Martín, s.f.)
La fórmula de la CEP fue un desarrollo muy valioso para las decisiones de la cadena de suministro, y permitió el desarrollo de otros modelos que se asemejan mejor a la realidad al incluir la variabilidad e incertidumbre de la demanda y los tiempos de entrega. Cuando se incluyen estas variables aparece el término de stock de seguridad, que se refiere al inventario destinado a saciar la demanda inesperada (Ballou, 2004).
El objetivo de desarrollar estos modelos que optimizan el nivel de inventario es ayudar a los gerentes a tomar decisiones de cuanto pedir y en qué momento hacer los pedidos, para mantener un nivel de servicio deseado. Para la toma de estas decisiones se pueden seguir diversas políticas, las dos más comunes y fáciles de implementar son:
1. Revisión continua: Consiste en monitorear todo el tiempo el nivel de inventario y hacer un pedido cuando este disminuya de cierto valor. Este valor es conocido como el ROP (Reorder Point).
2. Revisión periódica: Consiste en hacer revisiones del nivel de inventario cada cierto intervalo de tiempo y hacer pedidos que lleven el inventario a un umbral deseado.
(Chopra & Meindl, 2013)
1.3.1.7 Análisis ABC
Consiste en un modelo que nos permite clasificar los productos del portafolio de una empresa de acuerdo con su volumen anual de dinero, con el objetivo de determinar en qué productos debe fijar su atención la empresa. Este análisis es una aplicación del principio de Pareto que establece que hay pocos productos cruciales y muchos triviales.
El análisis ABC no solo puede hacerse con el volumen de dinero que mueven los distintos productos, también puede hacerse mediante un análisis multicriterio que incluya variables físicas como el peso y volumen (Méndez Giraldo & López Santana, 2013).
19
Es muy común encontrar en una compañía que el 15% de los productos representan entre el 70% y 80% de la utilización del dinero, por ello es conveniente hacer pronósticos más cuidadosos y control físico más estricto para estos productos
(Heizer & Render, 2009).
1.3.2 Gestión de la demanda
El éxito de una organización a largo plazo dependerá de que tan bien pueda adaptarse a los cambios del futuro. La intuición y el entendimiento de los factores económicos externos son muy importantes para llevar a una compañía por un buen camino, sin embargo resulta difícil llevar esta intuición a valores numéricos que puedan ser utilizados para tomar decisiones como qué tanto producir. Es por eso que se recurre a diversos modelos matemáticos para estimar valores tales como la demanda de un periodo futuro (Anderson, Sweeney, Williams, Camm, & Martin, 2001).
1.3.2.1 Pronóstico de la demanda
Se considera que la demanda es “regular” cuando se puede descomponer en componentes de tendencia, estacionales y aleatorios (Rojo García & Sanz Gómez, 2010). Mientras las variaciones aleatorias sean una pequeña proporción de la variación total, los ajustes con series de tiempo pueden entregar un pronóstico satisfactorio en la mayoría de los casos (Ballou, 2004).
La demanda de un producto se considera derivada cuando tiene un alto grado dependencia de los requerimientos específicos en un programa de producción, como pasa con las empresas que tienen un único cliente. Mientras que se considera que una demanda es independiente cuando es generada por parte de muchos clientes. Gran parte de los procesos estocásticos a corto plazo son independientes, y cuando la demanda es independiente los procedimientos de pronósticos estadísticos funcionan bien (Ballou, 2004).
Las técnicas de pronóstico se pueden clasificar en métodos cualitativos y cuantitativos. En el ámbito empresarial, los métodos cualitativos son utilizados cuando no hay información histórica disponible y se recurre a otras fuentes de información como estudios de mercado. En cambio, los métodos cuantitativos son utilizados cuando hay información histórica suficiente y pueden también ser clasificados como series de tiempo, que predicen la continuación de patrones históricos, y los explicativos, que pretenden explicar cómo la demanda es afectada por otras variables (Méndez Giraldo & López Santana, 2013).
20
1.3.2.2 Series de tiempo
“Se dice que un proceso es estacionario si su media y su varianza son constantes en el tiempo y si el valor de la covarianza entre dos periodos de tiempo no depende del tiempo en cual se ha calculado la covarianza” (Gujarati, 2004).
Métodos no paramétricos
En un método no paramétrico, se presupone que la distribución de la que proviene la muestra no está especificada y, con frecuencia, se desea hacer inferencias sobre el centro de la distribución. Son útiles cuando no se cumple el supuesto de normalidad y el tamaño de la muestra es pequeño (Minitab Inc., 2017). Allí es difícil generalizar el comportamiento de los datos en cuestión.
Estimación de no paramétrica de curvas
“Los métodos de estimación no paramétrica de curvas, también conocidos como métodos de suavizado, son una colección de técnicas estadísticas que tienen por objetivo estimar una curva relacionada con la distribución de probabilidad de los datos observados, haciendo las menos hipótesis posibles” (Delicado, 2008).
Entre las posibles estimaciones, se encuentran los métodos de suavizamiento exponencial, Suavizamiento de Holt, Holt Winters de componente multiplicativa o aditiva y entre otros.
1.3.2.3 Redes neuronales artificiales
Son un intento de simular la forma como el cerebro humano adquiere conocimiento. Hace treinta años se definió como: "…redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico". (T.Kohonen., 1988).
“La neurona artificial pretende mimetizar las características más importantes de las neuronas biológicas. Cada neurona i-ésima está caracterizada, en cualquier instante, por un valor numérico denominado valor o estado de activación ai(t); asociado a cada unidad, existe una función de salida, fi, que transforma el estado actual de activación en una señal de salida, yi. Dicha señal es enviada a través de los canales de comunicación unidireccionales a otras unidades de la red, en estos canales la señal se modifica de acuerdo con la sinapsis (el peso, wji) asociado a cada uno de ellos, según una determinada regla.” (Hilera & Martínez, 1995).
21
Gráfico 1: Funcionamiento Red Neuronal Artificial (Hilera & Martínez, 1995)
“Existen cuatro aspectos que caracterizan una red neuronal: su topología, el mecanismo de aprendizaje, tipo de asociación realizada entre la información de entrada y de salida y, por último, la forma de representación de estas informaciones.” (Hilera & Martínez, 1995).
En la herramienta NeuralTools del software “Decision Tools 7.5” de la empresa Palisade, existen 2 tipos de Redes Neuronales Artificiales (RNA), la red PN/GRN (probabilística y de regresión lineal) y la red MLF.
Red neuronal PN/GRN
Las RNA PN (Probabilísticas) son redes que son usadas para la clasificación categórica de una variable. Para esto usa la estrategia de Bayes la cuál es usada para minimizar el riesgo esperado (SPECHT , 1989).
Esta red usa mecanismo de aprendizaje como el Backpropagation con diferentes funciones para los datos, no tiene topología definida y los resultados pueden ser binarios o específicos dependiendo del caso.
La RNA GRNN - Regresión lineal son redes usadas para determinar la mejor regresión lineal que se ajustan cierta data. Esta red es muy parecida a la RNA PN donde trabaja bajo Backpropagation, no tiene topología definida y genera resultados de acuerdo con las entradas (mismas unidades), pero su principal diferencia es que GRNN es para data numérica (su predicción) y las PN se centran en categóricas (Specht, 1991).
Red Neuronal MLF
Las Redes multinivel siempre hacia adelante (también conocidas como “Redes de Perceptrón de Múltiples Capas”) son sistemas capaces de aproximación de funciones
22
complejas y, por lo tanto, capaces de modelar relaciones complejas entre variables independientes y una variable dependiente (Palisade Corporation, 2015).
La red MLF se caracteriza por tener gran afinidad o precisión en pronósticos cuando la cantidad de datos de entrada son reducidos, su topología en general es de 1 capa oculta y en ella entre 2 a 6 neuronas oculta; lo más general encontrado para llegar a la salida son funciones sigmoidales o recocido simulado y el resultado estará en las mismas unidades que las variable dependiente (Palisade Corporation, 2015).
1.3.2.4 Raíz del Error Cuadrático Medio (RSME)
El término del error es importante debido a que usualmente se quiere minimizar el error, en otras palabras, se desea que los valores de predicción sean lo más cercanos a los valores reales.
La raíz del error cuadrático medio (RMSE por sus siglas en inglés) es una medida de que tan bien fue el desempeño de un modelo. Esto lo hace midiendo las diferencias entre el valor de predicción y el valor real. En él gráfico 2 se observa el comportamiento de una regresión bajo los datos reales (Lin, 2018).
Gráfico 2: Comportamiento de una regresión lineal respecto a sus datos
Finalmente, el RMSE se calcula como suma de las diferencias entre el valor de predicción Y gorro menos el valor real todo elevado al cuadrado sobre la cantidad de observaciones:
23
RMSE= √∑ (yi - yreali
)2Ni=1
N
1.3.2.5 Porcentaje del error medio absoluto (MAPE)
“El porcentaje del error absoluto medio (MAPE por sus siglas en inglés) es uno de los métodos más populares de medida de exactitud de modelos de pronóstico. Es recomendado en muchos libros, como ejemplo (Bowerman et al., 2004, Hanke and Reitsch, 1995)” (Sungil & Heeyoung, 2016).
MAPE es el promedio del porcentaje absoluto de los errores definido por Ft y At como los valores de pronóstico y real respectivamente, y su función se puede ver en la siguiente fórmula:
MAPE= 1
𝑁∑ |
𝐴𝑡 − 𝐹𝑡
𝐴𝑡|
𝑁
𝑡=1
“Para ser rigurosos, se debe multiplicar el resultado por 100%. Adicionalmente, la desventaja principal de este método de medida de exactitud es cuando At es cero, ya que el error se propaga sin ser necesariamente de esta manera” (Sungil & Heeyoung, 2016).
1.3.3 Simulación
En términos generales, simular es representar la realidad de alguna forma. Esto puede hacerse mediante modelos físicos tales como los túneles de viento o los simuladores aéreos, o mediante modelos computacionales. El rápido desarrollo que han tenido los sistemas computacionales en los últimos años ha convertido a la simulación computacional en una herramienta muy efectiva en el modelado de sistemas reales convirtiéndose en una opción muy atractiva para las empresas ya que permite mejorar el nivel de servicio y optimizar los recursos apoyando el proceso de toma de decisiones (Laguna & Marklund, 2013).
Para delimitar que parte de la realidad se quiere simular, los teóricos han utilizado el término sistema que según la Real Academia de la lengua Española (RAE) se define como: “Conjunto de cosas que relacionadas entre sí ordenadamente contribuyen a determinado objeto”. También se utiliza el término “estado” que es el conjunto de valores de las variables que definen el sistema en un momento en específico (Law & Kelton, 1991).
24
1.3.3.1 Simulación continua
De acuerdo con la Teoría General de Sistemas (TGS), los sistemas se pueden categorizar según su complejidad, origen, naturaleza, tipo de variables que lo definen y otras clasificaciones que determinan que tipo de simulación es más apropiada para representar el modelo que lo represente (Rivera Crisótomo & Ballon Álvarez, 2008).
Para evaluar el impacto de una política de inventarios conviene utilizar la simulación continua que consiste en el modelado a lo largo del tiempo de un sistema mediante una representación en la que las variables de estado cambian continuamente con respecto al tiempo (Law & Kelton, 1991).
25
2 ENFOQUE Y METODOLOGÍA
Este proyecto se enfoca en entregar una propuesta aplicable por parte de la empresa y que tenga un impacto significativo en la reducción de costos. Dado que la empresa maneja 180 referencias aproximadamente, el primer paso debe ser realizar un análisis ABC, para concentrarse en los productos que generen el ingreso más significativo.
Tomando el acumulado de ventas de los años se clasificaron como productos tipo A aquellos que representan el 80% del ingreso bruto de la compañía. Los productos tipo B son aquellos que acumulan el 15% del ingreso bruto y los productos tipo C los que acumulan el 5% final.
Tabla 1: Top 5 referencias tipo A
Tabla 2: Top 5 referencias tipo B
Tabla 3: Top 5 referencias tipo C
Referencia % TotalSuma
relativaClasificación
7921 6,96% 6,96% A
6921 4,66% 11,62% A
8125M 3,56% 15,18% A
5621 3,38% 18,56% A
8821 3,21% 21,76% A
Referencia % TotalSuma
relativaClasificación
4621-AO 0,37% 80,26% B
19341 0,37% 80,62% B
7921-R 0,36% 80,98% B
4042 0,36% 81,34% B
4621-BG 0,35% 81,69% B
Referencia % TotalSuma
relativaClasificación
71263 0,13% 95,01% C
71262 0,13% 95,15% C
5113-BL 0,12% 95,27% C
4571 0,12% 95,39% C
5821X3 0,11% 95,50% C
26
Al realizar esta clasificación nos encontramos con 58 referencias clasificadas como A, esto equivale al 23.39% de las referencias con las que la empresa trabajó en los dos últimos años. En la tabla 4 encontramos todas las referencias tipo A.
Tabla 4: Referencias tipo A
Al estudiar detenidamente el comportamiento de las referencias tipo A, nos encontramos con que tres de estas tan solo comenzaron a venderse en diciembre del año 2017, por lo que no se tiene información suficiente para realizar un pronóstico y se deben excluir del análisis de este trabajo. También se encontró que siete de las referencias tipo A fueron retiradas del mercado, por lo que también se eliminaron.
Aún después de haber aplicado este filtro nos encontramos con referencias que aportan muy poco a los ingresos de la compañía, por lo que se decidió realizar un nuevo filtro y trabajar solo con aquellas referencias que aportaron más del 1.3% de las utilidades de los últimos dos años. Dejando así las siguientes 18 referencias:
Tabla 5: Referencias finales seleccionadas
Referencia % TotalSuma
relativaClasificación Referencia % Total
Suma
relativaClasificación Referencia % Total
Suma
relativaClasificación
7921 6,96% 6,96% A4821-BL-
CB1,42% 53,44% A 5821-C-AD 0,57% 71,26% A
6921 4,66% 11,62% A 8121 1,38% 54,82% A 6152 0,57% 71,83% A
8125M 3,56% 15,18% A 8823 1,12% 55,93% A 21007 0,57% 72,40% A
5621 3,38% 18,56% A 5821-C-CB 1,10% 57,04% A 8525S05 0,56% 72,95% A
8821 3,21% 21,76% A 6821-C-AD 1,10% 58,13% A 4821-C-CB 0,56% 73,51% A
8152 2,63% 24,39% A 6113-BL 1,09% 59,22% A 21009 0,56% 74,07% A
6821-B 2,49% 26,88% A 5821-AD 1,08% 60,30% A 21008 0,55% 74,62% A
8821-C 2,36% 29,24% A 3621 1,07% 61,37% A 6841-B-CB 0,54% 75,16% A
8821-AD 2,35% 31,60% A 7921-BG 1,00% 62,37% A 5152 0,54% 75,70% A
4621 2,33% 33,93% A 7164 0,98% 63,35% A 3821-AD 0,52% 76,22% A
8041 2,31% 36,24% A 7921-AO 0,88% 64,23% A 7921-AC 0,51% 76,74% A
5821-B 1,98% 38,22% A 6152M 0,88% 65,11% A 5621-AO 0,50% 77,24% A
7152 1,98% 40,20% A 8021 0,87% 65,98% A 5621-BG 0,50% 77,74% A
8843 1,94% 42,14% A 8123 0,77% 66,75% A 6042 0,47% 78,21% A
8821-C-AD 1,85% 44,00% A 4821-AD 0,73% 67,48% A 4152M 0,46% 78,66% A
6821-B-AD 1,79% 45,79% A 6921-BG 0,70% 68,18% A 6921-AC 0,44% 79,10% A
7113-BL 1,58% 47,37% A8841-BL-
CB0,66% 68,84% A 5042 0,40% 79,50% A
6821-C 1,57% 48,95% A 6921-AO 0,63% 69,47% A 7113 0,39% 79,89% A
8164 1,57% 50,52% A M014 0,62% 70,09% A
8451 1,50% 52,01% A 7144 0,61% 70,70% A
7921 5821-B 5821-C-CB
8821 6821-C 4621
6921 4821-BL-CB 7152
8821-C 8125M 7113-BL
6821-B 8041 7921-BG
5621 8152 8121
27
Posteriormente se procede a cumplir cada uno de los objetivos específicos para estos productos.
2.1 ESTIMAR LOS COSTOS DE MANEJO DE INVENTARIOS, PREPARACIÓN DE UNA CORRIDA DE PRODUCCIÓN Y ESCASEZ.
2.1.1 Costo del cambio de referencia en la línea de producción
La producción de una docena de medias consta de 4 procesos principales: tejido, cerrado de punta, planchado y empaque. Cuando se realiza un cambio de referencia, se deben cambiar los insumos utilizados en cada proceso, pero esto no representa un sobrecosto significativo ya que estos insumos siempre se encuentran a la mano del operario. Solo en el proceso de tejido es representativa la espera, pues no solo es necesario desplazarse al almacén de materia prima por los hilos del color correspondiente, sino que también se debe calibrar la máquina para la nueva referencia y seleccionar el programa indicado.
La empresa trabaja con un tejedor en cada uno de los tres turnos, quien además de calibrar e iniciar cada una de las 14 máquinas, debe revisar cada media y separarlas por docenas (24 medias). Cada que una maquina termina de confeccionar el número de docenas que fue planeado, se procede a realizar el cambio de referencia. En la actualidad los tres tejedores son experimentados y tardan entre 15 y 20 minutos en realizar el cambio, esto incluye el tiempo que toma ir y buscar los insumos, calibrar la máquina y seleccionar el programa.
El salario base de un tejedor es de $1.059.000, considerando el factor prestacional de 51.33%, el recargo de 1.35 por horas nocturnas y el auxilio de transporte $88.211, obtenemos costo promedio por hora de $9.902 para esta actividad como se explica en la tabla 6.
Tabla 6: Costo mano de obra tejedor.
La empresa ha facilitado el tiempo promedio de cambio de referencia. Se debe tomar muy en cuenta que en muchos casos solo se debe cambiar pocos hilos, esto permite un cambio rápido y el tiempo será reducido, sin embargo, hay cambios totalmente diferentes de una referencia a otra, en estos casos los tiempos se aumentan entre 15 y 20 minutos.
Turno
Salario
base
por
hora
Horas
noctur
nas
Salario
mensual
Salario
más
prestacion
es
Auxilio de
transportePago
Costo/
hora
6am-2pm $ 5.516 0 $ 1.059.000 $ 1.602.585 $ 88.211 $ 1.690.796 $ 8.806
2pm-10pm $ 5.516 1 $ 1.105.331 $ 1.672.698 $ 88.211 $ 1.760.909 $ 9.171
10pm-6am $ 5.516 8 $ 1.429.650 $ 2.163.489 $ 88.211 $ 2.251.700 $ 11.728
Promedio $ 9.902
28
En la siguiente tabla está discriminado el tiempo promedio (en segundos) de cambio de referencia para las 18 en estudio. Adicionalmente, se calcula el costo de este cambio respecto al precio por hora de $9,902 pesos de la tabla 6, el cual será usado para calcular el costo de producción de cada referencia.
Tabla 7: Tiempo en segundos y costo cambio de referencia
2.1.2 Costo de manejo de inventario
Este costo está compuesto por el costo de almacenamiento y el costo de oportunidad en el que está incurriendo la empresa al no tener disponible el capital que invirtió en el producto que se encuentra almacenado.
Para conocer el costo del espacio físico que ocupa cada producto se tomó, para cada una de las referencias con las que se está trabajando, la medida de un bulto, ya que esta es la forma habitual de almacenamiento del producto. Independiente del tamaño o la referencia en un bulto siempre habrá 40 docenas de medias. Luego se calculó el área de la bodega y se dividió entre el costo de arriendo, para conocer el valor por metro cuadrado.
La bodega tiene un área de 269.62 m2, pero si consideramos el mezanine que fue instalado para almacenar producto terminado y colocar un puesto de trabajo, el área crece a 351.28 m2. Dado que la empresa paga mensualmente $5.600.000 obtenemos un valor por metro
Referencia Tiempo Cambio de Referencia Costo Cambio de Referencia
4621 100 275,06
4821-BL-CB 50 137,53
5621 115 316,31
5821-B 50 137,53
5821-C-CB 50 137,53
6821-B 64 176,04
6821-C 64 176,04
6921 126 346,57
7113-BL 110 302,56
7152 144 396,08
7921 142 390,58
7921-BG 142 390,58
8041 152 418,08
8121 172 473,10
8125M 145 398,83
8152 132 363,07
8821 55 151,28
8821-C 55 151,28
29
cuadrado de $15.941,79. Con esta información podemos calcular el costo de almacenar una docena de cada referencia como se ve en la tabla 8.
Tabla 8: Costo almacenamiento
El costo de oportunidad de cada docena corresponde al producto entre el costo de fabricación de esa docena y el coste de capital del inversionista. Los costos de producción durante el año 2018 se muestran en la tabla 9. Al inversionista ser la misma empresa, es necesario calcular el coste de capital según las fuentes de donde obtiene los recursos para trabajar. En la tabla 9 se muestra el cálculo de costo de producción de cada referencia.
Tabla 9: Costos clasificados de producción
Referencia Ancho Largo ÁreaCosto almacenar
una docena
4621 0.51 0.53 0.2703 $ 107.54
5621 0.51 0.69 0.3519 $ 140.01
6921 0.54 0.87 0.4698 $ 186.92
7113-BL; 7921;
7921-BG0.55 1.18 0.649 $ 258.22
8041 0.56 0.98 0.55 $ 218.35
8121; 8125M 0.36 0.63 0.23 $ 90.24
4821-BL-CB 0.30 0.31 0.09 $ 36.02
5821-B; 5821-C-
CB0.30 0.40 0.12 $ 46.89
6821-B; 6821-C 0.31 0.50 0.16 $ 62.60
8821; 8821-C 0.32 0.68 0.22 $ 86.48
7152; 8152 0.32 0.57 0.18 $ 73.09
30
La empresa tiene dos fuentes de financiamiento principales que son el capital propio y los préstamos bancarios, dado que no usa estas dos fuentes en igual proporción, es necesario calcular el costo promedio ponderado de ambas fuentes liquidez (López Dumrauf, 2010).
Coste de capital de la empresa = ractivos = rcartera =
Deuda
Deuda + Capital Propiordeuda+
Capital Propio
Deuda + Capital Propiorcapital propio
(Brealey & Mayers, 1998)
Los valores de la deuda y el capital propio fueron tomados del balance general del año 2017 y se encontró que la empresa trabaja en un 88% con capital propio y un 12% con financiamiento. El costo de la deuda es el porcentaje del valor de la deuda que se paga como intereses, descontando el ahorro fiscal por tener deuda; y el costo del capital propio es el costo que conlleva invertir en esta empresa y no en una renta segura como un bono del tesoro. La forma como se calcularon estos coeficientes fue:
rcapital propio = Rf + β(Rm - Rf) + PT
ReferenciaCosto Cambio
de Referencia
Costo por
Materiales
Costo
MOD
Costo por Energía
por par de medias
Costo por
docena
4621 275.06$ 505.02$ 109.57$ 99.99$ 8.575.04$
5621 316.31$ 509.45$ 109.57$ 99.99$ 8.628.20$
6921 346.57$ 633.49$ 109.57$ 99.99$ 10.116.68$
7152 396.08$ 250.30$ 97.24$ 99.99$ 5.370.32$
7921 390.58$ 688.87$ 109.57$ 99.99$ 10.781.18$
8041 418.08$ 332.25$ 97.24$ 99.99$ 6.353.78$
8121 473.10$ 438.22$ 109.57$ 99.99$ 7.773.45$
8123 327.32$ 371.76$ 109.57$ 99.99$ 6.975.93$
8152 363.07$ 279.09$ 97.24$ 99.99$ 5.715.86$
8821 151.28$ 398.70$ 109.57$ 99.99$ 7.299.20$
4821-BL-CB 137.53$ 188.28$ 109.57$ 99.99$ 4.774.10$
5821-B 137.53$ 223.72$ 109.57$ 99.99$ 5.199.38$
5821-C-CB 137.53$ 223.72$ 109.57$ 99.99$ 5.199.38$
6113-BL 286.06$ 748.67$ 109.57$ 99.99$ 11.498.84$
6821-B 176.04$ 334.47$ 109.57$ 99.99$ 6.528.38$
6821-C 176.04$ 334.47$ 109.57$ 99.99$ 6.528.38$
7113-BL 302.56$ 759.75$ 109.57$ 99.99$ 11.631.74$
7921-BG 390.58$ 688.87$ 109.57$ 99.99$ 10.781.18$
8125M 398.83$ 257.81$ 109.57$ 99.99$ 5.608.55$
8821-C 151.28$ 398.70$ 109.57$ 99.99$ 7.299.20$
31
La tasa libre de riesgo (Rf) es de 6.3% E.A., equivalente al rendimiento de un TES del banco de la república, esto equivale al 0.51% E.M. El coeficiente beta de Adamodar (β) para los negocios de confección de ropa es de 1.01 para el año 2018 (Damodaran, 2018). El retorno medio del mercado colombiano es de 0.95% E.M.
rdeuda = ( 1 - T ) * i
La tasa de impuestos para las empresas colombianas es de 35% y la forma de financiamiento de la empresa es mediante microcréditos para pymes que tienen una tasa 1.63% E.M.
A continuación se muestran los cálculos realizados:
rcapital propio = 0.51% + 1.01 * (0.95% - 0.51%) + 0.95%
rcapital propio = 1.90%
rdeuda = (1 - 35%) * 1.63%
rdeuda = 1.06%
Costo de capital de la empresa = 12% * 1.90% + 88% * 1.06% Costo de capital de la empresa = 1.16% En la siguiente tabla se muestran los costos de almacenamiento y capital; y el costo de almacenamiento de inventario, que es la suma de los dos anteriores. Este costo es en el que se incurre por almacenar una docena almacenada durante un mes. Tabla 10: Costo de inventario
32
2.1.3 Costo de escasez
Este costo corresponde a la utilidad neta que deja de obtener la empresa por no contar unidades disponibles en inventario en el momento que son demandadas por el cliente. Para calcular el costo de escasez de cada referencia necesitamos saber su precio de venta y su costo unitario.
Dado que la empresa maneja precios diferentes para cada cliente y ofrece descuentos por volumen, se calculó un valor promedio sumando los ingresos que ha aportado cada referencia durante el 2018 y la cantidad de docenas que se han despachado de cada una.
El costo unitario se calculó sumando al costo por docena calculado en la tabla 9, un 6% del costo por operaciones logísticas y un 1% del costo por gastos administrativos.
Al margen obtenido se le debe quitar el 35% correspondiente a la carga tributaria en Colombia, esto se hace multiplicando el resultado obtenido por (1 - 0.35). Los resultados se observan en la tabla a continuación.
Tabla 11: Costo de escasez por referencia
ReferenciaCosto de
capital
Costo
almacenar
Costo de
inventario
4621 99.47$ 107.73$ 207.20$
5621 100.09$ 140.25$ 240.34$
6921 117.35$ 187.24$ 304.59$
7152 62.30$ 73.09$ 135.39$
7921 125.06$ 258.65$ 383.71$
8041 73.70$ 218.35$ 292.05$
8121 90.17$ 90.24$ 180.41$
8152 66.30$ 73.09$ 139.39$
8821 84.67$ 86.48$ 171.15$
4821-BL-CB 55.38$ 36.02$ 91.40$
5821-B 60.31$ 46.89$ 107.20$
5821-C-CB 60.31$ 46.89$ 107.20$
6821-B 75.73$ 62.60$ 138.33$
6821-C 75.73$ 62.60$ 138.33$
7113-BL 134.93$ 258.65$ 393.58$
7921-BG 125.06$ 258.65$ 383.71$
8125M 65.06$ 90.24$ 155.30$
8821-C 84.67$ 86.48$ 171.15$
33
2.2 REALIZAR UNA PROYECCIÓN DE LA DEMANDA PARA CADA MES DEL AÑO MEDIANTE SERIES DE TIEMPO PARAMÉTRICAS Y NO PARAMÉTRICAS, Y REDES NEURONALES ARTIFICIALES.
Para el pronóstico de la demanda es fundamental definir y estandarizar la información a utilizar. En este caso, los datos son la venta histórica de los años 2016 y 2017.
Inicialmente se graficaron todas las referencias juntas para intentar identificar comportamientos similares entre las referencias para depurar la cantidad de modelos a definir para la predicción de las mismas. Pero debido a la cantidad y variabilidad entre una a otra, no se logra identificar a simple vista un comportamiento generalizado para todas ellas. Este se puede ver en la siguiente gráfica.
Gráfico 3: Consolidado de referencias tipo A
Referencia Costo escasez
4621 15.583.72$
5621 16.153.67$
6921 15.790.66$
7152 16.542.20$
7921 15.963.23$
8041 12.493.79$
8121 16.407.01$
8152 12.001.69$
8821 7.950.02$
4821-BL-CB 5.782.98$
5821-B 6.111.05$
5821-C-CB 6.594.65$
6821-B 6.637.55$
6821-C 6.939.80$
7113-BL 15.712.62$
7921-BG 15.963.23$
8125M 12.978.19$
8821-C 8.252.27$
34
Como paso siguiente, y dado a la “cantidad reducida” de referencias (59), cabe resaltar sobre 2 depuraciones realizadas antes de agrupar los datos en grupos más pequeños, las cuales fueron no tener en cuenta los SKU’s nuevos (no tienen ventas anteriores a junio del 2017) y los ya retirados (no tienen venta posterior a agosto del 2017). Esto se hizo para no tener en cuenta información que pudiera afectar los modelos y el resultado de estos.
Luego se tomaron entre 6 y 8 referencias al tiempo para analizar su proceder e identificar comportamientos similares entre ellas para definir la cantidad de modelos de pronósticos que se deben desarrollar. En la siguiente gráfica se muestra un ejemplo de como se ve la selección de cualquier grupo de referencia.
Gráfico 4: Ejemplo selección grupo de referencias
PARETO - A
CLUSTER - REFERENCIAS
35
Posteriormente, se identificaron 5 comportamientos similares entre las referencias de categoría A. A estas se les da el nombre de Estacionalidad Diciembre-Enero, Octubre, Octubre-Noviembre, No Categorizable y Caso Especial donde se ve claramente un patrón específico para el grupo. A continuación se puede ver los grupos ya definidos en el mismo orden. Gráfico 5: Estacionalidad Diciembre
En la Estacionalidad Diciembre, se observa solo 8 referencias elegidas al azar para mostrar su comportamiento de picos en los meses de diciembre y enero (201601, 201611, 201612, 201712) de los años 2016 y 2017. Aunque también presenta máximos locales en otros periodos, estos serán modelados respecto a la media global.
Gráfico 6: Estacionalidad Octubre
Diciembre
7921 6921 5621 8821
6821-B 8821-C 5821-B 8821-C-AD
Octubre
8041 7152 6152M 8525S05 6152
36
Dentro de la Estacionalidad Octubre, aunque aparece un poco desordenado, se puede ver el comportamiento macro de cada referencia donde sus picos más significativos están en octubre. Posteriormente, es posible contemplar una subdivisión de estas para tener un modelo más acertado y asegurar los resultados deseados a obtener.
Gráfico 7: Estacionalidad Octubre - Noviembre
En la última gráfica, la Estacionalidad Octubre-Noviembre (no se incluyen 2 referencias de este grupo por sus altas ventas y lograr la correcta visualización) se puede ver como los máximos globales están concentrados en los meses de octubre y noviembre de ambos años (2016 y 2017).
Gráfico 8: Estacionalidad no Categorizable
Octubre - Noviembre
6042 4152M 5042 7113 7144 5152
No Categorizable
8164 8451 8121 8823 8123 8021
37
En la Estacionalidad No Categorizable, no hay un máximo local totalmente definido en ningún periodo, pero se puede identificar el mismo pico en cada referencia, esto las hace compatibles una a la otra para ser modeladas por el mismo pronóstico.
Gráfico 9: Caso especial
Finalmente, la Estacionalidad Caso Especial, no se comporta como ningún otro de los grupos anteriores, por lo cual será necesario identificar el mejor modelo de pronóstico para lograr obtener la mejor proyección posible y no comprometer la toma de decisiones, así sea en una única referencia.
El objetivo principal para este agrupamiento de referencias es encontrar un modelo de pronóstico que se logre generalizar a la mayor cantidad de estas. Esto es muy útil cuando se tienen muchas referencias y tener un modelo para cada una se vuelve muy dispendioso y complicado de manejar solo para dar un pronóstico que en la mayoría de casos, no representan ni el 1% de las ventas de la empresa.
Se tomaron los datos correspondientes a los años 2016 y 2017 para ajustarlos y realizar un pronóstico del primer semestre del 2018. En la siguiente tabla se muestran los datos reales de demanda del periodo enero a junio del 2018. Estos serán usados para calcular el error de pronóstico de los modelos a probar.
Tabla 12: Demanda real enero a junio
Caso Especial4821-C-CB
38
Las tres metodologías utilizadas fueron: series de tiempo paramétricas, series de tiempo no paramétricas y redes neuronales. Dado que estos pronósticos entregan resultados con decimales y la empresa no vende fracciones de medias, los pronósticos de los tres métodos fueron aproximados al número entero siguiente. Los procedimientos y resultados se detallan a continuación.
2.2.1 Series de tiempo paramétricas
Este ajuste se realizó por medio del software @RISK, que permite probar diferentes modelos y elegir el que tenga menor AIC. El procedimiento para utilizar esta herramienta consiste en ir a la opción series de tiempo – Ajustar, como indica el gráfico 10.
Gráfico 10: Menú @Risk para ajustar a series de tiempo
Referencia Enero Febrero Marzo Abril Mayo Junio
4621 337 73 15 4 13 14
5621 274 160 49 12 14 12
6921 456 257 24 18 21 17
7152 22 21 106 56 35 -35
7921 539 420 64 31 64 24
8041 44 24 51 57 37 76
8121 5 11 17 25 24 36
8152 24 19 82 50 60 124
8821 732 305 19 70 80 42
4821-BL-CB 322 103 73 37 39 9
5821-B 388 298 96 71 122 30
5821-C-CB 109 286 88 106 12 80
6821-B 704 292 46 101 88 64
6821-C 283 347 106 123 17 89
7113-BL 116 23 9 10 4 6
7921-BG 134 79 0 2 2 9
8125M 45 11 33 112 87 137
8821-C 256 350 72 136 24 75
39
A continuación se abrirá una ventana con dos pestañas, en la pestaña de Datos se selecciona el rango de celdas donde se encuentran nuestra serie de datos, que en este caso los 24 datos correspondientes a los 24 meses de información. También se debe seleccionar el estadístico que se desea utilizar para calificar los modelos que en este caso es el AIC. En la pestaña de series a ajustar se seleccionan los modelos que se desean probar, que en este caso son todos. Los gráficos 11 y 12 muestran estas pestañas
Gráfico 11: Cuadro de Ajuste @Risk
40
Gráfico 12: Cuadro de elección de posibles modelos
Después de que se hayan seleccionado correctamente los parámetros, se presiona “Ajustar”, para observar los resultados obtenidos (Gráfico 13). Finalmente se presiona “Escribir en las celdas” para exportar estos datos. Se repitió este procedimiento con cada una de las 18 series obteniendo los resultados observados en la gráfica 13.
Gráfico 13: Resultado de ajuste por @Risk
En el tabla 13 se muestra el resultado de los mejores modelos para cada referencia.
Tabla 13: Resultado de métodos paramétricos en @Risk
41
2.2.2 Series de tiempo no paramétricas
Este ajuste se realizó mediante el software R Studio y se evaluaron 4 modelos que fueron: suavizamiento exponencial (modelo 1), suavizamiento de Holt (modelo 2), Holt Winters multiplicativo (modelo 3) y Holt Winters aditivo (modelo 4). Para elegir qué modelo se ajusta mejor a cada una de las referencias se utilizó la Raíz del Error Cuadrático Medio (RSME).
En primera instancia, se consolida toda la información de pronósticos de los 4 modelos con su respectivo error, se selecciona el mejor modelo (el que tenga menos RMSE) y se crea un cuadro resumen para identificar los pronósticos con su RMSE respectivo. En la siguiente tabla se muestran algunas referencias con sus pronósticos según el modelo y los errores asociados a ellos.
Tabla 14: Algunas referencias con sus pronósticos
Referencia Modelo Enero Febrero Marzo Abril Mayo Junio AIC
4621 MA(1) 55 57 57 57 57 57 244.6
5621 ARCH(1) 80 80 80 80 81 80 268.88
6921 MA(1) 156 107 107 107 107 107 277.96
7152 ARCH(1) 72 72 72 72 73 73 234.88
7921 ARCH(1) 155 155 155 155 156 155 296.18
8041 BMMR 91 81 77 75 74 74 246.94
8121 MA(1) 23 33 33 33 33 33 208.72
8152 ARCH(1) 88 88 88 88 89 88 267.87
8821 BMMR 703 672 644 618 595 574 302.48
4821-BL-CB MA(1) 516 82 82 82 82 82 299.74
5821-B BMMR 384 304 249 211 184 166 287.14
5821-C-CB MA(1) 227 56 56 56 56 56 265.14
6821-B BMMR 350 269 219 189 169 158 295.38
6821-C BMMR 309 262 226 199 178 162 271.68
7113-BL MA(1) 46 38 38 38 38 38 236.85
7921-BG MA(1) 52 22 22 22 22 22 236.32
8125M BMMR 77 102 114 120 123 124 285.21
8821-C MA(1) 564 91 91 91 91 91 303.54
42
Tabla 15: Algunas referencias con sus errores respectivos a sus pronósticos
Y en resumen, los mejores pronósticos bajo modelos no paramétricos para cada referencia se pueden ver en la siguiente tabla.
Tabla 16: Mejores modelos de pronóstico no paramétricos
Referencia Error/PronósticoModelo Enero Febrero Marzo Abril Mayo Junio
4621 Pronóstico Modelo 1 93,0 93,0 93,0 93,0 93,0 93,0
4821_BL_CBPronóstico Modelo 1 694,0 694,0 694,0 694,0 694,0 694,0
5621 Pronóstico Modelo 1 122,5 122,5 122,5 122,5 122,5 122,5
5821_B Pronóstico Modelo 2 144,7 196,3 248,0 299,6 351,3 402,9
4621 Pronóstico Modelo 2 822,7 1017,1 1211,5 1405,8 1600,2 1794,6
4821_BL_CBPronóstico Modelo 2 173,3 225,3 277,4 329,4 381,4 433,5
5621 Pronóstico Modelo 3 117,3 26,6 8,3 5,6 4,4 1,7
4621 Pronóstico Modelo 3 368,8 50,0 139,6 239,2 267,2 6,6
4821_BL_CBPronóstico Modelo 3 139,9 202,4 15,7 10,8 18,3 4,2
5621 Pronóstico Modelo 4 186,1 19,2 -21,5 -32,2 -40,5 -50,3
4621 Pronóstico Modelo 4 972,9 1270,6 1664,8 2062,1 2441,5 2728,4
4821_BL_CBPronóstico Modelo 4 158,2 246,7 -35,4 -52,0 -48,6 -79,2
Referencia Error/PronósticoModelo ME RMSE MAE MPE MAPE
4621 Errores Modelo 1 396,0 396,0 396,0 81,0 81,0
4821_BL_CBErrores Modelo 1 -582,0 582,0 582,0 -519,6 519,6
5621 Errores Modelo 1 262,5 262,5 262,5 68,2 68,2
4621 Errores Modelo 2 344,3 344,3 344,3 70,4 70,4
4821_BL_CBErrores Modelo 2 -710,7 710,7 710,7 -634,5 634,5
5621 Errores Modelo 2 211,7 211,7 211,7 55,0 55,0
4621 Errores Modelo 3 371,7 371,7 371,7 76,0 76,0
4821_BL_CBErrores Modelo 3 -256,8 256,8 256,8 -229,3 229,3
5621 Errores Modelo 3 245,1 245,1 245,1 63,7 63,7
4621 Errores Modelo 4 302,9 302,9 302,9 61,9 61,9
4821_BL_CBErrores Modelo 4 -860,9 860,9 860,9 -768,7 768,7
5621 Errores Modelo 4 226,8 226,8 226,8 58,9 58,9
43
Las ecuaciones utilizadas para los modelos de Holt-Winters son:
Yt + h = a(t) + h*b(t) + s[t-p+1+(h-1) * mod p]
a(t) = α( Y(t) - s(t-p) ) +(1-α) ∗ ( a[t-1] + b[t-1] )
b(t) = β( a(t) - a[t-1] ) + (1+β) * b[t-1]
s(t) = γ( Y(t) - a(t) ) + (1-γ) * s[t-p]
h -> Períodos adelante.
p -> 12, referido a cada mes de cada observación.
t -> Período a pronosticar.
Para ver el procedimiento realizado para llegar a este resultado, revisar Anexo 2 para ver Script de Rstudio.
2.2.3 Redes neuronales
La plataforma por usar es la Suite de Decision tools 7.5 (NeuralTools) de la empresa Palisade Corporation. Allí se tendrán las herramientas para dar un análisis de los datos de
Referencia Modelo Enero Febrero Marzo Abril Mayo Junio RSME
4621 Modelo 4 187 20 0 0 0 0 303
5621 Modelo 2 174 226 278 330 382 434 212
6921 Modelo 4 346 235 0 0 0 0 304
7152 Modelo 1 70 70 70 70 70 70 27
7921 Modelo 4 446 462 0 0 0 0 171
8041 Modelo 1 99 99 99 99 99 99 98
8121 Modelo 4 0 7 5 0 13 23 6
8152 Modelo 2 76 67 58 49 40 31 27
8821 Modelo 3 683 24 20 7 22 21 567
4821_BL_CB Modelo 3 369 50 140 240 268 7 257
5821_B Modelo 4 399 250 228 315 266 272 189
5821_C_CB Modelo 4 224 194 207 251 218 200 132
6821_B Modelo 1 421 421 421 421 421 421 298
6821_C Modelo 1 256 256 256 256 256 256 179
7113_BL Modelo 4 185 65 29 0 1 0 7
7921_BG Modelo 1 26 26 26 26 26 26 24
8125M Modelo 2 75 79 83 87 91 95 10
8821_C Modelo 2 591 793 995 1197 1399 1601 511
44
manera sistemática. Esta herramienta fue elegida por la disponibilidad respecto a beneficios de la Universidad EIA y al fácil uso de esta, la cual no tiene ningún problema de funcionamiento y su documentación es de fácil acceso para justificar los resultados obtenidos por esta herramienta.
Inicialmente es muy importante definir las variables que entrarán en la Red Neuronal Artificial (RNA) y para esto se tomará de guía la definición de variables numéricas o categóricas sea el caso.
Gráfico 14: Tipos de variables herramienta NeuralTools
Tomado de: (Palisade Corporation, 2015)
Para este caso, se utilizan 3 de estas categorías de la siguiente manera:
Tabla 17: Categorización de entradas a la herramienta
Categoría Razón de uso
45
Numérica dependiente
Así se debe definir la variable a predecir, en esta ocasión y para todas las referencias se define la columna “Unidades” de esta manera
Categórica independiente
Como única característica común que intenta explicar las ventas están los meses y esta columna deberá ser definida de esta forma
Etiqueta
Las etiquetas “Entrenar”, “Probar” y “Predecir” se usan para eso mismo, entrenar la RNA, probar la RNA y predecir los primeros 6 meses del año 2018.
En el administrador de conjunto de datos es donde se configura la red según los parámetros de la herramienta como se mostró en el punto anterior. Como ejemplo se tiene la referencia 7921 con la cual se harán los cálculos correspondientes.
Tabla 18: Base para ingresar al software
46
Esta tabla se ingresa a la herramienta dando clic en "Administrador de conjunto de datos", eligiendo el rango de toda la tabla, cambiando el nombre a RNA_7921 (Red neuronal artificial representando la referencia 7921).
Omitimos las columnas Referencia, Clasificación y Año ya que no den información relevante a la Red.
Mes será de clasificación numérica independiente, Etiqueta se usa al momento de hacer el entrenamiento, prueba y predicción del modelo y Unidades como numérica dependiente la cual será usada para predecir las ventas en unidades de los meses de enero a junio del presente año.
Gráfico 15: Definición de variables en herramienta
47
El paso por seguir es elegir la RNA para modelar los datos.
Tabla 19: Ventajas y desventajas de las RNA
Red PN/GRN Red MLF
Ventajas
Se entrenan rápido
No requieren una especificación de topología (número de capas ocultas y nodos)
Las redes PN no sólo clasifican, sino que también generan probabilidades de que el caso se encuentre en diferentes categorías dependientes posibles
De tamaño más pequeño, pero más rápidas para hacer predicciones
Son más fiables fuera del rango de los datos de entrenamiento
Son capaces de generalizar a partir de conjuntos de entrenamiento muy pequeños
Red PN solo se usa para
clasificación cualitativa o no numérica
Mejora con mayores tiempos de entrenamiento pero al
48
Desventajas
mismo tiempo se sobre entrena e incluye información que no corresponde a la entrada establecida.
Tomada de (Palisade Corporation, 2015)
Para este documento, se trabajará con la mejor Red que el sistema pueda calcular, entre ellas estarán, la Red PN/GRN y la MLF de 2 a 6 nodos y como factor decisivo para la elección de estas redes estará el Error Cuadrático Medio proporcionado por la herramienta.
Gráfico 16: Definición de parámetros parte 1
Paso siguiente es elegir los modelos de Red.
Gráfico 17: Definición de parámetros parte 2
49
Se deja que la herramienta escoja la mejor opción entre las posibles opciones, se demite el resto predeterminadamente y se asegura seleccionar la casilla de almacenar todas las redes de prueba en un libro de trabajo nuevo. Y por último, se elige que cada red se entrenó alrededor de 10 minutos. Este tiempo es para tratar de sobre entrenar las redes, ya que en el manual de la herramienta advierte sobre la posibilidad de ocurrencia.
Cuando termina de entrenar todas las redes, sale un resultado con la mejor red y todos los RMS de las RNA entrenadas.
Gráfico 18: Definición de parámetros parte 3
50
Se deja en su proceso hasta la finalización
Gráfico 19: Ventana en proceso de entrenamiento
51
El paso siguiente es identificar cuáles son las mejores redes para cada referencia, esto se hará con el menor RMS arrojado en cada resultado. Ejemplo de la referencia 7921 es tomar la red de "Predicción numérica GRNN" ya que tiene el menor RMS arrojado por la herramienta de NeuraTools.
Para ver con mayor detalle el resultado de cada red, revisar el Anexo 1 para encontrar cada resultado de cada referencia por red ganadora, cuadro de RMS y gráficos de residuales en entrenamiento y prueba de esta.
Tabla 20: Ejemplo de resultado de RNA
Siguiente es tomar los valores de predicción y calcular el MAPE de las series de tiempos de mejor ajuste y las RNA por cada referencia para trabajar con el mejor pronóstico.
Tabla 21: Resultado de algunas RNA
Referencia Modelo Error RMS
7921 Predicción lineal 180,107
7921 GRNN 124,317
7921 MLFN 2 nodos 137,550
7921 MLFN 3 nodos 136,481
7921 MLFN 4 nodos 136,113
7921 MLFN 5 nodos 135,235
7921 MLFN 6 nodos 136,826
Referencia Modelo Error RMS
4621 Predicción lineal 65,961
4621 GRNN 65,284
4621 MLFN 2 nodos 85,231
4621 MLFN 3 nodos 85,594
4621 MLFN 4 nodos 85,609
4621 MLFN 5 nodos 85,597
4621 MLFN 6 nodos 85,633
4821-BL-CB Predicción lineal 192,003
4821-BL-CB GRNN 165,498
4821-BL-CB MLFN 2 nodos 165,607
4821-BL-CB MLFN 3 nodos 165,860
4821-BL-CB MLFN 4 nodos 165,569
4821-BL-CB MLFN 5 nodos 165,505
4821-BL-CB MLFN 6 nodos 165,501
52
Tabla 22: Resultado de las mejores RNA con sus pronósticos
2.2.4 Comparación de las diferentes metodologías
Para determinar cuál de las tres metodologías es mejor para cada referencia, se compararon los pronósticos con las ventas reales. Esta comparación se realizó evaluando el Error Porcentual Absoluto Medio (MAPE) de cada mes y calculando el promedio de los errores de los seis meses. Los resultados obtenidos fueron: Tabla 23: Resultado de la comparación de MAPE
Referencia Modelo Enero Febrero Marzo Abril Mayo Junio Error RMS
4621 Numérica GRNN 73 73 73 73 73 73 65.284
5621 Numérica GRNN 102 99 95 92 88 85 165.498
6921 Lineal 650 66 30 28 28 29 81.347
7152 Numérica MLFN (2 nodos) 52 55 58 61 65 69 109.239
7921 Numérica MLFN (4 nodos) 345 222 117 61 44 45 94.361
8041 Numérica MLFN (5 nodos) 32 41 50 59 66 72 117.341
8121 Numérica MLFN (4 nodos) 5 16 23 15 44 41 103.884
8152 Numérica MLFN (2 nodos) 58 62 66 69 73 79 105.078
8821 Numérica MLFN (2 nodos) 117 34 33 14 29 8 17.737
4821-BL-CB Numérica GRNN 112 29 2 2 7 5 39.385
5821-B Numérica GRNN 210 25 25 25 25 25 124.317
5821-C-CB Numérica MLFN (3 nodos) 91 47 6 8 12 16 41.934
6821-B Numérica GRNN 122 35 37 15 12 18 36.812
6821-C Numérica MLFN (4 nodos) 77 31 19 18 17 12 12.881
7113-BL Lineal 179 63 13 13 13 13 144.648
7921-BG Numérica GRNN 2 86 7 6 6 6 89.064
8125M Numérica MLFN (6 nodos) 110 127 143 159 175 191 146.041
8821-C Numérica MLFN (4 nodos) 80 31 17 13 12 15 204.817
53
Hay que tener en cuenta que el MAPE no es muy exacto cuando la observación a comprar (At) es cero. Ejemplo: dado que la referencia 7921-BG vendió cero unidades en el mes de marzo, el MAPE de ese mes no se podría calcular. Por ello, para esa referencia se promediaron solo los errores de los otros cinco meses. Y de esta manera se calculan los MAPE de todas las referencias que tengan este mismo problema. De esta manera se logra tener el mejor modelo de predicción de demanda bajo el criterio del MAPE.
A continuación se muestra el resultado final de los modelos seleccionados para cada referencia, sus parámetros de ser necesarios y en Anexo 1 se muestran las hojas resumen de cada referencia cuyo modelo fue el mejor una RNA. En la siguiente tabla se muestra los mejores modelos por referencia con su respectivo MAPE.
Tabla 24: Modelos de pronóstico con mejor MAPE
Referencia No Paramétrico Paramétrico RNA
4621 86% 393% 512%
5621 1557% 299% 333%
6921 72% 317% 50%
7152 52% 55% 24%
7921 71% 228% 64%
8041 134% 88% 31%
8121 65% 122% 36%
8152 101% 132% 81%
8821 53% 1018% 79%
4821-BL-CB 219% 189% 76%
5821-B 237% 144% 62%
5821-C-CB 379% 111% 61%
6821-B 359% 127% 72%
6821-C 313% 206% 70%
7113-BL 123% 352% 107%
7921-BG 547% 456% 108%
8125M 149% 200% 286%
8821-C 1681% 92% 76%
54
Para los modelos no paramétricos y bajo las funciones de Holt-Winters enunciadas dentro del numeral 2.2.2, sus parámetros son los siguientes:
Tabla 25: Parámetros de ecuaciones de Holt-Winters
Referencia Modelo ganador Tipo de modelo MAPE
4621 Holt-Winters Aditivo No Paramétrico 86,19%
5621 ARCH(1) Paramétrico 299,33%
6921 Predicción numérica MLFN (2 nodos) RNA 50,22%
7152 Predicción numérica GRNN RNA 23,51%
7921 Predicción numérica GRNN RNA 63,58%
8041 Predicción numérica GRNN RNA 31,20%
8121 Predicción numérica MLFN (4 nodos) RNA 36,33%
8152 Predicción numérica GRNN RNA 80,58%
8821 Holt-Winters Multiplicativo No Paramétrico 52,76%
4821-BL-CB Predicción numérica GRNN RNA 75,90%
5821-B Predicción numérica MLFN (2 nodos) RNA 62,07%
5821-C-CB Predicción numérica MLFN (4 nodos) RNA 60,95%
6821-B Predicción numérica MLFN (5 nodos) RNA 72,27%
6821-C Predicción numérica MLFN (4 nodos) RNA 69,64%
7113-BL Predicción numérica MLFN (2 nodos) RNA 107,39%
7921-BG Predicción numérica MLFN (3 nodos) RNA 108,14%
8125M Suavizamiento de Holt No Paramétrico 148,99%
8821-C Predicción numérica MLFN (4 nodos) RNA 76,12%
55
Con este resultado, se puede continuar en la evaluación del mejor modelo de inventario desarrollado en el siguiente numeral.
2.2.5 Pronóstico julio a diciembre
Utilizando para cada referencia los modelos ganadores expresados en la tabla 22 se realiza una proyección de la demanda para el periodo de julio a diciembre del 2018, usando los datos históricos de ventas entre los periodos de enero del 2016 a junio del 2018. Los resultados se muestran a continuación.
Tabla 26: Pronóstico julio - diciembre
Parámetro Valor Parámetro Valor Parámetro Valor
α 0,07 α 0,02 α 0,48
β 1,00 β 0,00 β N/A
γ 0,10 γ 0,10 γ N/A
a 34,80 a 175,01 a 672,49
b -7,27 b 5,29 b N/A
s1 158,56 s1 3,79 s1 N/A
s2 -1,07 s2 0,13 s2 N/A
s3 -34,46 s3 0,10 s3 N/A
s4 -37,95 s4 0,03 s4 N/A
s5 -38,95 s5 0,11 s5 N/A
s6 -41,45 s6 0,10 s6 N/A
s7 -50,31 s7 0,54 s7 N/A
s8 -36,05 s8 0,36 s8 N/A
s9 -30,01 s9 0,27 s9 N/A
s10 -3,86 s10 1,36 s10 N/A
s11 -21,23 s11 1,28 s11 N/A
s12 128,29 s12 4,26 s12 N/A
4621 8821 8125M
56
2.3 ANALIZAR QUÉ MODELO PARA EL MANEJO DE INVENTARIOS SE ACOMODA MEJOR A LA COMPAÑÍA.
2.3.1 Definición de la política de revisión de inventario
2.3.1.1 Revisión continua
Para la implementación de esta política es necesario que se grabe en una base de datos cada que se termina la elaboración de un producto y cada que este salga de la empresa. En el caso Girartex, cuando se realiza el empaque final de la docena y cuando el transportista recibe la caja con la mercancía.
Actualmente la compañía lleva este control de forma manual con el objetivo de saber cuánto producto tienen disponible al momento que se les realiza un pedido. Para poder usar esta información en un modelo de revisión continua con punto de reorden, es necesario que la empresa migre a un software como Access que lance una alerta cuando el inventario baje de cierto nivel.
Por este motivo implementar esta política tendría un costo único de máximo $2.000.000 que incluyen la compra e instalación del equipo, y la programación de la base de datos.
Mes Julio Agosto SeptiembreOctubre Noviembre Diciembre
4621 0.00 4.79 10.20 37.45 15.70 173.82
5621 80.60 80.70 80.64 80.96 81.86 81.24
6921 39.00 24.01 70.00 135.00 61.00 274.01
7152 63.00 61.00 100.00 150.00 200.00 103.00
7921 192.95 192.47 193.93 193.95 193.88 194.51
8041 31.00 93.24 96.52 109.06 190.00 96.77
8121 26.00 28.00 35.00 70.00 100.00 30.00
8152 48.00 62.00 111.00 237.77 397.00 151.99
8821 87.41 80.19 72.97 65.75 58.53 51.31
4821-BL-CB 21.83 21.83 21.83 56.00 21.83 174.00
5821-B 34.00 21.98 8.02 103.00 42.00 262.00
5821-C-CB 16.00 10.00 0.00 12.99 15.00 59.00
6821-B 33.01 32.01 10.94 166.99 57.01 415.00
6821-C 30.99 20.00 11.01 19.00 20.00 114.99
7113-BL 24.05 2.02 20.95 12.01 10.01 109.00
7921-BG 14.56 14.56 14.56 14.56 14.56 14.56
8125M 256.77 270.44 213.06 550.84 611.63 1965.01
8821-C 34.01 19.00 11.04 49.00 31.00 102.00
57
Esta política es la que conduce a un menor costo de administración del inventario, ya que permite realizar los pedidos con un tamaño de lote óptimo, donde el costo conjunto de ordenar y mantener es el mínimo. Además, requiere de un menor inventario de seguridad para asegurar un nivel de servicio dado.
En el caso Girartex es completamente viable su implementación, pues el producto es fácil de contabilizar y le da flexibilidad al área de producción de solo producir las referencias que necesita, sin necesidad de seguir un ciclo.
2.3.1.2 Revisión periódica
Para adoptar esta política la compañía debe delegar a un operario la labor de revisar cada cierto número de días las existencias de inventario que hay de cada referencia. En épocas de poca producción esta labor puede realzarse en unas cuantas horas debido a los bajos niveles de inventario. Pero cuando hay picos de producción para prepararse para atender las temporadas de mayores ventas, esta labor puede tomar todo un día.
En promedio, el costo mensual de implementar esta política sería de dos o tres días de trabajo de un operario que gana el salario mínimo, es decir, de entre $105.657 y $158.485.
Las principales ventajas de esta política son su fácil implementación y que permite coordinar mejor la producción, ya que se conocen todas las necesidades simultáneamente y se puede distribuir la carga de trabajo entre las diferentes máquinas.
Tiene como desventaja que los pedidos no se realizan con un tamaño de lote óptimo, ya que se hacen para llegar a un nivel deseado. Además, entre más espaciadas sean las revisiones, mayor debe ser el inventario de seguridad.
2.3.1.3 Evaluación de las políticas
Para decidir cuál de las dos políticas es más apropiada para la empresa se realizó una evaluación ponderada considerando cuatro factores:
1. Inversión inicial: obtiene mejor calificación aquella política que requiera una inversión monetaria menor. Este criterio tiene un peso de 15%.
2. Costo permanente: obtiene mejor calificación aquella política que requiere mayor mano de obra para ejecutar la revisión. Este criterio tiene un peso de 30%.
3. Nivel de inventario requerido: obtiene mejor calificación aquella política que demande un menor stock de seguridad para satisfacer la demanda. Este criterio tiene un peso de 35%.
4. Facilidad de implementación: obtiene mejor calificación aquella política cuya puesta en marcha es menos compleja. Este criterio tiene un peso de 20%.
Tabla 27: Resultado política de inventario
58
Se escoge la política de revisión continua y a continuación se procede a calcular sus parámetros.
2.3.2 Cálculo de los parámetros para la política de manejo de inventario
2.3.2.1 Tipos de sistemas de la política escogida
Existen dos tipos de sistemas de revisión continua, estos son:
1. Punto de Reorden, Cantidad de reorden (s, Q): Consiste en definir un stock mínimo (s), de tal forma que cada que el inventario baje de ese nivel se realice un pedido de cierto número de unidades (Q).
2. Punto de Reorden, Nivel máximo (s, S): Consiste nuevamente en definir un stock mínimo (s), pero se diferencia en que al inventario bajar de ese nivel se realiza un pedido hasta un máximo (S).
El primer sistema tiene la ventaja de que es fácil de implementar ya que la cantidad de pedido es siempre la misma, pero falla cuando hay una compra de gran tamaño y el inventario baja tanto que al realizar una reposición de tamaño (Q) no se llega ni siquiera al nivel (s). En cambio, el primer sistema no tiene ese inconveniente, pero no siempre es utilizado porque hay reabastecimientos que se hacen en cantidades fijas de unidades según su unidad de empaque o costos de transporte (Silver, Pyke, & Thomas, 2017).
Dado que para Girartex S.A.S. no representa una dificultad producir un numero diferente de docenas cada vez, ni tampoco tiene restricciones para transportar y almacenar las docenas en lotes variables, se recomienda utilizar el sistema (s, S).
2.3.2.2 Selección del método de estimación de los parámetros
En la mayoría de libros donde se evalúan políticas de manejo de inventario, se proponen procedimientos algebraicos y probabilísticos para encontrar los parámetros que minimizan los costos de manejo de inventario o garantizan el cumplimiento de un nivel de servicio. El problema con estos procedimientos es que no consideran los picos de la demanda en ciertos periodos del año. Dado que los calcetines son un producto sumamente estacional, fue necesario buscar otra metodología que permitiera fijar valores diferentes para s y S en cada mes del año.
Políticas Inversión inicialCosto
permanente
Nivel de
inventario
Facilidad de
implementaciónTotal
Revisión
continua3 4 4 3 3.55
Revisión
periódica5 2 2 3 2.75
59
El autor Thomas E. Morton planteó dos heurísticas para abordar problemas con esta complejidad. La primera consistió en calcular los valores de (s, S) de la demanda promedio mediante métodos clásicos y luego aproximando los valores correspondientes de cada periodo según su variación (Bollapragada & Morton, 1993). La segunda consistió en encontrar unos niveles mínimos y máximos de inventario para cada periodo, pero en este caso no se promedió la demanda, sino que se utilizaron los datos individuales de media y desviación estándar de cada periodo para calcular el costo total de mantenimiento de inventario y se buscaron los niveles mínimo y máximo que minimizaban ese costo mediante programación dinámica (Morton & Pentico, 1995).
Se optó entonces por utilizar métodos de optimización matemática a partir de la simulación de los valores de la demanda de cada periodo. Trabajo similar al realizado por dos docentes de la Universidad EAFIT, solo que ellos lo hicieron para un modelo de revisión continua. Ellos afirman que:” Las técnicas de simulación son una herramienta de gran utilidad para evaluar el desempeño de sistemas de control de inventarios. Una de sus principales ventajas consiste en la posibilidad que ofrece de recrear la condición aleatoria de la demanda y de los tiempos de abastecimiento LT.” (Velez & Castro, 2002).
2.3.2.3 Planteamiento de la simulación
Se decidió realizar un modelo de simulación Monte Carlo con el software @Risk para recrear el comportamiento del inventario semana a semana durante los meses de julio a diciembre. Para esta simulación se asume que la demanda de cada periodo es independiente y se distribuye normalmente con media igual al mejor pronóstico encontrado en el numeral 2.2.5 y desviación estándar igual al RSME del pronóstico de los seis meses anteriores.
Dado que se tiene la demanda mensual, tanto proporcionada por la empresa como los pronósticos realizados en el segundo objetivo, se establece que esta demanda será la misma para todo el mes. Esta suposición permite dividir la demanda en partes iguales como lo pueden ser los días de cada mes de julio a diciembre.
Se cuentan los días de cada mes y se hace la conversión desde la tabla 26 de pronósticos respecto a la siguiente tabla:
Tabla 28: Definición de cantidad de días por meses
Estos son la cantidad de días de cada mes en cuestión, y estos van a dividir la demanda de su mismo mes para luego ser multiplicados por 7 (la cantidad de días de una semana) para semanas normales y cuando esta se parte en partes desiguales, se toman la cantidad de días de la semana de cada mes y se multiplican por la demanda diaria de cada uno de ellos.
Julio Agosto Septiembre Octubre Noviembre Diciembre
31 31 30 31 30 31
60
Algo muy parecido pasa con las desviaciones estándar, puesto se quiere llegar al mismo resultado descrito para la demanda, pero en este caso, el procedimiento es un poco más complejo. Para lograr el objetivo se debe usar la siguiente fórmula:
σm =√∑ σd2 + 2 ∑ ρ
ij σi σj
30
d=1
σm=√30σd2
σd=σm
√25 (𝟏)
La desviación de n días la calculamos así:
σL=√∑ σd 2 + 2 ∑ ρ
ij σi σj
n
d=1
σL = √n σd2
σL = σd √n (2)
Remplazamos (1) en (2) y obtenemos:
σL = σm √n
25
Se asume que todas las desviaciones estándar son iguales en cada día del año y de igual forma, se toma la misma ecuación para convertir esta desviación diaria a semanal, se asumen que siguen siendo iguales y se usa la siguiente ecuación ya demostrada en el punto anterior:
σL = √n σd2
De esta manera, logramos calcular la demanda y la desviación de esta para cada semana del año (25 en total) y se asume una distribución normal para estas demandas. Los
61
parámetros de las normales serán el resultado semanal de la demanda y la desviación estándar calculadas en los pasos anteriores. Todo esto se debe hacer para cada referencia.
En los Anexos 3 y 4 se muestra la demanda y desviación estándar semanal de cada referencia.
Para facilidad al momento de implementar la política en la empresa se decidió que los valores de (s, S) solo cambiarán de un mes a otro, no de una semana a otra Finalmente se planteó un modelo para cada referencia donde se realizaron 1000 iteraciones y se plantearon los siguientes parámetros:
Entradas
Costo semanal de mantenimiento de inventario: igual a los resultados de la tabla 10 multiplicados por (7/30).
Costo de pedido: igual a los resultados de la tabla 7
Costo de escasez: igual a los resultados de la tabla 11
Porción de las ventas perdidas: igual a 1.5%.
Media de la demanda semanal: igual al Anexo 3
Desviación de la demanda semanal: Igual al Anexo 4
Punto de reorden (s) de cada mes.
Nivel máximo de inventario (S) de cada mes.
Inventario inicial semana 1: igual a 10 docenas.
Variables aleatorias
Demanda semanal: usando la función “=Risk.normal” tomando la media y desviación de la demanda semanal.
Cálculos intermedios (se calculan semana a semana)
Demanda semanal real: dado que la empresa no vende fracciones de docenas, se redondea hacia arriba el valor de la demanda semanal. Además se coloca cero en caso de que el valor entregado sea negativo.
Inventario final: igual al inventario inicial menos la demanda (en caso de ser negativo es igual a cero).
62
Punto de reorden (s) de cada semana: igual al punto de reorden del mes con que se inició esa semana
Nivel máximo de inventario (S): igual al nivel máximo de inventario del mes con que se inició esa semana.
Cantidad pedida: si el inventario final es menor al punto de reorden (s), entonces es igual al nivel máximo (S) menos el inventario final, de lo contrario es cero.
Unidades no vendidas: igual a la demanda menos el inventario final (en caso de ser negativo es igual a cero).
Inventario inicial: igual al inventario final de la semana anterior más la cantidad pedida de la semana anterior.
Variables de salida
Costo total fijo: se cuenta la cantidad de veces que se hace pedido en el semestre y se multiplica por el costo de pedido.
Costo total de mantenimiento del inventario: es el producto de la cantidad de inventario al final del periodo y el costo de mantenimiento de inventario.
Costo total de escasez: es el producto de las unidades no vendidas, el costo de escasez y la porción de las ventas perdidas.
Costo total: es la suma de los tres costos anteriores.
2.3.2.4 Planteamiento del modelo de optimización
Se utiliza la herramienta Risk Optimizer del software @Risk para encontrar los valores óptimos de (s, S) de cada referencia para cada mes. Primero se entró a la opción definición del modelo y se definió que la meta del modelo era encontrar el mínimo de la media de la celda Costo total mediante un análisis estándar. Luego se seleccionó el rango de las celdas ajustables que era el correspondiente a los valores (s, S) de cada mes. Se estableció para estas celdas unos valores mínimos y máximos de 0 y 150 respectivamente y se añadió la restricción de que (s) debía ser menor o igual a (S), esto con el objetivo de acotar el problema.
El siguiente paso fue ingresar a la opción Configuración y se estableció que se realizarían 1000 pruebas. Finalmente se selecciona la opción Iniciar para correr el modelo.
Gráfico 20: Opción del Optimizer de @Risk
63
Gráfico 21: Definición de la optimización en Optimizer 1
64
Gráfico 22: Definición de la optimización en Optimizer 2
2.3.3 Resultados de la optimización
Al correr los modelos de las referencias 8125M y 8821-C nos encontramos con que en las últimas 50 pruebas todavía se encontraban valores totales considerablemente mejores cada vez. Por este motivo se repitió la optimización de estas dos referencias con 5000 y 4000 pruebas respectivamente. En la tabla 29 se ven los resultados obtenidos con los 18 modelos. En el Anexo 5 se pueden observar detalles de la optimización como el proceso y el costo total final.
Tabla 29: Resultado de rango mínimo (s) y rango máximo (S) de inventario
65
….
2.4 VALIDAR EL MODELO PROPUESTO MEDIANTE UNA SIMULACIÓN.
Con el objetivo de recrear el posible comportamiento de los costos si la empresa implementa esta política, se diseñó un modelo que simula el comportamiento de las 18 referencias y calcula los costos totales
Referencia Paramétro Julio Agosto Septiembre Octubre Noviembre Diciembre
s 13 10 11 32 31 65
S 13 17 20 32 40 65
s 27 31 32 41 30 35
S 41 41 41 41 43 43
s 30 9 31 38 46 79
S 30 34 40 47 57 97
s 26 19 35 49 46 52
S 34 36 50 65 69 52
s 68 59 65 56 70 71
S 69 68 69 69 73 71
s 25 28 34 52 57 21
S 25 29 34 52 57 54
s 6 6 7 23 7 6
S 10 11 28 29 30 18
s 15 21 32 114 123 43
S 24 32 88 114 123 59
s 24 13 29 29 34 15
S 24 29 29 39 39 23
s 24 16 14 30 39 57
S 24 28 39 39 53 68
s 30 17 19 45 35 71
S 30 27 43 47 72 102
s 22 12 17 20 23 21
S 26 22 17 25 29 36
s 51 24 45 54 76 89
S 51 51 53 79 102 151
s 15 24 23 23 43 54
S 29 24 28 23 43 54
s 4 2 5 3 18 33
S 11 7 9 8 20 36
s 6 5 11 11 10 7
S 11 12 11 13 14 13
s 84 81 146 176 203 300
S 84 82 146 176 300 300
s 18 18 18 28 27 35
S 33 36 31 36 42 53
7921-BG
8125M
8821-C
4821-BL-CB
5821-B
5821-C-CB
6821-B
6821-C
7113-BL
4621
5621
6921
7152
7921
8041
8121
8152
8821
66
2.4.1 Definición de variables de entrada, salida y modelamiento del sistema
El modelo diseñado no es más que el conjunto de los 18 modelos planteados en el numeral 2.2.3.2, pero tomando como valores mensuales de (s, S) los encontrados en el numeral 2.3.3 y definiendo como variables de salida la suma de todos los costos totales fijos, de mantenimiento de inventario y escasez.
En el Anexo 7 se ve el modelo de simulación usado para validar los niveles de inventario mínimo y máximo del numeral 2.3.3
2.4.2 Simulación y consolidación de información
Luego de reunir los modelos de las 18 referencias en un solo documento solo queda correr la simulación, colocando las variables de salida previamente mencionadas.
En el siguiente gráfico se puede observar los resultados obtenidos para la variable de salida Costo total y en la tabla 30 se aprecian los resultados de los demás costos. Ver los Anexo 8 observar los gráficos de estos costos y simulación completa con sus parámetros respectivamente.
Gráfico 23: Costo Total - Simulación
Tabla 30: Resultado costo de mantenimiento inventario, escasez y pedido
67
Mediante esta simulación, encontramos un resultado satisfactorio donde la media del costo total está más cerca de su mínimo que de su máximo, esto mismo sucede con el costo de mantenimiento y escasez lo cual reafirma el resultado encontrado.
Podemos observar que el menor costo de mantenimiento siempre va a ser mayor al de escasez, lo que indica que además de minimizar el costo total también se está garantizando un buen nivel de servicio.
Pedido Escasez Mantenimiento
Mínimo $77.392 $308.044 $1.835.781
Máximo $94.974 $514.894 $3.933.690
Media $86.333 $401.030 $2.478.997
68
3 PRODUCTOS, RESULTADOS Y ENTREGABLES OBTENIDOS
PRODUCTO ESPERADO
INDICADOR DE CUMPLIMIENTO
OBSERVACIONES ENTREGABLE
Modelo para el pronóstico de demanda
Los modelos de pronóstico se evaluaron por medio del RMSE.
Los modelos ganadores, tienen el menor RSME, el cual permite una disminución en la incertidumbre del pronóstico.
Adicionalmente, crea un Script en Rstudio para definir en 4 modelos no paramétricos para cualquier referencia que se desee.
Se usaron diferentes softwares para los pronósticos, por lo cual, la empresa debe acceder a ellos si quieren explorar más sobre los pronósticos de las demás referencias.
El modelo entregado tiene un grado de incertidumbre, este se mide con el RMSE entregado por cada modelo al momento de hacer el pronóstico de enero a junio del 2018.
Redes neuronales artificiales, modelos de pronóstico en @Risk y Rstudio.
Script Rstudio para pronósticos no paramétricos. En este caso, se encuentran 18 de ellas.
Política de manejo de inventarios
Manual para el manejo de inventario para los principales productos de la compañía.
La política de inventarios no es camisa de fuerza, es una herramienta que apoya la toma de decisiones de la gerencia.
Modelo de optimización en el software @Risk que calcula los valores óptimos de punto de reorden y nivel máximo de inventario, a partir de unos parámetros establecidos.
69
4 CONCLUSIONES
Para Girartex S.A.S., y para cualquier otra empresa manufacturera, es de suma importancia conocer cuáles son sus costos de almacenamiento de inventarios, preparación de una corrida de producción y escasez, ya que por medio de estos puede definir qué política de manejo de inventarios le resulta menos costosa.
No siempre se cumple que el costo de capital sea el más significativo de los costos de almacenamiento. Por ejemplo, en este trabajo, se encontró que en 15 de las 18 referencias era mayor el costo del espacio ocupado en la bodega. Esto puede darse porque la fabricación de los calcetines es económica con el gran volumen que ocupan (algunas referencias en especial). Por este motivo deben considerarse ambas variables en la estimación del costo total de almacenamiento.
El costo de pedido es muy bajo respecto al mantenimiento de inventario y costo de escasez debido a que en el solo se toma en cuenta el tiempo y dinero que incurre cambiar una referencia, esto se puede mejorar tomando en cuenta el tiempo de depreciación de la máquina, cantidad de segundas mientras el cambio se hace correctamente, y demás variables que puedan afectar un cambio de este tipo.
Las series de tiempo fueron un desarrollo muy importante, y durante muchos años han sido el método de pronóstico más utilizado en la academia y empresas, pero hoy en día existen métodos que suelen ser más acertados, como lo son las redes neuronales artificiales. Estas, permiten ajustar comportamientos inusuales de la demanda, incluso cuando no se tiene mucha información.
Los métodos no paramétricos de pronósticos suelen tener una mejor afinidad cuando no se puede generalizar en gran medida la información, esto ocurre cuando hay muy pocos datos o estos son muy volátiles. Y aunque los métodos paramétricos suelen tener menores errores por su sofisticación, cuando los datos no siguen sus parámetros de ruido blanco, autocorrelaciones y entre otros, su resultado no será satisfactorio.
Las redes neuronales artificiales son un método que apenas se está implementando en las industrias en general. Se requiere de gran análisis si usar un método de este tipo ya que existen muchos tipos dependiendo del uso deseado. En este caso las redes GRN y MLF fueron las más usadas dado a su “bajo” error respecto a los modelos de comparación, adicionalmente, eran las que más fácil acceso se tenía.
La demanda de las referencias estudiadas es sumamente volátil y no fue posible realizar pronósticos que tuvieran un MAPE menor al 20%, de hecho, el promedio de los menores MAPEs obtenidos en cada referencia fue de 80.11%. Esto significa que no se deben utilizar los pronósticos realizados sin contemplar una holgura significativa.
70
La elección de una política de manejo de inventario dependerá de las características del producto, comportamiento del mercado y relación con los proveedores. Debido al bajo margen de ganancia que deja un producto tan común como los calcetines y a la gran volatilidad de la demanda, es necesario manejar el inventario de forma muy eficiente. Por este motivo se escogió la política de revisión continua (s, S), ya que tiene en cuenta el error del pronóstico y mantiene actualizada la información de inventarios, evitando desabastos y excesos.
Encontrar el costo mínimo de administración de inventarios de una política de revisión continua (s, S), cuando la demanda no es estacionaria, es un problema complejo que requiere de métodos iterativos para solucionarse. Por este motivo, es indispensable el uso de herramientas computacionales de optimización como RiskOptimizer.
Los valores de (s, S) encontrados varían mucho según el mes y la referencia, por este motivo es necesario darle un tratamiento especial a cada referencia y no se debe generalizar un solo modelo para más de una referencia.
En la simulación de la política sugerida nos encontramos con que el mayor costo esperado era el de mantenimiento de inventario. Esto se debe principalmente a que se está trabajando con desviaciones estándar muy grandes y se requiere de un gran inventario para minimizar el costo de escasez.
La simulación encuentra el costo total promedio de mantener las 18 referencias más importantes para la empresa, desde aquí se pueden tomar decisiones importantes de como proceder en un futuro para que este costo no se incremente (ya que es muy fácil dejar de lado).
Si se quiere seguir explorando las posibilidades de pronósticos con redes neuronales es muy importante usar software especializado para ello, ya que la herramienta usada es muy limitada en su capacidad ya que depende de un programa básico el cual no está hecho para este tipo de procesamiento.
71
5 RECOMENDACIONES
Se recomienda a Girartex S.A.S. adoptar un sistema digital para el manejo de inventarios. Este puede ser tan simple como una macro en Excel o una base de datos en Access o SQL SERVER; pero a medida que la empresa crezca en volumen de ventas se debe considerar migrar a otro software con mayor capacidad y herramientas.
En general, la empresa debe empezar a pensar sobre la posibilidad de ir sistematizando toda la información de su empresa, tanto sus inventarios como entras y salidas de producción, procesos administrativos y demás, donde una consulta de información sea sencilla y lo menos engorrosa posible.
El análisis ABC es una herramienta muy importante para la gerencia, ya que le permite enfocarse en aquellos productos claves para la organización al momento de tomar decisiones (no solo de inventarios). Por este motivo es importante realizar la clasificación de las referencias anualmente y estar muy enfocadas en ellas.
Se sugiere a la empresa probar la política propuesta con algunas referencias, para evaluar su efectividad y conocer posibles ventajas y desventajas que no hayan sido considerados en el trabajo.
Se recomienda complementar el estudio con un plan agregado de producción, para asegurarse que la planta tenga la capacidad de cumplir con la producción en los meses de mayor demanda. Complementarlo con un BOOM y un MRP II para la planeación de materiales y tener en cuenta la bodega de materia prima.
Las Redes Neuronales Artificiales obtuvieron el mejor resultado de pronóstico, pero hay que tener un inmenso cuidado al momento de trabajar con ellas ya que pueden generalizar información que no se encuentra allí debido a un posible sobre entrenamiento de estas.
Debido a la poca cantidad de información sobre demanda, no se encontró un modelo estrella que pueda encontrar una predicción acertada. Es necesario tener más información sobre las ventas, quizá no tenerla mensual, sino semanal para identificar comportamientos adicionales que puedan ayudar a una mejor predicción.
Si se desea hacer una prueba real en las áreas de producción y bodega, es necesario tener más detalle de los costos ya tomados en cuenta, la empresa tiene toda la información y es muy importante usarla para dar la mayor precisión posible para tomar las mejores decisiones.
Las simulaciones se hicieron en un software un poco costoso (Suite Decision Tools 7.6 de la empresa Palisade Corp.), lo cual si se quiere seguir trabajando con esta herramienta es necesario hacer una gran inversión para acceder a este recurso. En el mercado existen diferentes herramientas que posiblemente sean de acceso libre
72
y puedan reemplazar @Risk y NeuralTools de manera sencilla sin incurrir en un gasto demasiado elevado.
Las Redes Neuronales son una nueva tendencia de la Industrial 4.0, esto viene dando la parada en lo mejor de lo mejor, y si se empieza a desarrollar este tipo de tecnologías, en el futuro la empresa se verá con una ventaja competitiva fuerte contra sus competidores y posiblemente los ayude a crecer.
73
REFERENCIAS
Anderson, D., Sweeney, D., Williams, T., Camm, J., & Martin, K. (2001). Metodos cuantitativos para los negocios. Mexico, D.F.: Cengage Learning Editores, S.A.
Ballou, R. (2004). Logística Administración de la Cadena de Suministro. México: Pearson educación.
Bollapragada, S., & Morton, T. (1993). The Non-Stationary (s,S) Inventory Problem: Near Myopic Heuristics, Computational Testing. Pittsburg, Pennsylvania, United States.
Brealey, R., & Mayers, S. (1998). Principios de finanzas corporativas. Madrid: McGRAW-HILL/INTERAMERICANA DE ESPAÑA, S.A.U.
Chopra, S., & Meindl, P. (2013). Administración de la cadena de suministro. Mexico: Pearson Educación.
Damodaran, A. (2018, Enero). Betas by Sector (US). Retrieved from http://pages.stern.nyu.edu/~adamodar/New_Home_Page/datafile/Betas.html
Delicado, P. (2008, Septiembre 14). Curso de Modelos no Param´etricos. Catalunya, España: Universitat Polit`ecnica de Catalunya - Departament d’Estad´ıstica i Investigaci´o Operativa. Retrieved from http://www-eio.upc.edu/~delicado/docencia/Apuntes_Models_No_Parametrics.pdf
González, M. P., & Valencia, L. (2013). PROPUESTA PARA LA GESTION DE INVENTARIOS DE UNA EMPRESA COMERCIALIZADORA DE LLANTAS CASO:INTERNACIONAL DE LLANTAS S.A. Envigado, Antioquia, Colombia.
Gujarati, D. (2004). Econometría. Mexico D.F.: McGraw-Hill/Interamericana.
Harris, F. (1913, Febrero). How many parts to make at once. The Magazine of Management, 10(2), 135-136, 152.
Heizer, J., & Render, B. (2009). Principios de administración de operaciones. Mexico: Pearson educación.
Hilera, J. R., & Martínez, V. (1995, Enero). Redes neuronales artificiales : fundamentos, modelos y aplicaciones, 34, 45-46, 58. Madrid, España: RA-MA Editorial.
Izar Landeta, J. M., Ynzunza Cortés, C. B., & Guarneros García, O. (2016). Variabilidad de la demanda del tiempo de entrega. 61, 499-513.
Juan, A., & Garcia Martín, R. (n.d.). GESTIÓN DE STOCKS: MODELOS DETERMINISTAS.
Laguna, M., & Marklund, J. (2013). Business process modeling, simulation and design. Boca Raton: Taylor & Francis Group, LLC.
74
Law, A., & Kelton, W. (1991). Simulation Modeling and Analysis. Singapore: McGraw-Hili. Inc. .
Lin, M. (2018, Marzo 6). What is the meaning of "root mean squared error" (RMSE) in statistics? USA. Retrieved from https://www.quora.com/What-is-the-meaning-of-root-mean-squared-error-RMSE-in-statistics
López Dumrauf, G. (2010). Finanzas Corporativas. Buenos Aires: Alfaomega.
Méndez Giraldo, G. A., & López Santana, E. R. (2013). Metodología para el pronóstico de la demanda en ambientes multiproducto y de alta variabilidad. Bogotá: Universidad Distrital Francisco José de Caldas.
Minitab Inc. (2017). Explicación de los métodos no paramétricos. Minitab Inc. Retrieved from https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/nonparametrics/supporting-topics/understanding-nonparametric-methods/
Morton, T., & Pentico, D. (1995, February). The Finite Horizon Nonstationary Stochastic Inventory Problem: Near-Myopic Bounds, Heuristics, Testing. Managment Science.
Palisade Corporation. (2015, Junio). Programa auxiliar de redes. Guía para el uso de NeuralTools(7). Ithaca, NY, USA: Palisade Corporation.
Revista Dinero. (2017). Hilando delgado: Así le va a la industria textil colombiana. Dinero. Retrieved from http://www.dinero.com/edicion-impresa/negocios/articulo/industria-textil-se-discute-en-el-marco-de-colombiamoda/246284
Rivera Crisótomo, R., & Ballon Álvarez, E. J. (2008). Teoría General de Sistemas. Perú: Vicerrectorado de Investigación.
Rojo García, J. L., & Sanz Gómez, J. A. (2010). Descomposición de series de tiempo cortas: un enfoque bayesiano. Estadística Esáñola, 52(173), 127-153.
Silver, E., Pyke, D., & Thomas, D. (2017). Inventory and Production Managment in Supply Chains. Boca Raton: Taylor & Francis Group.
Simchi-Levi, D., Kaminsky, P., & Simchi-Levi, E. (2008). Design and Mananing the Supply Chain: Concepts, Strategies and case Studies. New York: McGraw-Hill/Irwin.
SPECHT , D. (1989, Junio 14). Probabilistic Neural Networks, 3, 109-118. USA: Pergamon Press pie. Retrieved from https://www.wi.hs-wismar.de/~cleve/vorl/projects/dm/ss13/PNN/Quellen/Specht_ProbabilisticNeuralNetworks.pdf
Specht, D. (1991, Febrero). A general regression neural network, 2(6). USA: IEEE Transactions on Neural Networks. doi:10.1109/72.97934
75
Sungil, K., & Heeyoung, K. (2016, Septiembre). A new metric of absolute percentage error for intermittent demand forecasts, 32(3), 669-679. International Journal of Forecasting.
T.Kohonen. (1988). "An Introduction to Neural Computing". Neural Networks, 1, 3-16.
Thomopoulos, N. (2007, March). Lost Sales. NEDSI Proceedings.
Velez, M., & Castro, C. (2002, Noviembre). Modelo de Revisión Periódica para el Control del Inventario en Artículos con Demanda Estacional una Aproximación desde la Simulación. Dyna, 23-34.
Vollmann, T., Berry, W., Whybark, D., & Jacobs, F. (2005). Planeación y control de la producción. Administración de la cadena de suministros. Mexico: McGraw-Hill/interamericana editores S.A. de C.V.
76
Anexo 1: Resultado RNA NeuralTools
77
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: miércoles, 17 de octubre de 2018 9:00:39 p. m.
Conjunto de datos: RNA_4621
Red: Red entrenada en RNA_4621
Resumen
Información de red
Nombre Red entrenada en RNA_4621
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica GRNN
Localización RNA_4621.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:00:00
Número de pruebas 55
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)100,0000%
Error cuadrático medio 134,33
Error absoluto medio 88,58
Desviación estándar de error absoluto 100,98
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)91,6667%
Error cuadrático medio 65,28
Error absoluto medio 58,67
Desviación estándar de error absoluto 28,64
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_4621
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 65,96 0:00:00 Auto-Parada
GRNN 65,28 0:00:00 Auto-Parada
MLFN 2 nodos 85,23 0:09:57 Auto-Parada
MLFN 3 nodos 85,59 0:09:57 Auto-Parada
MLFN 4 nodos 85,61 0:09:57 Auto-Parada
MLFN 5 nodos 85,60 0:09:58 Auto-Parada
MLFN 6 nodos 85,63 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,07281 --
Error cuadrático medio (Entrenamiento) 129,35 134,33
Error cuadrático medio (Prueba) 65,96 65,28
Búsqueda de mejor red
Predicción lineal y red neuronal
78
0
2
4
6
8
10
12
-100
-050
000
050
100
150
200
250
300
350
400
450
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
10
20
30
40
50
60
70
80
0
100
200
300
400
500
600
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
0
100
200
300
400
500
0
100
200
300
400
500
600
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-200
0
200
400
600
0
10
20
30
40
50
60
70
80
Res
idu
al
De predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
2
4
6
8
10
-100
-050
000
050
100
150
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
10
20
30
40
50
60
70
80
0
50
100
150
200
250
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
-50
0
50
100
150
0
50
100
150
200
250
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
0
100
200
0
10
20
30
40
50
60
70
80
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
79
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: miércoles, 17 de octubre de 2018 9:55:47 p. m.
Conjunto de datos: RNA_4821-BL-CB
Red: Red entrenada en RNA_4821-BL-CB
Resumen
Información de red
Nombre Red entrenada en RNA_4821-BL-CB
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica GRNN
Localización RNA_4821-BL-CB.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:00:00
Número de pruebas 54
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)0,0000%
Error cuadrático medio 0,0000000000
Error absoluto medio 0,0000000000
Desviación estándar de error absoluto 0,0000000000
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)100,0000%
Error cuadrático medio 165,50
Error absoluto medio 97,00
Desviación estándar de error absoluto 134,09
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_4821-BL-CB
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 192,00 0:00:00 Auto-Parada
GRNN 165,50 0:00:00 Auto-Parada
MLFN 2 nodos 165,61 0:09:58 Auto-Parada
MLFN 3 nodos 165,86 0:09:58 Auto-Parada
MLFN 4 nodos 165,57 0:09:58 Auto-Parada
MLFN 5 nodos 165,51 0:09:57 Auto-Parada
MLFN 6 nodos 165,50 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,05252 --
Error cuadrático medio (Entrenamiento) 49,98 0,0000000000
Error cuadrático medio (Prueba) 192,00 165,50
Búsqueda de mejor red
Predicción lineal y red neuronal
80
0
2
4
6
8
10
12
000
000
000
000
000
000
000
000
000
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
0
20
40
60
80
100
120
140
160
180
200
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
5E-16
1E-15
1,5E-15
2E-15
2,5E-15
3E-15
3,5E-15
4E-15
0
20
40
60
80
100
120
140
160
180
200
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
5E-16
1E-15
1,5E-15
2E-15
2,5E-15
3E-15
3,5E-15
4E-15
0
20
40
60
80
100
120
140
160
180
200
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
7
8
9
-100
000
100
200
300
400
500
600
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
0
100
200
300
400
500
600
700
800
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
0
100
200
300
400
500
600
0
100
200
300
400
500
600
700
800
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
0
100
200
300
400
500
600
0
20
40
60
80
100
120
140
160
180
200
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
81
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 7:25:20 a. m.
Conjunto de datos: RNA_5621
Predicción: Red entrenada en RNA_5621
Resumen
Información de red
Nombre Red entrenada en RNA_5621
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción lineal
Localización RNA_5621.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:00:00
Número de pruebas 0
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)83,3333%
Error cuadrático medio 104,73
Error absoluto medio 76,22
Desviación estándar de error absoluto 71,82
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)83,3333%
Error cuadrático medio 81,35
Error absoluto medio 66,61
Desviación estándar de error absoluto 46,69
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_5621
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 81,35 0:00:00 Auto-Parada
GRNN 98,08 0:00:00 Auto-Parada
MLFN 2 nodos 97,43 0:09:58 Auto-Parada
MLFN 3 nodos 97,71 0:09:58 Auto-Parada
MLFN 4 nodos 98,31 0:09:57 Auto-Parada
MLFN 5 nodos 98,07 0:09:58 Auto-Parada
MLFN 6 nodos 98,08 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,01326 --
Error cuadrático medio (Entrenamiento) 104,73 16,05
Error cuadrático medio (Prueba) 81,35 97,43
Búsqueda de mejor red
Predicción lineal y red neuronal
82
0
1
2
3
4
5
6
7
8
9
-100
-050
000
050
100
150
200
250
300
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
0
50
100
150
200
250
300
350
400
450
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-150-100
-500
50100150200250300350
0 50
100
150
200
250
300
350
400
450
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-150-100
-500
50100150200250300350
0
20
40
60
80
100
120
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
7
8
-100
-050
000
050
100
150
200
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
0
50
100
150
200
250
300
350
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
-50
0
50
100
150
200
250
0
50
100
150
200
250
300
350
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
-50
0
50
100
150
200
250
0
20
40
60
80
100
120
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
83
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 8:24:45 a. m.
Conjunto de datos: RNA_5821-B
Red: Red entrenada en RNA_5821-B
Resumen
Información de red
Nombre Red entrenada en RNA_5821-B
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (2 nodos)
Localización RNA_5821-B.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:58
Número de pruebas 2192656
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)50,0000%
Error cuadrático medio 24,12
Error absoluto medio 15,16
Desviación estándar de error absoluto 18,76
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)83,3333%
Error cuadrático medio 109,24
Error absoluto medio 85,50
Desviación estándar de error absoluto 67,99
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_5821-B
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 142,21 0:00:00 Auto-Parada
GRNN 111,37 0:00:00 Auto-Parada
MLFN 2 nodos 109,24 0:09:58 Auto-Parada
MLFN 3 nodos 111,06 0:09:58 Auto-Parada
MLFN 4 nodos 110,77 0:09:57 Auto-Parada
MLFN 5 nodos 110,50 0:09:58 Auto-Parada
MLFN 6 nodos 111,38 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,03990 --
Error cuadrático medio (Entrenamiento) 80,17 24,12
Error cuadrático medio (Prueba) 142,21 109,24
Búsqueda de mejor red
Predicción lineal y red neuronal
84
0
1
2
3
4
5
6
7
-030
-020
-010
000
010
020
030
040
050
060
070
080
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
300
0
50
100
150
200
250
300
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-40
-20
0
20
40
60
80
0
50
100
150
200
250
300
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-40
-20
0
20
40
60
80
0
50
100
150
200
250
300
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
000
050
100
150
200
250
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
300
0
100
200
300
400
500
600
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
300
0
100
200
300
400
500
600
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
300
0
50
100
150
200
250
300
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
85
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 11:50:57 a. m.
Conjunto de datos: RNA_6821-B
Red: Red entrenada en RNA_6821-B
Resumen
Información de red
Nombre Red entrenada en RNA_6821-B
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (5 nodos)
Localización RNA_6821-B.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:58
Número de pruebas 2056796
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)25,0000%
Error cuadrático medio 6,785
Error absoluto medio 3,711
Desviación estándar de error absoluto 5,680
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)66,6667%
Error cuadrático medio 117,34
Error absoluto medio 82,77
Desviación estándar de error absoluto 83,18
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_6821-B
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 152,45 0:00:00 Auto-Parada
GRNN 141,66 0:00:00 Auto-Parada
MLFN 2 nodos 132,33 0:09:57 Auto-Parada
MLFN 3 nodos 117,76 0:09:58 Auto-Parada
MLFN 4 nodos 117,39 0:09:58 Auto-Parada
MLFN 5 nodos 117,34 0:09:58 Auto-Parada
MLFN 6 nodos 117,40 0:14:09 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,2272 --
Error cuadrático medio (Entrenamiento) 97,94 6,785
Error cuadrático medio (Prueba) 152,45 117,34
Búsqueda de mejor red
Predicción lineal y red neuronal
86
0
1
2
3
4
5
6
-015
-010
-005
000
005
010
015
020
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
050
100150200250300350400450
0
50
100
150
200
250
300
350
400
450
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-15
-10
-5
0
5
10
15
20
0
50
100
150
200
250
300
350
400
450
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-15
-10
-5
0
5
10
15
20
0 50
100
150
200
250
300
350
400
450
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
7
-050
000
050
100
150
200
250
300
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
050
100150200250300350400450
0
100
200
300
400
500
600
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-50
0
50
100
150
200
250
300
0
100
200
300
400
500
600
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-50
0
50
100
150
200
250
300
0
50
100
150
200
250
300
350
400
450
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
87
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 12:44:24 p. m.
Conjunto de datos: RNA_6821-C
Red: Red entrenada en RNA_6821-C
Resumen
Información de red
Nombre Red entrenada en RNA_6821-C
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (4 nodos)
Localización RNA_6821-C.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:58
Número de pruebas 5383324
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)16,6667%
Error cuadrático medio 2,797
Error absoluto medio 1,757
Desviación estándar de error absoluto 2,176
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)100,0000%
Error cuadrático medio 103,88
Error absoluto medio 82,60
Desviación estándar de error absoluto 63,01
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_6821-C
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 119,39 0:00:00 Auto-Parada
GRNN 103,97 0:00:00 Auto-Parada
MLFN 2 nodos 105,14 0:09:57 Auto-Parada
MLFN 3 nodos 105,04 0:09:57 Auto-Parada
MLFN 4 nodos 103,88 0:09:58 Auto-Parada
MLFN 5 nodos 103,96 0:09:58 Auto-Parada
MLFN 6 nodos 103,97 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,01833 --
Error cuadrático medio (Entrenamiento) 29,94 2,797
Error cuadrático medio (Prueba) 119,39 103,88
Búsqueda de mejor red
Predicción lineal y red neuronal
88
0
1
2
3
4
5
6
7
-006
-004
-002
000
002
004
006
008
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
140
0
20
40
60
80
100
120
140
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-6
-4
-2
0
2
4
6
8
0
20
40
60
80
100
120
140
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-6
-4
-2
0
2
4
6
8
0 20
40
60
80
100
120
140
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
7
-050
000
050
100
150
200
250
300
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
140
0
50
100
150
200
250
300
350
400
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-50
0
50
100
150
200
250
300
0
50
100
150
200
250
300
350
400
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-50
0
50
100
150
200
250
300
0
20
40
60
80
100
120
140
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
89
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 9:20:03 a. m.
Conjunto de datos: 5821-C-CB
Red: Red entrenada en 5821-C-CB
Resumen
Información de red
Nombre Red entrenada en 5821-C-CB
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (4 nodos)
Localización RNA_5821-C-CB.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:58
Número de pruebas 8397745
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)8,3333%
Error cuadrático medio 0,8261
Error absoluto medio 0,5072
Desviación estándar de error absoluto 0,6521
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)83,3333%
Error cuadrático medio 94,36
Error absoluto medio 64,76
Desviación estándar de error absoluto 68,63
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre 5821-C-CB
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 103,88 0:00:00 Auto-Parada
GRNN 94,37 0:00:00 Auto-Parada
MLFN 2 nodos 94,55 0:09:58 Auto-Parada
MLFN 3 nodos 94,95 0:09:57 Auto-Parada
MLFN 4 nodos 94,36 0:09:58 Auto-Parada
MLFN 5 nodos 94,37 0:09:58 Auto-Parada
MLFN 6 nodos 94,37 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,08311 --
Error cuadrático medio (Entrenamiento) 24,86 0,8261
Error cuadrático medio (Prueba) 103,88 94,36
Búsqueda de mejor red
Predicción lineal y red neuronal
90
0
1
2
3
4
5
6
7
-002
-002
-001
-001
000
001
001
002
002
003
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
0 10
20
30
40
50
60
70
80
90
100
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-2-1,5
-1-0,5
00,5
11,5
22,5
0
10
20
30
40
50
60
70
80
90
100
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-2-1,5
-1-0,5
00,5
11,5
22,5
0
10
20
30
40
50
60
70
80
90
100
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
-050
000
050
100
150
200
250
300
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
0
50
100
150
200
250
300
350
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-50
0
50
100
150
200
250
300
0
50
100
150
200
250
300
350
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-50
0
50
100
150
200
250
300
0
10
20
30
40
50
60
70
80
90
100
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
91
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 1:37:06 p. m.
Conjunto de datos: RNA_6921
Red: Red entrenada en RNA_6921
Resumen
Información de red
Nombre Red entrenada en RNA_6921
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (2 nodos)
Localización RNA_6921.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:58
Número de pruebas 861234
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)58,3333%
Error cuadrático medio 30,44
Error absoluto medio 21,84
Desviación estándar de error absoluto 21,19
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)66,6667%
Error cuadrático medio 105,08
Error absoluto medio 60,22
Desviación estándar de error absoluto 86,11
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_6921
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 114,24 0:00:00 Auto-Parada
GRNN 107,12 0:00:00 Auto-Parada
MLFN 2 nodos 105,08 0:09:58 Auto-Parada
MLFN 3 nodos 106,03 0:09:58 Auto-Parada
MLFN 4 nodos 106,88 0:09:57 Auto-Parada
MLFN 5 nodos 107,12 0:09:58 Auto-Parada
MLFN 6 nodos 107,13 0:09:57 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,04755 --
Error cuadrático medio (Entrenamiento) 171,78 30,44
Error cuadrático medio (Prueba) 114,24 105,08
Búsqueda de mejor red
Predicción lineal y red neuronal
92
0
1
2
3
4
5
6
-080
-060
-040
-020
000
020
040
060
080
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
100
200
300
400
500
600
700
0
100
200
300
400
500
600
700
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-80
-60
-40
-20
0
20
40
60
80
0
100
200
300
400
500
600
700
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-80
-60
-40
-20
0
20
40
60
80
0
100
200
300
400
500
600
700
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
2
4
6
8
10
-250
-200
-150
-100
-050
000
050
100
150
200
250
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
100
200
300
400
500
600
700
0
50
100
150
200
250
300
350
400
450
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-300
-200
-100
0
100
200
300
0
50
100
150
200
250
300
350
400
450
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-300
-200
-100
0
100
200
300
0
100
200
300
400
500
600
700
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
93
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 2:56:19 p. m.
Conjunto de datos: RNA_7113-BL
Red: Red entrenada en RNA_7113-BL
Resumen
Información de red
Nombre Red entrenada en RNA_7113-BL
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (2 nodos)
Localización RNA_7113-BL.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:58
Número de pruebas 12378872
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)41,6667%
Error cuadrático medio 6,747
Error absoluto medio 4,893
Desviación estándar de error absoluto 4,646
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)58,3333%
Error cuadrático medio 17,74
Error absoluto medio 12,22
Desviación estándar de error absoluto 12,86
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_7113-BL
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 46,24 0:00:00 Auto-Parada
GRNN 19,23 0:00:00 Auto-Parada
MLFN 2 nodos 17,74 0:09:58 Auto-Parada
MLFN 3 nodos 18,40 0:09:58 Auto-Parada
MLFN 4 nodos 19,14 0:09:58 Auto-Parada
MLFN 5 nodos 19,30 0:09:57 Auto-Parada
MLFN 6 nodos 19,23 0:09:57 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,07474 --
Error cuadrático medio (Entrenamiento) 49,35 6,747
Error cuadrático medio (Prueba) 46,24 17,74
Búsqueda de mejor red
Predicción lineal y red neuronal
94
0
1
2
3
4
5
6
7
-015
-010
-005
000
005
010
015
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
0
20
40
60
80
100
120
140
160
180
200
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-15
-10
-5
0
5
10
15
0
20
40
60
80
100
120
140
160
180
200
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-15
-10
-5
0
5
10
15
0
20
40
60
80
100
120
140
160
180
200
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
-050
-040
-030
-020
-010
000
010
020
030
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
0 20
40
60
80
100
120
140
160
180
200
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-60
-40
-20
0
20
40
0
20
40
60
80
100
120
140
160
180
200
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-60
-40
-20
0
20
40
0
20
40
60
80
100
120
140
160
180
200
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
95
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 3:49:29 p. m.
Conjunto de datos: RNA_7152
Red: Red entrenada en RNA_7152
Resumen
Información de red
Nombre Red entrenada en RNA_7152
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica GRNN
Localización RNA_7152.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:00:00
Número de pruebas 70
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)25,0000%
Error cuadrático medio 24,24
Error absoluto medio 17,78
Desviación estándar de error absoluto 16,48
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)75,0000%
Error cuadrático medio 39,38
Error absoluto medio 34,50
Desviación estándar de error absoluto 19,00
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_7152
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 41,40 0:00:00 Auto-Parada
GRNN 39,38 0:00:00 Auto-Parada
MLFN 2 nodos 42,51 0:09:58 Auto-Parada
MLFN 3 nodos 42,11 0:09:58 Auto-Parada
MLFN 4 nodos 41,95 0:09:57 Auto-Parada
MLFN 5 nodos 41,88 0:09:58 Auto-Parada
MLFN 6 nodos 41,86 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,5722 --
Error cuadrático medio (Entrenamiento) 29,22 24,24
Error cuadrático medio (Prueba) 41,40 39,38
Búsqueda de mejor red
Predicción lineal y red neuronal
96
0
1
2
3
4
5
6
-040
-030
-020
-010
000
010
020
030
040
050
060
070
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
140
160
0 50
100
150
200
250
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-60
-40
-20
0
20
40
60
80
0
50
100
150
200
250
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-60
-40
-20
0
20
40
60
80
0
20
40
60
80
100
120
140
160
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
7
8
-090
-080
-070
-060
-050
-040
-030
-020
-010
000
010
020
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
140
160
0
20
40
60
80
100
120
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
-80
-60
-40
-20
0
20
40
0 20
40
60
80
100
120
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
-80
-60
-40
-20
0
20
40
0
20
40
60
80
100
120
140
160
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
97
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: miércoles, 17 de octubre de 2018 8:24:24 a. m.
Conjunto de datos: RNA_7921
Red: Red entrenada en RNA_7921
Resumen
Información de red
Nombre Red entrenada en RNA_7921
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica GRNN
Localización RNA_7921.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:00:00
Número de pruebas 62
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)75,0000%
Error cuadrático medio 97,94
Error absoluto medio 68,53
Desviación estándar de error absoluto 69,97
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)66,6667%
Error cuadrático medio 124,32
Error absoluto medio 78,22
Desviación estándar de error absoluto 96,62
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_7921
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 180,11 0:00:00 Auto-Parada
GRNN 124,32 0:00:00 Auto-Parada
MLFN 2 nodos 137,55 0:09:58 Auto-Parada
MLFN 3 nodos 136,48 0:09:58 Auto-Parada
MLFN 4 nodos 136,11 0:09:58 Auto-Parada
MLFN 5 nodos 135,23 8:36:35 Auto-Parada
MLFN 6 nodos 136,83 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,01229 --
Error cuadrático medio (Entrenamiento) 165,35 97,94
Error cuadrático medio (Prueba) 180,11 124,32
Búsqueda de mejor red
Predicción lineal y red neuronal
98
0
1
2
3
4
5
6
7
-100
-050
000
050
100
150
200
250
300
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
300
350
400
0
100
200
300
400
500
600
700
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-150-100
-500
50100150200250300
0
100
200
300
400
500
600
700
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-150-100
-500
50100150200250300
0
50
100
150
200
250
300
350
400
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
-150
-100
-050
000
050
100
150
200
250
300
350
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
300
350
400
0
100
200
300
400
500
600
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-200
-100
0
100
200
300
400
0
100
200
300
400
500
600
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-200
-100
0
100
200
300
400
0
50
100
150
200
250
300
350
400
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
99
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 4:44:55 p. m.
Conjunto de datos: RNA_7921-BG
Red: Red entrenada en RNA_7921-BG
Resumen
Información de red
Nombre Red entrenada en RNA_7921-BG
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (3 nodos)
Localización RNA_7921-BG.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:57
Número de pruebas 3232716
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)50,0000%
Error cuadrático medio 2,769
Error absoluto medio 2,000
Desviación estándar de error absoluto 1,915
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)83,3333%
Error cuadrático medio 41,93
Error absoluto medio 22,83
Desviación estándar de error absoluto 35,17
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_7921-BG
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 42,48 0:00:00 Auto-Parada
GRNN 42,35 0:00:00 Auto-Parada
MLFN 2 nodos 48,62 0:09:57 Auto-Parada
MLFN 3 nodos 41,93 0:09:57 Auto-Parada
MLFN 4 nodos 41,99 0:09:57 Auto-Parada
MLFN 5 nodos 42,08 0:09:57 Auto-Parada
MLFN 6 nodos 42,08 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,007389 --
Error cuadrático medio (Entrenamiento) 24,76 2,769
Error cuadrático medio (Prueba) 42,48 41,93
Búsqueda de mejor red
Predicción lineal y red neuronal
100
0
1
2
3
4
5
6
7
-006
-004
-002
000
002
004
006
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
0
10
20
30
40
50
60
70
80
90
100
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-8
-6
-4
-2
0
2
4
6
0
10
20
30
40
50
60
70
80
90
100
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-8
-6
-4
-2
0
2
4
6
0
10
20
30
40
50
60
70
80
90
100
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
01
23456
789
-060
-040
-020
000
020
040
060
080
100
120
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
0
20
40
60
80
100
120
140
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
-50
0
50
100
150
0
20
40
60
80
100
120
140
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
-50
0
50
100
150
0
10
20
30
40
50
60
70
80
90
100
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
101
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 5:36:34 p. m.
Conjunto de datos: RNA_8041
Red: Red entrenada en RNA_8041
Resumen
Información de red
Nombre Red entrenada en RNA_8041
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica GRNN
Localización RNA_8041.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:00:00
Número de pruebas 53
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)58,3333%
Error cuadrático medio 34,67
Error absoluto medio 31,31
Desviación estándar de error absoluto 14,89
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)75,0000%
Error cuadrático medio 36,81
Error absoluto medio 31,01
Desviación estándar de error absoluto 19,84
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_8041
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 41,72 0:00:00 Auto-Parada
GRNN 36,81 0:00:00 Auto-Parada
MLFN 2 nodos 41,98 0:09:58 Auto-Parada
MLFN 3 nodos 43,15 0:09:58 Auto-Parada
MLFN 4 nodos 45,80 0:09:58 Auto-Parada
MLFN 5 nodos 48,56 0:09:58 Auto-Parada
MLFN 6 nodos 48,56 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,5903 --
Error cuadrático medio (Entrenamiento) 36,38 34,67
Error cuadrático medio (Prueba) 41,72 36,81
Búsqueda de mejor red
Predicción lineal y red neuronal
102
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
-060
-040
-020
000
020
040
060
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
140
160
0
20
40
60
80
100
120
140
160
180
200
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-60
-40
-20
0
20
40
60
80
0
20
40
60
80
100
120
140
160
180
200
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-60
-40
-20
0
20
40
60
80
0
20
40
60
80
100
120
140
160
Res
idu
al
De predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
-060
-050
-040
-030
-020
-010
000
010
020
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
140
160
0
20
40
60
80
100
120
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-80
-60
-40
-20
0
20
0
20
40
60
80
100
120
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-80
-60
-40
-20
0
20
0
20
40
60
80
100
120
140
160
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
103
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 6:34:06 p. m.
Conjunto de datos: RNA_8121
Red: Red entrenada en RNA_8121
Resumen
Información de red
Nombre Red entrenada en RNA_8121
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (4 nodos)
Localización RNA_8121.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:58
Número de pruebas 9534973
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)0,0000%
Error cuadrático medio 1,484
Error absoluto medio 0,8638
Desviación estándar de error absoluto 1,207
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)66,6667%
Error cuadrático medio 12,88
Error absoluto medio 9,838
Desviación estándar de error absoluto 8,315
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_8121
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 20,02 0:00:00 Auto-Parada
GRNN 18,57 0:00:00 Auto-Parada
MLFN 2 nodos 14,77 0:09:58 Auto-Parada
MLFN 3 nodos 13,36 0:09:58 Auto-Parada
MLFN 4 nodos 12,88 0:09:58 Auto-Parada
MLFN 5 nodos 13,28 0:09:58 Auto-Parada
MLFN 6 nodos 13,28 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,4604 --
Error cuadrático medio (Entrenamiento) 18,49 1,484
Error cuadrático medio (Prueba) 20,02 12,88
Búsqueda de mejor red
Predicción lineal y red neuronal
104
0
1
2
3
4
5
6
7
-003
-002
-001
000
001
002
003
004
005
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
0 20
40
60
80
100
120
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-3
-2
-1
0
1
2
3
4
5
0
20
40
60
80
100
120
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-3
-2
-1
0
1
2
3
4
5
0
20
40
60
80
100
120
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
-035
-030
-025
-020
-015
-010
-005
000
005
010
015
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
0
10
20
30
40
50
60
70
80D
e p
red
icci
ón
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-40
-20
0
20
0 10
20
30
40
50
60
70
80
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-40
-30
-20
-10
0
10
20
0
20
40
60
80
100
120
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
105
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: jueves, 18 de octubre de 2018 8:40:18 p. m.
Conjunto de datos: RNA_8125M
Predicción: Red entrenada en RNA_8125M
Resumen
Información de red
Nombre Red entrenada en RNA_8125M
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción lineal
Localización RNA_8125M.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:00:00
Número de pruebas 0
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)75,0000%
Error cuadrático medio 92,46
Error absoluto medio 80,43
Desviación estándar de error absoluto 45,60
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)100,0000%
Error cuadrático medio 144,65
Error absoluto medio 135,50
Desviación estándar de error absoluto 50,62
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_8125M
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 144,65 0:00:00 Auto-Parada
GRNN 145,22 0:00:00 Auto-Parada
MLFN 2 nodos 155,85 0:09:58 Auto-Parada
MLFN 3 nodos 163,83 0:09:58 Auto-Parada
MLFN 4 nodos 165,36 0:09:58 Auto-Parada
MLFN 5 nodos 165,58 0:09:58 Auto-Parada
MLFN 6 nodos 165,58 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,2658 --
Error cuadrático medio (Entrenamiento) 92,46 89,57
Error cuadrático medio (Prueba) 144,65 145,22
Búsqueda de mejor red
Predicción lineal y red neuronal
106
-40
-30
-20
-10
0
10
20
0
20
40
60
80
100
120
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
-150
-100
-050
000
050
100
150
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
300
350
0
50
100
150
200
250
300
350
400
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-200
-150
-100
-50
0
50
100
150
200
0
50
100
150
200
250
300
350
400
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-200
-150
-100
-50
0
50
100
150
200
0
50
100
150
200
250
300
350
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
-280
-260
-240
-220
-200
-180
-160
-140
-120
-100
-080
-060
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
300
350
0
20
40
60
80
100
120
140
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-300
-250
-200
-150
-100
-50
0
0
20
40
60
80
100
120
140
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
107
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: viernes, 19 de octubre de 2018 6:47:44 a. m.
Conjunto de datos: RNA_8152
Red: Red entrenada en RNA_8152
Resumen
Información de red
Nombre Red entrenada en RNA_8152
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica GRNN
Localización RNA_8152.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:00:00
Número de pruebas 53
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)58,3333%
Error cuadrático medio 64,38
Error absoluto medio 46,37
Desviación estándar de error absoluto 44,65
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)66,6667%
Error cuadrático medio 89,06
Error absoluto medio 63,07
Desviación estándar de error absoluto 62,88
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_8152
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 94,59 0:00:00 Auto-Parada
GRNN 89,06 0:00:00 Auto-Parada
MLFN 2 nodos 124,70 0:09:58 Auto-Parada
MLFN 3 nodos 125,23 0:09:58 Auto-Parada
MLFN 4 nodos 126,05 0:09:58 Auto-Parada
MLFN 5 nodos 127,06 0:09:58 Auto-Parada
MLFN 6 nodos 127,04 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,4503 --
Error cuadrático medio (Entrenamiento) 74,23 64,38
Error cuadrático medio (Prueba) 94,59 89,06
Búsqueda de mejor red
Predicción lineal y red neuronal
108
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
-100
-050
000
050
100
150
200
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
0
50
100
150
200
250
300
350
400
450
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
-50
0
50
100
150
200
0
50
100
150
200
250
300
350
400
450
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
-50
0
50
100
150
200
0
50
100
150
200
250
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
7
-250
-200
-150
-100
-050
000
050
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
50
100
150
200
250
-40
-20 0
20
40
60
80
100
120
140
160
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-250
-200
-150
-100
-50
0
50
-40
-20 0 20
40
60
80
100
120
140
160
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-250
-200
-150
-100
-50
0
50
0
50
100
150
200
250
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
109
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: viernes, 19 de octubre de 2018 8:39:50 a. m.
Conjunto de datos: RNA_8821-C
Red: Red entrenada en RNA_8821-C
Resumen
Información de red
Nombre Red entrenada en RNA_8821-C
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (4 nodos)
Localización RNA_8821-C.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:58
Número de pruebas 12969535
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)25,0000%
Error cuadrático medio 4,830
Error absoluto medio 2,756
Desviación estándar de error absoluto 3,966
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)91,6667%
Error cuadrático medio 204,82
Error absoluto medio 114,22
Desviación estándar de error absoluto 170,01
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_8821-C
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 220,93 0:00:00 Auto-Parada
GRNN 215,97 0:00:00 Auto-Parada
MLFN 2 nodos 205,23 0:09:58 Auto-Parada
MLFN 3 nodos 204,87 0:09:58 Auto-Parada
MLFN 4 nodos 204,82 0:09:58 Auto-Parada
MLFN 5 nodos 204,90 0:09:57 Auto-Parada
MLFN 6 nodos 204,90 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,04649 --
Error cuadrático medio (Entrenamiento) 27,61 4,830
Error cuadrático medio (Prueba) 220,93 204,82
Búsqueda de mejor red
Predicción lineal y red neuronal
110
0
1
2
3
4
5
6
7
8
-015
-010
-005
000
005
010
015
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
0
20
40
60
80
100
120
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-15
-10
-5
0
5
10
15
0
20
40
60
80
100
120
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-15
-10
-5
0
5
10
15
0
20
40
60
80
100
120
Res
idu
alDe predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
2
4
6
8
10
-100
000
100
200
300
400
500
600
700
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
20
40
60
80
100
120
0
100
200
300
400
500
600
700
800
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-200
0
200
400
600
800
0
100
200
300
400
500
600
700
800
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-200
0
200
400
600
800
0
20
40
60
80
100
120
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
111
NeuralTools: Entrenamiento, Auto-Prueba y Auto-Predicción de red neuronalEjecutado por: DELL
Fecha: viernes, 19 de octubre de 2018 7:47:36 a. m.
Conjunto de datos: RNA_8821
Red: Red entrenada en RNA_8821
Resumen
Información de red
Nombre Red entrenada en RNA_8821
Configuraciones incluidas en la búsqueda GRNN, MLFN 2 a 6 nodos
Mejor configuración Predicción numérica MLFN (6 nodos)
Localización RNA_8821.ntf
Variable de categoría independiente 0
Variables numéricas independientes 1 (Mes)
Variable dependiente Var. numérica (Unidades)
Entrenando
Número de casos 12
Tiempo de Entrenamiento 0:09:58
Número de pruebas 2159783
Razón de la parada Auto-Parada
% de predicciones incorrectas (30% tolerancia)0,0000%
Error cuadrático medio 0,1897
Error absoluto medio 0,1508
Desviación estándar de error absoluto 0,1150
Probando
Número de casos 12
% de predicciones incorrectas (30% tolerancia)100,0000%
Error cuadrático medio 146,04
Error absoluto medio 104,34
Desviación estándar de error absoluto 102,19
Predicción
Número de casos 6
Predicción en Vivo activada NO
Conjunto de datos
Nombre RNA_8821
Número de filas 30
Etiquetas manuales de caso SÍ
Error RMSTiempo de EntrenamientoRazón de parada de entrenamiento
Predicción lineal 202,23 0:00:00 Auto-Parada
GRNN 178,81 0:00:00 Auto-Parada
MLFN 2 nodos 146,68 0:09:58 Auto-Parada
MLFN 3 nodos 146,67 0:09:58 Auto-Parada
MLFN 4 nodos 146,28 0:09:58 Auto-Parada
MLFN 5 nodos 146,08 0:09:58 Auto-Parada
MLFN 6 nodos 146,04 0:09:58 Auto-Parada
Predicción lineal Red neuronal
R-Cuadrado (Entrenamiento) 0,2764 --
Error cuadrático medio (Entrenamiento) 87,42 0,1897
Error cuadrático medio (Prueba) 202,23 146,04
Búsqueda de mejor red
Predicción lineal y red neuronal
112
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
000
000
000
000
000
000
000
000
Frec
uen
cia
Histograma de residuales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
050
100150200250300350400450
0
50
100
150
200
250
300
350
400
450
De
pre
dic
ció
n
Real
De predicción y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-0,3
-0,2
-0,1
0
0,1
0,2
0,3
0,4
0 50
100
150
200
250
300
350
400
450
Res
idu
al
Real
Residuales y Reales (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-0,3
-0,2
-0,1
0
0,1
0,2
0,3
0,4
0
50
100
150
200
250
300
350
400
450
Res
idu
al
De predicción
Residuales y de predicción (Entrenando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
1
2
3
4
5
6
-050
000
050
100
150
200
250
300
350
Frec
uen
cia
Histograma de residuales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
0
100
200
300
400
500
0
100
200
300
400
500
600
700
800
De
pre
dic
ció
n
Real
De predicción y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
0
100
200
300
400
0
100
200
300
400
500
600
700
800
Res
idu
al
Real
Residuales y Reales (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
-100
0
100
200
300
400
0 50
100
150
200
250
300
350
400
450
Res
idu
al
De predicción
Residuales y de predicción (Probando)
NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de NeuralTools Versión de
113
Anexo 2: Script en Rstudio
#Librerías y Paquetes para Script ------------------------------------
-------------------------------------------------------
require(TSA)
require(forecast)
require(Cairo)
library(readr)
#Importar Data -------------------------------------------------------
--------------------------------------------------------
#Ventas mensuales por referencia 2016 al 2017-------------------------
-----------------------------
modelo_7921 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_7921.csv")
modelo_4621 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_4621.csv")
modelo_4821_BL_CB <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_4821_BL_CB.csv")
modelo_5621 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_5621.csv")
modelo_5821_B <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_5821_B.csv")
modelo_5821_C_CB <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_5821_C_CB.csv")
modelo_6821_B <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_6821_B.csv")
modelo_6821_C <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_6821_C.csv")
modelo_6921 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_6921.csv")
modelo_7113_BL <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_7113_BL.csv")
modelo_7152 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_7152.csv")
modelo_7921_BG <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_7921_BG.csv")
modelo_8041 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_8041.csv")
modelo_8121 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_8121.csv")
modelo_8125M <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_8125M.csv")
modelo_8152 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_8152.csv")
modelo_8821 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_8821.csv")
114
modelo_8821_C <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_8821_C.csv")
modelo_8821_C_AD <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_8821_C_AD.csv")
modelo_7921 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/modelo_7921.csv")
##Ventas mensuales por referencia 2016 al 2018 (primeros 6 meses del
2018)--------------------------
Accuracy_7921 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_7921.csv")
Accuracy_4621 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_4621.csv")
Accuracy_4821_BL_CB <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_4821_BL_CB.csv")
Accuracy_5621 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_5621.csv")
Accuracy_5821_B <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_5821_B.csv")
Accuracy_5821_C_CB <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_5821_C_CB.csv")
Accuracy_6821_B <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_6821_B.csv")
Accuracy_6821_C <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_6821_C.csv")
Accuracy_6921 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_6921.csv")
Accuracy_7113_BL <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_7113_BL.csv")
Accuracy_7152 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_7152.csv")
Accuracy_7921_BG <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_7921_BG.csv")
Accuracy_8041 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_8041.csv")
Accuracy_8121 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_8121.csv")
Accuracy_8125M <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_8125M.csv")
Accuracy_8152 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_8152.csv")
Accuracy_8821 <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_8821.csv")
Accuracy_8821_C <- read_csv("C:/Users/DELL/Desktop/Modelos
R/Accuracy_8821_C.csv")
#NOMBRAMIENTO DE DATA ------------------------------------------------
-------------------------------------------------------
datos <- modelo_7921 # Datos 1
comparacion <- Accuracy_7921
115
datos <- modelo_4621 # Datos 2
comparacion <- Accuracy_4621
datos <- modelo_4821_BL_CB # Datos 3
comparacion <- Accuracy_4821_BL_CB
datos <- modelo_5621 # Datos 4
comparacion <- Accuracy_5621
datos <- modelo_5821_B # Datos 5
comparacion <- Accuracy_5821_B
datos <- modelo_5821_C_CB # Datos 6
comparacion <- Accuracy_5821_C_CB
datos <- modelo_6821_B # Datos 7
comparacion <- Accuracy_6821_B
datos <- modelo_6821_C # Datos 8
comparacion <- Accuracy_6821_C
datos <- modelo_6921 # Datos 9
comparacion <- Accuracy_6921
datos <- modelo_7113_BL # Datos 10
comparacion <- Accuracy_7113_BL
datos <- modelo_7152 # Datos 11
comparacion <- Accuracy_7152
datos <- modelo_7921_BG # Datos 12
comparacion <- Accuracy_7921_BG
datos <- modelo_8041 # Datos 13
comparacion <- Accuracy_8041
datos <- modelo_8121 # Datos 14
comparacion <- Accuracy_8121
datos <- modelo_8125M # Datos 15
comparacion <- Accuracy_8125M
datos <- modelo_8152 # Datos 16
comparacion <- Accuracy_8152
datos <- modelo_8821 # Datos 17
comparacion <- Accuracy_8821
datos <- modelo_8821_C # Datos 18
comparacion <- Accuracy_8821_C
serie1 <- ts(datos, frequency = 12, start=c(2016,1),end=c(2017,12))
comp <- ts(comparacion, start=c(2016, 1), end = c(2018,6))
#CONFIGURACIÓN DE MODELOS --------------------------------------------
-------------------------------------------------------
#Suavizamiento exponencial
m1 <- HoltWinters(serie1, # Periodo de ajuste de la serie
alpha = NULL, # parámetro
beta = FALSE, # parámetro - FALSE no se considera
esta componente
gamma = FALSE) # parámetro - FALSE no se considera
esta componente
#Suavizamineto de Holt
m2 <- HoltWinters(serie1, # serie
116
alpha = NULL, # NULL indica que se calcule el
alpha óptimo
beta = NULL, # NULL indica que se calcule el alpha
óptimo
gamma = FALSE)
#HoltWinters multiplicativo
m3 <- HoltWinters(serie1, # serie
alpha = NULL, # NULL indica que se calcule el
alpha óptimo
beta = NULL, # no se considera esta componente
gamma = NULL,
seasonal = "multiplicative" )
#HoltWinters aditivo
m4 <- HoltWinters(serie1, # serie
alpha = NULL, # NULL indica que se calcule el
alpha óptimo
beta = NULL, # no se considera esta componente
gamma = NULL,
seasonal = "additive")
# PRONÓSTICOS PARA CADA MODELO ---------------------------------------
------------------------------------------------------
Prono1 <- predict(m1, n.ahead = 6) #Suavisamiento Exponencial
Prono2 <- predict(m2, n.ahead = 6) #Suavisamiento de Holt
Prono3 <- predict(m3, n.ahead = 6) #Holtwinters Multiplicativo
Prono4 <- predict(m4, n.ahead = 6) #Holtwinters Aditivo
Prono1
Prono2
Prono3
Prono4
# PARÁMETROS DE MODELOS ----------------------------------------------
------------------------------------------------------
m1
m2
m3
m4
# CALCULO DE ERRORES DE PREDICCIÓN versus DATO REAL ------------------
------------------------------------------------------
accuracy(Prono1, comp)
accuracy(Prono2, comp)
accuracy(Prono3, comp)
accuracy(Prono4, comp)
117
Anexo 3: Demandas Semanales
4621 5621 6921 7152 7921 8041 8121 8152 8821
Julio 0,00 3,36 1,62 2,63 8,04 1,29 1,08 2,00 1,08
Agosto 0,19 3,23 0,96 2,44 7,70 3,73 1,12 2,48 1,12
Septiembre 0,41 3,23 2,80 4,00 7,76 3,86 1,40 4,44 1,40
Octubre 1,44 3,11 5,19 5,77 7,46 4,19 2,69 9,14 2,69
Noviembre 0,65 3,41 2,54 8,33 8,08 7,92 4,17 16,54 4,17
Diciembre 7,24 3,38 11,42 4,29 8,10 4,03 1,25 6,33 1,25
4821-BL-CB 5821-B 5821-C-CB 6821-B 6821-C 7113-BL 7921-BG 8125M 8821-C
Julio 0,91 1,42 0,67 1,38 1,29 1,00 0,61 10,70 1,42
Agosto 0,87 0,88 0,40 1,28 0,80 0,08 0,58 10,82 0,76
Septiembre 0,87 0,32 0,00 0,44 0,44 0,84 0,58 8,52 0,44
Octubre 2,15 3,96 0,50 6,42 0,73 0,46 0,56 21,19 1,88
Noviembre 0,91 1,75 0,62 2,38 0,83 0,42 0,61 25,48 1,29
Diciembre 7,25 10,92 2,46 17,29 4,79 4,54 0,61 81,88 4,25
Semana 4621 5621 6921 7152 7921 8041 8121 8152 8821
1 0,00 23,51 11,37 18,38 56,28 9,04 7,58 14,00 7,58
2 0,00 23,51 11,37 18,38 56,28 9,04 7,58 14,00 7,58
3 0,00 23,51 11,37 18,38 56,28 9,04 7,58 14,00 7,58
4 0,00 23,51 11,37 18,38 56,28 9,04 7,58 14,00 7,58
5 0,96 22,86 8,05 17,45 54,57 21,23 7,77 16,40 7,77
6 1,34 22,59 6,72 17,08 53,89 26,11 7,84 17,36 7,84
7 1,34 22,59 6,72 17,08 53,89 26,11 7,84 17,36 7,84
8 1,34 22,59 6,72 17,08 53,89 26,11 7,84 17,36 7,84
9 1,77 22,59 10,40 20,20 54,01 26,37 8,40 21,28 8,40
10 2,86 22,58 19,60 28,00 54,30 27,03 9,80 31,08 9,80
11 2,86 22,58 19,60 28,00 54,30 27,03 9,80 31,08 9,80
12 2,86 22,58 19,60 28,00 54,30 27,03 9,80 31,08 9,80
13 2,86 22,58 19,60 28,00 54,30 27,03 9,80 31,08 9,80
14 10,08 21,80 36,35 40,38 52,22 29,36 18,85 64,01 18,85
15 10,08 21,80 36,35 40,38 52,22 29,36 18,85 64,01 18,85
16 10,08 21,80 36,35 40,38 52,22 29,36 18,85 64,01 18,85
17 10,08 21,80 36,35 40,38 52,22 29,36 18,85 64,01 18,85
18 6,94 22,98 25,74 50,64 54,69 44,25 24,74 93,60 24,74
19 4,58 23,87 17,79 58,33 56,55 55,42 29,17 115,79 29,17
20 4,58 23,87 17,79 58,33 56,55 55,42 29,17 115,79 29,17
21 4,58 23,87 17,79 58,33 56,55 55,42 29,17 115,79 29,17
22 17,76 23,82 35,54 50,25 56,60 47,65 23,33 95,37 23,33
23 50,70 23,69 79,92 30,04 56,73 28,22 8,75 44,33 8,75
24 50,70 23,69 79,92 30,04 56,73 28,22 8,75 44,33 8,75
25 50,70 23,69 79,92 30,04 56,73 28,22 8,75 44,33 8,75
26 50,70 23,69 79,92 30,04 56,73 28,22 8,75 44,33 8,75
118
Anexo 4: Desviaciones estándar semanales
Anexo 5: Resultado Optimización de cada referencia
Semana 4821-BL-CB 5821-B 5821-C-CB 6821-B 6821-C 7113-BL 7921-BG 8125M 8821-C
1 6,37 9,92 4,67 9,63 9,04 7,01 4,25 74,89 9,92
2 6,37 9,92 4,67 9,63 9,04 7,01 4,25 74,89 9,92
3 6,37 9,92 4,67 9,63 9,04 7,01 4,25 74,89 9,92
4 6,37 9,92 4,67 9,63 9,04 7,01 4,25 74,89 9,92
5 6,19 7,23 3,33 9,15 6,58 2,41 4,13 75,49 6,63
6 6,11 6,15 2,80 8,96 5,60 0,57 4,08 75,72 5,32
7 6,11 6,15 2,80 8,96 5,60 0,57 4,08 75,72 5,32
8 6,11 6,15 2,80 8,96 5,60 0,57 4,08 75,72 5,32
9 6,11 5,04 2,00 7,28 4,88 2,08 4,08 71,13 4,68
10 6,11 2,24 0,00 3,06 3,08 5,86 4,08 59,66 3,09
11 6,11 2,24 0,00 3,06 3,08 5,86 4,08 59,66 3,09
12 6,11 2,24 0,00 3,06 3,08 5,86 4,08 59,66 3,09
13 6,11 2,24 0,00 3,06 3,08 5,86 4,08 59,66 3,09
14 15,08 27,73 3,50 44,96 5,12 3,23 3,92 148,30 13,19
15 15,08 27,73 3,50 44,96 5,12 3,23 3,92 148,30 13,19
16 15,08 27,73 3,50 44,96 5,12 3,23 3,92 148,30 13,19
17 15,08 27,73 3,50 44,96 5,12 3,23 3,92 148,30 13,19
18 10,10 18,88 4,00 28,77 5,53 3,05 4,11 165,50 10,82
19 6,37 12,25 4,37 16,63 5,83 2,92 4,25 178,39 9,04
20 6,37 12,25 4,37 16,63 5,83 2,92 4,25 178,39 9,04
21 6,37 12,25 4,37 16,63 5,83 2,92 4,25 178,39 9,04
22 19,05 30,58 8,04 46,46 13,75 11,17 4,25 291,17 14,96
23 50,75 76,42 17,21 121,04 33,54 31,79 4,25 573,13 29,75
24 50,75 76,42 17,21 121,04 33,54 31,79 4,25 573,13 29,75
25 50,75 76,42 17,21 121,04 33,54 31,79 4,25 573,13 29,75
26 50,75 76,42 17,21 121,04 33,54 31,79 4,25 573,13 29,75
4621 5621 6921 7152 7921 8041 8121 8152 8821
13,14 19,79 22,28 10,36 23,29 2,94 1,98 6,23 24,38
4821-BL-CB 5821-B 5821-C-CB 6821-B 6821-C 7113-BL 7921-BG 8125M 8821-C
19,47 28,61 22,78 52,92 33,35 6,18 10,82 8,34 32,11
119
120
121
122
123
124
125
126
127
Anexo 6: Modelo de optimización (s,S)
128
129
Anexo 7: Modelo de simulación
Mo
de
lo p
ara
Re
fere
nc
iaP
olític
a d
e In
ve
nta
rios
4621R
evisión
Co
ntin
úa
INICIO
Va
riab
les
de
en
trad
a
Inven
tario in
icial1
3P
rob
ab
ilida
d d
e p
érd
ida
de
ve
nta
po
r no
dis
po
nib
ilida
d
Co
sto fijo
po
r ped
ido
$2
75
,06
1,5
%
Co
sto d
e man
tenim
iento
po
r do
cena en
el inven
tario$
20
7,2
0
Co
sto d
e escasez po
r do
cena
$1
7.5
66
,39
Va
riab
les
de
Sa
lida
Co
sto fijo
total
$3
.57
6
Co
sto d
e man
tenim
iento
total
$9
0.3
12
Co
sto d
e escasez total
$4
0.0
11
F.O
Co
sto
tota
l - Ref 46
21
$133.89
8-->
Variab
le a sum
ar
Nivel d
e Servicio
99,24%-->
Debería ser 95%
Se
ma
na
Inv
en
tario
inic
ial
De
ma
nd
aIn
ve
nta
rio fin
al
Ca
ntid
ad
de
pe
did
oU
nid
. no
ve
nd
ida
sP
érd
ida
Ve
nta
Inv
. Mín
imo
(s)
Inv
. Má
xim
o (S
)M
ed
iaD
es
via
ció
n
11
30
13
00
,00
0,0
01
31
30
,00
13
,14
21
30
13
00
,00
0,0
01
31
30
,00
13
,14
31
30
13
00
,00
0,0
01
31
30
,00
13
,14
41
30
13
00
,00
0,0
01
31
30
,00
13
,14
51
31
12
00
,00
0,0
01
01
70
,96
13
,14
61
21
11
00
,00
0,0
01
01
71
,34
13
,14
71
11
98
0,0
00
,00
10
17
1,3
41
3,1
4
81
71
16
00
,00
0,0
01
01
71
,34
13
,14
91
62
14
00
,00
0,0
01
12
01
,77
13
,14
10
14
31
10
0,0
00
,00
11
20
2,8
61
3,1
4
11
11
38
12
0,0
00
,00
11
20
2,8
61
3,1
4
12
20
31
70
0,0
00
,00
11
20
2,8
61
3,1
4
13
17
31
40
0,0
00
,00
11
20
2,8
61
3,1
4
14
14
10
42
80
,09
0,0
03
23
21
0,0
81
3,1
4
15
32
10
22
10
0,0
00
,00
32
32
10
,08
13
,14
16
32
10
22
10
0,0
00
,00
32
32
10
,08
13
,14
17
32
10
22
10
0,0
00
,00
32
32
10
,08
13
,14
18
32
72
51
50
,00
0,0
03
14
06
,94
13
,14
19
40
53
50
0,0
00
,00
31
40
4,5
81
3,1
4
20
35
53
19
0,0
00
,00
31
40
4,5
81
3,1
4
21
40
53
50
0,0
00
,00
31
40
4,5
81
3,1
4
22
35
18
18
47
0,0
00
,00
65
65
17
,76
13
,14
23
65
51
14
51
0,5
50
,00
65
65
50
,70
13
,14
24
65
51
14
51
0,5
50
,00
65
65
50
,70
13
,14
25
65
51
14
51
0,5
50
,00
65
65
50
,70
13
,14
26
65
51
14
51
0,5
50
,00
65
65
50
,70
13
,14
Seg
un
do
Sem
estre del añ
o
Mo
de
lo d
e s
imu
lac
ión
130
Anexo 8: Resultado de Simulación con 18 referencias
Informe @RISK Salida para Costo fijo total F4 Ejecutado por: Jorge Pérez
Fecha: domingo, 28 de octubre de 2018 11:32:42 a. m.
Nombre de libro de trabajo Simulación Referencias (sin bernouli).xlsx
Número de simulaciones 1
Número de iteraciones
Número de entradas 1506
Número de salidas 28
Tipo de muestreo Latino Hipercúbico
Tiempo de inicio de simulación
Duración de simulación
Generador de # aleatorio
Semilla aleatoria
Estadísticos Percentil
Mínimo $77.392 5% $82.448
Máximo $94.974 10% $83.295
Media $86.333 15% $83.875
Desv Est $2.358 20% $84.343
Varianza 5558786,84 25% $84.764
Indice de sesgo 0,000639265 30% $85.094
Curtosis 2,952161628 35% $85.443
Mediana $86.312 40% $85.740
Moda $86.411 45% $86.029
X izquierda $82.448 50% $86.312
P izquierda 5% 55% $86.609
X derecha $90.229 60% $86.920
P derecha 95% 65% $87.237
Diff X $7.781 70% $87.578
Diff P 90% 75% $87.930
#Errores 0 80% $88.342
Filtro mín Apagado 85% $88.785
Filtro máx Apagado 90% $89.355
#Filtrado 0 95% $90.229
Jerarquía Nombre Inferior Superior
1 9 / Demanda $85.537 $86.697
2 13 / Demanda $85.759 $86.881
3 12 / Demanda $85.706 $86.819
4 2 / Demanda $85.701 $86.706
5 14 / Demanda $85.829 $86.785
6 11 / Demanda $85.839 $86.793
7 19 / Demanda $85.809 $86.759
8 5 / Demanda $85.846 $86.774
9 3 / Demanda $85.810 $86.719
10 8 / Demanda $85.764 $86.671
Información de resumen de simulación
Cambio en la estadística de salida de Costo fijo total
10000
28/10/2018 11:30
00:01:12
Mersenne Twister
47018501
Estadísticos resumen para Costo fijo total
131
Informe @RISK Salida para Costo de mantenimiento total F5 Ejecutado por: Jorge Pérez
Fecha: domingo, 28 de octubre de 2018 11:36:34 a. m.
Nombre de libro de trabajo Simulación Referencias (sin bernouli).xlsx
Número de simulaciones 1
Número de iteraciones
Número de entradas 1506
Número de salidas 28
Tipo de muestreo Latino Hipercúbico
Tiempo de inicio de simulación
Duración de simulación
Generador de # aleatorio
Semilla aleatoria
Estadísticos Percentil
Mínimo $1.835.781 5% $2.138.524
Máximo $3.933.690 10% $2.198.106
Media $2.478.997 15% $2.240.523
Desv Est $240.981 20% $2.274.687
Varianza 58072001328 25% $2.306.592
Indice de sesgo 0,753980199 30% $2.336.076
Curtosis 3,966163322 35% $2.364.572
Mediana $2.448.721 40% $2.393.854
Moda $2.498.513 45% $2.421.460
X izquierda $2.138.524 50% $2.448.721
P izquierda 5% 55% $2.477.061
X derecha $2.916.068 60% $2.506.771
P derecha 95% 65% $2.542.828
Diff X $777.545 70% $2.578.784
Diff P 90% 75% $2.620.039
#Errores 0 80% $2.665.583
Filtro mín Apagado 85% $2.727.648
Filtro máx Apagado 90% $2.803.665
#Filtrado 0 95% $2.916.068
Jerarquía Nombre Inferior Superior
1 5 / Demanda $2.416.700 $2.587.305
2 3 / Demanda $2.445.625 $2.593.179
3 4 / Demanda $2.437.256 $2.579.666
4 7 / Demanda (HD28)$2.438.459 $2.576.046
5 8 / Demanda $2.438.678 $2.574.152
6 9 / Demanda $2.435.330 $2.570.664
7 7 / Demanda (GO28)$2.429.315 $2.563.579
8 10 / Demanda $2.436.369 $2.566.895
9 12 / Demanda $2.428.418 $2.558.875
10 11 / Demanda $2.436.729 $2.566.476
Información de resumen de simulación
Cambio en la estadística de salida de Costo de mantenimiento total
10000
28/10/2018 11:30
00:01:12
Mersenne Twister
47018501
Estadísticos resumen para Costo de mantenimiento total
132
Informe @RISK Salida para Costo de escasez total F6 Ejecutado por: Jorge Pérez
Fecha: domingo, 28 de octubre de 2018 11:37:55 a. m.
Nombre de libro de trabajo Simulación Referencias (sin bernouli).xlsx
Número de simulaciones 1
Número de iteraciones
Número de entradas 1506
Número de salidas 28
Tipo de muestreo Latino Hipercúbico
Tiempo de inicio de simulación
Duración de simulación
Generador de # aleatorio
Semilla aleatoria
Estadísticos Percentil
Mínimo $308.044 5% $357.707
Máximo $514.894 10% $366.453
Media $401.030 15% $372.202
Desv Est $27.545 20% $377.500
Varianza 758753755,8 25% $381.789
Indice de sesgo 0,170853932 30% $385.782
Curtosis 3,04094059 35% $389.917
Mediana $400.420 40% $393.542
Moda $398.005 45% $396.976
X izquierda $357.707 50% $400.420
P izquierda 5% 55% $404.056
X derecha $447.969 60% $407.548
P derecha 95% 65% $411.078
Diff X $90.263 70% $414.641
Diff P 90% 75% $419.019
#Errores 0 80% $423.826
Filtro mín Apagado 85% $429.235
Filtro máx Apagado 90% $436.863
#Filtrado 0 95% $447.969
Jerarquía Nombre Inferior Superior
1 26 / Demanda $390.411 $412.167
2 25 / Demanda $391.030 $412.134
3 23 / Demanda $391.690 $410.466
4 24 / Demanda $391.882 $409.362
5 1 / Demanda (GO22)$396.816 $409.339
6 1 / Demanda (AF22)$397.741 $409.601
7 14 / Demanda (Q35)$397.237 $409.051
8 17 / Demanda $397.804 $409.324
9 22 / Demanda $396.542 $407.992
10 14 / Demanda (AU35)$397.559 $408.758
Información de resumen de simulación
Cambio en la estadística de salida de Costo de escasez total
10000
28/10/2018 11:30
00:01:12
Mersenne Twister
47018501
Estadísticos resumen para Costo de escasez total
133
Informe @RISK Salida para Costo total - 18 Ref F7 Ejecutado por: Jorge Pérez
Fecha: domingo, 28 de octubre de 2018 11:39:29 a. m.
Nombre de libro de trabajo Simulación Referencias (sin bernouli).xlsx
Número de simulaciones 1
Número de iteraciones
Número de entradas 1506
Número de salidas 28
Tipo de muestreo Latino Hipercúbico
Tiempo de inicio de simulación
Duración de simulación
Generador de # aleatorio
Semilla aleatoria
Estadísticos Percentil
Mínimo $2.365.354 5% $2.641.661
Máximo $4.351.583 10% $2.696.173
Media $2.966.359 15% $2.736.102
Desv Est $233.045 20% $2.767.560
Varianza 54309792698 25% $2.798.955
Indice de sesgo 0,791022514 30% $2.827.609
Curtosis 4,030671252 35% $2.854.538
Mediana $2.935.258 40% $2.882.168
Moda $2.890.251 45% $2.908.544
X izquierda $2.641.661 50% $2.935.258
P izquierda 5% 55% $2.964.237
X derecha $3.393.507 60% $2.993.443
P derecha 95% 65% $3.027.061
Diff X $751.846 70% $3.060.732
Diff P 90% 75% $3.098.308
#Errores 0 80% $3.146.519
Filtro mín Apagado 85% $3.205.692
Filtro máx Apagado 90% $3.280.778
#Filtrado 0 95% $3.393.507
Jerarquía Nombre Inferior Superior
1 5 / Demanda $2.909.542 $3.072.446
2 3 / Demanda $2.934.227 $3.076.061
3 4 / Demanda $2.929.785 $3.065.319
4 7 / Demanda (HD28)$2.925.354 $3.060.366
5 9 / Demanda $2.923.692 $3.057.742
6 7 / Demanda (GO28)$2.920.734 $3.049.433
7 8 / Demanda $2.931.849 $3.059.629
8 12 / Demanda $2.919.383 $3.045.748
9 11 / Demanda $2.926.835 $3.052.374
10 10 / Demanda $2.924.305 $3.048.211
Estadísticos resumen para Costo total - 18 Ref
Cambio en la estadística de salida de Costo total - 18 Ref
Información de resumen de simulación
10000
28/10/2018 11:30
00:01:12
Mersenne Twister
47018501