Pronóstico de la Demanda en Línea de Producto de una empresa del sector Refrigeración mediante la Metodología Universal de Pronóstico
Palabras clave:
Pronóstico, Demanda, Metodología Universal de Pronóstico, Series Temporales, Modelos A.R.I.M.A.Sinopsis
Las empresas siempre buscan que la incertidumbre en sus procesos a futuro sea mín-i ma, definir qué, cuánto, cómo, cuándo y para quién se debe producir para no generar desperdicios, sobreproducción y que esto no conlleve a sobrecostos, hacen parte de una buena planificación y control en ellas.
Pronosticar un evento futuro a partir de situaciones pasadas y presentes en las empresas, es la base para controlar las variables de los procesos en la búsqueda de obtener los resultados deseados, dando respuesta a los cinco ítems antes mencionados. Para cualquier organización evaluarse en función de acciones pasadas y presentes para planificar su futuro es parte de su buena gerencia en función de ser más competitivos y sobrevivir a las fluctuantes del mercado. El pronóstico es desarrollado en una línea de producto de una empresa de Refrigeración, la cual no está realizando de manera adecuada el primer paso de la planeación de la producción, que es su pronóstico de la demanda, ya que el método que utilizan (promedio móvil simple a 3 periodos) no es acertado para pronosticar.
Para plantear una solución a esta problemática, se debe determinar el modelo de pronóstico de la demanda más apropiado para la empresa, planteándolo como una propuesta para remplazar su método actual. Se emplea la metodología del modelo universal de pronósticos, empleando software como Microsoft Excel y Statgraphics Plus.
Finalmente, la realización de este trabajo impacta de manera positiva en la medida que se obtuvo un método de pronóstico de la demanda para los siguientes periodos(meses) mucho más acertados, lo que da como un siguiente resultado una planeación de la producción robusta, haciendo que la empresa se encuentre mejor preparada para afrontar la fluctuante demanda.
Citas
Al-MUSAYLHA, M. S., Deo, R. C., ADAMOWSKIC, J. F., & LI, Y. (01 de Diciembre de 2017). Short-term electricity demand forecasting with MARS, SVR and ARIMA models using aggregated demand data in Queensland, Australia. Australia: ELSEVIER.
BERMUDEZ ESCOBAR, A., & LONDONO OLARTE, S. (2013). Metodología para optimizar inventarios de producto terminado en una empresa, basado en estimación de demanda y minimización de costos. Medellin, Colombia: Universidad Pontificia Bolivariana, Escuela de Ingeniería.
CAICEDO, E., & López, J. (2009). Una aproximación práctica a las Redes Neuronales Artificiales. Cali: Universidad del Valle.
CHAPMAN, S. (2006). Planificación y control de la producción. México: Pearson Educación.
COELLO BLANCO, L., Casas, L., Pérez González, O., & Caballero Mota, Y. (2015). Redes neuronales artificiales en la producción de tecnología educativa para la enseñanza de la diagonalización. Revista Academia y Virtualidad, 8(1), 12-20.
COLLIER, D. A. (2009). Administración de Operaciones. México D.F: 2 Ed. Cengage learning.
ELAMIN, N., & FUKUSHIGE, M. (3 de Agosto de 2017). Forecasting extreme seasonal tourism demand: the case of Rishiri Island in Japan. Japon: SPRINGER.
FRAUSTO ENRIQUEZ, J. H. (2009). Pronósticos de ventas para la administración estratégica de los recursos en una empresa del sector automotriz. Atizapán de Zaragoza, México: Instituto Tecnológico y de estudios superiores de Monterrey.
GAJOWNICZEK, K., & ZABKOWSKI, T. (8 de Octubre de 2017). Two-Stage Electricity Demand Modeling Using Machine Learning Algorithms. Polonia: ENERGIES.
HA, C., SEOK, H., & OK, C. (2 de Marzo de 2018). Evaluation of forecasting methods in aggregate production planning: A Cumulative Absolute Forecast Error (CAFE). Seúl, República de Corea: ELSEVIER.
HAN, P., WANG, P., TIAN, M., ZHANG, S., LIU, J., & ZHU, D. (2013). Application of the ARIMA Models in Drought Forecasting Using the Standardized Precipitation Index . China: IFIP International Federation for Information Processing .
JIMENEZ, D. L. (2011). Análisis y pronósticos de demanda para la telefonía móvil. Santiago de Chile, Chile.
KHASHEI, M., & Hajirahimi, Z. (2017). Performance evaluation of series and parallel strategies for financial time series forecasting. Isfahan, Ira: Springer.
KHORASANI, M., EHTESHAMI, M., GHADIMI, H., & SALARI, M. (11 de Junio de 2016). Simulation and analysis of temporal changes of groundwater depth using time series modeling. Iran: Springer International Publishing Switzerland.
LIANG, Y., & LIU, S. (2013). The Classic Swine Fever Morbidity Forecasting Research Based on Combined Model . China: IFIP International Federation for Information Processin.
MACIAS, G. G. (2007). Metodología para calcular el pronóstico de la demanda y una medición de su precisión, en una empresa de autopartes: caso de estudio. México D.F.
MAKRIDAKIS, S. y. (2009). Métodos de Pronósticos. México: Editorial Limusa.
MORA, A. G. (2007). Pronósticos de demanda e inventarios. Medellín: Editorial A M G.
MURRAYA, P. W., AGARDA, B., & BARAJA, M. A. (6 de Febrero de 2018). Forecast of individual customer’s demand from a large and noisy dataset. Canada : ELSEVIER.
NAHMIAS, S. (2007). Análisis de la producción y las operaciones. México D.F: 5 Ed. McGraw-Hill.
PÉREZ GOSENDE, P. A. (s.f.). Metodologías para la resolución de problemas de distribución en planta. Cuba: Universidad Matarca; Departamento Ingeniería Industrial.
PETROPOULOS, F., KOURENTZES, N., & NIKOLOPOULOS, K. (2016). Another look at estimators for intermittent demand. Reino Unido: ELSEVIER.
PREMA, V., & Uma Rao, k. (2013). Time series decomposition model for accurate wind speed forecast. Bangalore, India: Springer.
ROSAS, J. A., & CORTES, E. L. (2013). Propuesta de una metodología de planeación de la demanda y de los inventarios de medicamentos y dispositivos médicos de uso en pacientes hospitalizados en una Ips de cuarto nivel. Cali, Colombia.
SÁNCHEZ ANZOLA, N. (2015). Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario. ODEON(9), 113-172.
SEVERINE MEUNIER, M., Cheikhrouhou, N., & Glardon, R. (2005). Strategic Analysis of Products Related to the Integration of Human Judgement into Demand Forecasting. Ecublens, Switzerland: Springer.
TIRKES, G., GüRAY, C., & ÇELEBI, N. (2017). DEMAND FORECASTING: A COMPARISON BETWEEN THE HOLT-WINTERS, TREND ANALYSIS AND DECOMPOSITION MODELS . Suppl.
VILLADA, F., Muñoz, N., & García, E. (2012). Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores. Información Tecnológica, 23(4), 11-20.
Descargas
Publicado
septiembre 4, 2020
Derechos de autor 2020 Editorial Corporación Universitaria Latinoamericana
