[173013] diseño de la programación de la producción y
TRANSCRIPT
1
Facultad de Ingeniería
INGENIERÍA INDUSTRIAL Trabajo de Grado – Primer Semestre 2018
Trabajo de grado en modalidad de aplicación
[173013] Diseño de la programación de la producción y política
de inventarios para una comercializadora de café en Bogotá.
María José Lópeza,c , Sergio Pabóna,c , Juan Esteban Romeroa,c,
Clara Mabel Solanob,c Jose Fernando Jimenezb,c
aEstudiante de Ingeniería Industrial bProfesor, Director del Proyecto de Grado, Departamento de Ingeniería Industrial
cPontificia Universidad Javeriana, Bogotá, Colombia
Resumen de diseño en Ingeniería
Scheduling represents multiple processes’ sequences, including one known as Flexible Flow Shop (FFS). FFS represents a
production system in which all products pass through the same stages in an established order and also considers that at
least one stage has multiple parallel machines. (IGI Global, 2018) FFS Scheduling is widely studied as seen in the
literature review (see section 2) due its common application in multiple industries in different sectors such as automotive,
technology, food and beverages, and so on. Additionally, to scheduling, inventory management allows companies to keep
a fluent production flow, through adequate stocking achieved according to certain policies. These regulations take in
account product characteristics such as perishability, packaging type, sanitary conditions and contamination levels which
determine some aspects as mix storage, among others.
This document refers to a Small Medium Enterprise (SME) located in Bogotá, Colombia, whose main activity is to
process and trade high quality Colombian Coffee. This company sells products under their own brand and also process
products with other brands due tolling agreements. The production stages begin with the threshing process, then with
roasting stage, following grinding and ending with the packaging stage. Nowadays the company defines production
scheduling manually, following First in First out (FIFO) rule in which the first order to arrive is the first one processed.
Also, inventory management relies on subjective criteria based on manager’s expertise. In order to provide an efficient
production scheduling and inventory management, based on objective methods a methodology focused into two specific
topics (scheduling and stocks management) is proposed.
FFS Scheduling is considered a NP-hard problem due the amount of computational time required to obtain an optimal
solution. Taking this into account, the initial solution is made with a CDS (Campbell, Dudek and Smith) heuristic and
then Tabu Search (TS) algorithm was selected to minimize a custom made objective function. To schedule the production
was necessary to take in account some design restrictions such as inventory levels, operating hours, machine capacity,
among others. A Q,R policy was used as a stock policy in which quantity and reorder amounts take in account demand
and raw materials lead time and historical data. To define the Q,R policy was considered the storage capacity.
Finally, a software application was designed in order to integrate the inventory policy and the scheduling methodology
proposed. The application allows the generation of a daily production scheduling (see image 1) considering stock levels,
allowing the software users to define when to make a new raw material order, seeking to minimize the sold-out probability
at the lowest possible cost. Additionally, the user is able to visualize the inventory (see image 2) and search the orders.
2
To evaluate the results of the scheduling, a factorial design with two treatments (number of batches and dispatching rules)
was used. The purpose of the design was to prove that the treatments were statistically different using three indicators that
are meaningful for the expected results of the project. Accordingly to the results, the indicators save time and money
respectively compared to the existing policy, for the average process time it saves 161.4 hours, for the average earliness
6.8 days are saved and in the policy cost there are saved $ 554,840 COP, all the savings are calculated in a monthly
period. Accordingly to the results, the indicators save time and money respectively compared to the existing policy, for
the average process time it saves 161.4 hours, for the average earliness 6.8 days are saved and in the policy cost there are
saved $ 554,840 COP, all the savings are calculated in a monthly period. The annual revenue of the company is
$10.000.000 COP with the savings, the revenue increase 5,5% monthly
Image 1. Example of the scheduling presentation
Image 2. Example of the inventory management presentation
Palabras clave: café, programación de la producción, política de inventarios, FFS, Modelo Q,R
1. Justificación y planteamiento del problema
El café se presenta como el segundo commodity más negociado en el mundo después del petróleo
(González- Pérez & Gutiérrez-Viana, 2012). Según la ICO (International Coffee Organization) los cuatro
productores de café más importantes del mundo son Brasil, Vietnam, Colombia e Indonesia. De estos cuatro
países, Brasil y Vietnam presentan una disminución en las exportaciones de café de alrededor de 11% y 29%
respectivamente en el mes julio de 2017, mientras que Colombia e Indonesia aumentaron las exportaciones un
11.6% y 38% (International Coffee Organization, 2017), lo que refleja la importancia económica de este
sector en nuestro país.
De hecho, el sector caficultor colombiano ha sido históricamente significativo. En 2014 cuando el Producto
Interno Bruto (PIB) del sector agropecuario aumentó un 3%, el café contribuyó un 56% de esa variación
(Muñoz Ortega, 2014). Hoy en día se observa un incremento del 4,4% respecto al primer trimestre de 2017
(DANE, 2017), evidenciando así su impacto en el PIB. En los últimos dos años se han producido 1’189.000
sacos de café verde mensualmente, (Federación Nacional de Cafeteros, 2017) de los cuales un 90.39% fueron
exportados. (Federación Nacional de Cafeteros, 2017)
En Bogotá, se encuentran empresas dedicadas al procesamiento de café y a otros procesos del sector
agropecuario, representando el 11.1% del PIB agrícola nacional (Cámara de Comercio de Bogotá, 2016). Este
grupo cuenta con múltiples Pymes (Pequeñas y medianas empresas), las cuales constituyen un 24% del total
3
de las pequeñas y medianas empresas en Bogotá (Asociación Nacional de Instituciones Financieras, 2016).
Una de estas empresas es la organización en la cual se desarrolló el trabajo de grado, la cual solicitó no
publicar su identidad para mantener su confidencialidad.
La empresa inició sus operaciones en el año 2003 y actualmente está conformada por 12 empleados, seis en
producción y seis en el área administrativa. Cuenta con una máquina en el proceso de trillado, dos máquinas
para el proceso de tostión y una en el proceso de molienda, generando una utilidad aproximada de
$10’000.000 COP anuales. Según lo establecido por la Gerencia de la empresa (entrevista realizada por los
autores), una de las mayores dificultades que se presenta en la empresa está relacionada con la programación
de la producción y la política de inventarios que actualmente se aplica, ya que esta no establece una adecuada
definición del orden de procesamiento en los pedidos, generando problemas en la definición de la capacidad
para cada uno de los procesos y gestión de los inventarios de materia prima.
Actualmente, la existencia de inventarios de café en la empresa pretende garantizar materia prima
suficiente para atender la demanda. Para ello, la empresa procura mantener un stock de café verde para la
producción de sus tres líneas de producción, definidas por producto, de la siguiente manera: Café excelso,
Café descafeinado y Café de consumo. Por otro lado, la empresa ofrece a sus clientes el servicio de maquila,
de cualquiera de los tres productos mencionados anteriormente y en ocasiones la empresa presta un espacio de
la bodega para almacenar producto de los clientes del servicio de maquila.
La empresa dispone de una capacidad máxima de almacenamiento en bodega de 70 sacos, hace pedidos a
sus proveedores cuando cuenta con una cantidad inferior a diez sacos, siendo ésta la política actual de pedidos
de la empresa siguiendo un modelo donde se piden 20 sacos cuando el nivel del inventario baja de 10. Los
sacos de café tipo consumo pesan aproximadamente 62,5 kg mientras que los sacos de café tipo excelso y
descafeinado pesan aproximadamente 70 kg cada uno. Adicionalmente el proveedor tarda en entregar cuatro
días el producto cuando se realiza un pedido, lo cual se considera para establecer el Stock de seguridad.
En cuanto a la producción la empresa trabaja de lunes a viernes de 7:00 am - 5:00 pm con un receso en las
operaciones entre 1:00-2:00 pm y los sábados de 8:00 am a 12:00 pm., donde se hace un mantenimiento y
limpieza a las máquinas; por lo que su operación se limita al horario hábil de lunes a viernes. Esta producción
se realiza por orden de llegada (make to order) de los pedidos sin importar si son órdenes de clientes de café
con marca de la empresa o del servicio de maquila. Teniendo en cuenta la forma de producción de la empresa
se debe tener en cuenta la demanda de su marca propia (Excelso, Consumo y Descafeinado) para poder definir
la política de inventarios.
La empresa trabaja bajo ciclos de producción, donde un ciclo corresponde a una semana; considerando que
la empresa trabaja bajo pedido se analizaron 50 ciclos de producción correspondientes al año 2017 En la
Imagen 3 se observa el histograma de la demanda de café descafeinado durante este lapso, donde se aprecia
una demanda desde 14 hasta 23 kilogramos y una leve mayoría en el rango de 17 a 20 kilogramos. En la
Imagen 5 se refleja el histograma de la demanda de café tipo consumo, donde se evidencia un amplio rango
desde 14 hasta 170 kilogramos con una alta tendencia en el rango entre 92 y 105 kilogramos. En la Imagen 7
se muestra la demanda de café excelso, donde la demanda varía entre 68 y 132 kilogramos y una leve mayoría
en el rango de 92 a 100 kg.
Imagen 3. Histograma demanda de café descafeinado. Imagen 4. Demanda café descafeinado en el tiempo
Fuente. Los autores Fuente. Los autores
4
Imagen 5. Histograma demanda de café tipo consumo.
Fuente. Los autores
Imagen 6. Demanda de café consumo en el tiempo
Fuente. Los autores
Imagen 7. Histograma demanda de café excelso
Fuente. Los autores
5
Media Demanda
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
140
120
100
80
60
40
20
0
Café Excelso
Imagen 8. Demanda café excelso en el tiempo
Fuente. Los autores
Es importante tener en cuenta que se debe revisar el comportamiento de la demanda a lo largo del tiempo,
esto con el propósito de buscar tendencias y verificar si la demanda es estacionaria, por lo que adicionalmente
a los histogramas presentados, se encuentra para cada tipo de café, la gráfica de la demanda respecto al tiempo
con los 50 periodos disponibles. Respecto a la gráfica de café descafeinado (Ver Imagen 4.) se puede
observar que a pesar de que hay periodos consecutivos con la misma demanda, no se observa una tendencia
marcada. En cuanto a la gráfica de café consumo (Ver imagen 6) se puede ver que los dos primeros tercios
del año la demanda no presenta tendencia, mientras que la última parte del año se puede observar una
tendencia decreciente. Por último, la gráfica de café excelso (Ver imagen 8) no muestra ninguna tendencia
marcada y los datos se distribuyen aleatoriamente.
En la Imagen 9 se presenta el Modelo Canvas para mostrar gráficamente los ocho recursos clave del
proyecto y como son necesarios los recursos para poder realizar el trabajo. Ante la problemática descrita, este
trabajo presenta el diseño de un aplicativo donde se visualiza la política de inventarios y la programación de la
producción. La política de inventarios propuesta garantiza que la programación de la producción se realice
minimizando la probabilidad de faltantes. Adicionalmente el diseño de la programación de la producción
garantiza que el tiempo de terminación de los trabajos no aumenta respecto al tiempo actual.
Imagen 9. Modelo Canvas
Fuente. Los autores
6
Tostión 1
Trilla Molienda Empaque
Tostión 2
2. Antecedentes
La programación de la producción y la formulación de una política de manejo de inventarios son aspectos
que, según la revisión de trabajos realizados, se han trabajo extensamente. De hecho, se puede establecer que
la programación de la producción se agrupa en dos categorías dependiendo de la configuración y de las
características del sistema de manufactura (Nahmias, 2007), la categoría flow shop y job shop.
Cómo flow shop se consideran los sistemas en los cuales todas las piezas siguen el mismo orden y sólo se
procesa una vez en cada una de las máquinas, mientras que la categoría job shop se consideran los sistemas en
los cuales no todas las piezas tienen el mismo orden, por lo tanto, es posible que sean procesadas más de una
vez en una misma máquina (Nahmias, 2007). Un sistema de producción flow shop o job shop se puede decir
que es flexible flow shop o flexible job shop cuando, hay más de una máquina en alguno de los procesos.
(Lopez Vargas, 2013)
En la empresa estudiada en este trabajo, para la producción de café de alta calidad, se realizan cuatro
procesos: trilla, tostión, molienda y empaque. En la Imagen 10 se observa como todos los productos siguen
una misma línea de producción, que empieza con trilla, después tostión, molienda y posteriormente empaque.
Adicionalmente, se observa la existencia de dos máquinas para el proceso de tostión, siendo este sistema,
según la caracterización propuesta anteriormente por (Lopez Vargas, 2013) un sistema flexible, ya que las
máquinas son idénticas y presentan variaciones mínimas para llevar a cabo la producción. Cabe anotar que,
para el caso de la empresa, dependiendo de las características iniciales del café y de la presentación final, los
procesos de trillado y molienda no siempre se realizan.
El proceso se puede calificar como un flexible job shop debido a que no todos los productos pasan por
todas las máquinas, sin embargo, para simplificar el problema, y dado que hay un orden de precedencia entre
las máquinas, en este trabajo el problema se manejó como un flexible flow shop donde se tomaron como cero
los tiempos de los procesos que no son necesarios.
Imagen 10. Configuración de procesos necesarios para llevar a cabo la producción
Fuente. Los autores
De la revisión de trabajos relacionados con la programación de la producción flexible flow shop, se
encuentra que (Yanchao, Weng, & Fujimura, 2017), (Ramezanian, Fallah Sanami, & Shafiei Nikabadi,
2016) y (Shahvari, Salmasi, Logendran, & Abbasi, 2011) recurren a modelos de programación lineal, los
cuales son utilizados como punto de comparación de heurísticas y metaheurísticas. Los métodos de solución
más comunes debido a la naturaleza NP-Hard del problema (Kyparisis & Koulamas, 2004) son métodos
heurísticos como se muestra en la Tabla 1, PSO (Particle Swarm Optimization), Algoritmo Genético y
Búsqueda Tabú.
7
Específicamente en el caso de procesadoras de café, los autores (Cruz Pulido & Tovar Roa, 2017)
proponen la aplicación de un algoritmo híbrido entre un algoritmo genético y un PSO buscando disminuir el
makespan. Cabe anotar que los autores desarrollan la solución al programarla en Visual Basic Application de
Excel buscando que la empresa lo utilice en sus operaciones diarias.
Adicionalmente, se observa en las funciones objetivo propuestas la inclusión del makespan, buscando
terminar la totalidad de los trabajos lo antes posible. Autores como (Zandieh, Adiri, & Rahmati, 2016) y
(Jungwattanakit & Reodecha, 2009) utilizan una ponderación entre el makespan y el número de trabajos
tardíos, para posteriormente escoger aquella donde la función objetivo proporcione el mejor valor. Este
criterio se incluye en el modelo propuesto en el trabajo para disminuir el número de trabajos tardíos.
En (Jungwattanakit & Reodecha, 2009) se busca solucionar un flexible flow shop mediante diferentes
metodologías, entre ellas Búsqueda Tabú, Algoritmo Genético y Recocido Simulado, enfocándose en
proponer diferentes formas de generar la solución inicial utilizando reglas de despacho clásicas como Shortest
Processing Time (SPT), Longest Processing Time (LPT) y la heurística Campbell, Dudek y Smith (CDS),
entre otras. De las reglas de despacho mencionadas anteriormente se decidió tomar como solución inicial el
resultado de la heurística CDS porque se muestra que de los algoritmos constructivos que estudiaron, este es
de los que mejor resultados obtiene. Además, en (Dannebring, 1977) se realizó un experimento en el que se
mostró que esta heurística obtiene valores óptimos del makespan en el 55% de los casos, lo cual se consideró
como un criterio relevante ya que se comienza a iterar con una solución muy buena en uno de los criterios a
evaluar en la función objetivo.
En (Toskano Hurtado, 2005) se propone la aplicación de métodos de toma de decisiones como el Analytic
Hierarchy Process (AHP) para la definición ponderada de los criterios a incluir en la función multicriterio. El
AHP permite utilizar criterios subjetivos y volverlos objetivos, mediante la definición de las matrices de
calificación.
Tabla 1. Documentos revisados relacionados con la programación de la producción
Autores Revisados Técnica Función Objetivo
(Cruz Pulido & Tovar Roa, 2017) PSO y Algoritmo Genético Makespan
(Yanchao, Weng, & Fujimura, 2017)
Programación Lineal Entera Mixta Minimizar inventarios,
earliness y tardanza
(Ramezanian, Fallah Sanami, &
Shafiei Nikabadi, 2016)
PSO, Programación Lineal Entera Mixta
-
(Zandieh, Adiri, & Rahmati, 2016) Modelo de optimización, Búsqueda Tabú Makespan y tardanza
(Jungwattanakit & Reodecha, 2009)
Algoritmo genético, Recocido Simulado,
Reglas de despacho como base para los
dos métodos
Ponderado entre makespan y
número de trabajos tardíos
(Shahvari, Salmasi, Logendran, &
Abbasi, 2011)
Programación Lineal Entera Mixta,
Búsqueda Tabú y Diseño de experimentos
Makespan
(Lopez, Carter, & Gendreau, 1998) Búsqueda Tabú Costos
Fuente. Los autores
El manejo de inventarios en diferentes industrias ha sido un tema fuertemente estudiado, ya que su manejo
se asocia directamente con la satisfacción del cliente y con el nivel de servicio al que se busca llegar por parte
de la compañía. (Bowersox, Closs, & Cooper, 2007). Los inventarios definen si se va a poder hacer una venta
y cuánto se debe producir de cada producto para no entrar en desabastecimiento o en exceso de inventario y
8
de este mismo modo todos los productos deben tratarse de manera diferente dependiendo de sus
características.
Para definir el manejo y control de los inventarios se han utilizado diferentes métodos de solución como se
establece en la Tabla 2 los cuales tienen en cuenta las características de cada uno de los productos que se
busca a almacenar y la función objetivo que cada autor busca mejorar, siendo en su mayoría la minimización
de los costos totales de almacenaje, transporte y compra, entre otros. En la Tabla 2 se observa por parte de los
autores la aplicación de modelos simples, tales como un EOQ, hasta métodos más complejos como heurísticas
y metaheurísticas.
Para el caso de la empresa procesadora de café y dado que el café no tiene mayores restricciones a la hora
de ser almacenado, se buscó proponer una política de inventarios que fuera fácil de comprender para todos los
colaboradores de la compañía. Se consideró utilizar el modelo Q,R, ya que como se muestra en la Tabla 2 los
modelos Q,R dan buenos resultados siempre y cuando se cumpla la totalidad de supuestos.
Entre los supuestos del modelo, se encuentra demanda con distribución normal, se conoce el inventario en
todo instante, el tiempo de entrega de pedidos es constante y se asigna un stock de seguridad para cubrir
posibles faltantes. (Nahmias, 2007) Todos estos supuestos se cumplen para el caso de la empresa, también
como se mencionó previamente, es de fácil comprensión e inmediata implementación.
Tabla 2. Documentos revisados relacionados con la política de inventarios
Autores revisados Técnica Tipo de demanda
(Rossi, Pozzi, & Testa, 2017) EOQ, Programación Lineal Entera Mixta Determinística
(Sana, 2015) EOQ Estocástica
(Capar & Geunes, 2011) Modelo (Q,R) Determinística
(Hillier, 2002) Modelo (Q,R) Estocástica
(Liberopoulos & Dallery,
2003)
Modelo (s,S), Modelo (Q,R), Kanban y
evalúan las combinaciones entre estos tres
modelos
-
(Saracoglu, Topaloglu, &
Keskinturk, 2014)
Algoritmo genético Estacional, Estocástica,
Determinística
(Taleizadeh, Akhavan, Safii,
Meibodi, & Jabbarzadeh,
2010)
PSO, Recocido Simulado, Algoritmo Genético
Estocástica
(Zhao, Qiu, Xie, & He,
2012)Paper 9
Algoritmo Iterativo, Modelo de Optimización
Estocástica
Fuente. Los autores
9
3. Objetivos
GENERAL
Diseñar la programación de la producción y política de inventarios para una comercializadora de café en
Bogotá
ESPECÍFICOS
1) Diseñar la programación de la producción, donde se permita decidir el orden en el que se procesarán
las órdenes de producción.
2) Definir una política de inventarios basada en el comportamiento presentado por la demanda.
3) Desarrollar un aplicativo que integre la programación de la producción y la política de inventarios
para ser utilizada por la empresa.
4) Analizar el impacto financiero de la propuesta respecto a la situación actual de la empresa.
4. Cuerpo del documento
Para abordar los objetivos específicos y por ende del general, se inició con una breve contextualización de
la empresa. Luego se procedió con la programación de producción, seguido de la política de inventarios
finalizando en la integración de ambas en el aplicativo.
4.1. Descripción de la planta y el proceso de producción actual de la empresa
Como se mencionó previamente, para la producción de café de consumo, descafeinado y excelso la
empresa se realiza los procesos descritos en la Imagen 10 para los cuales se cuenta con los siguientes equipos
presentados en la Tabla 3.
Tabla 3. Equipos utilizados en cada proceso
Proceso Trilla Tostión Molienda Empaque
Máquina
Fuente. Los autores
Los tiempos de cada proceso se muestran en la Tabla 4. Para el proceso de trilla se analizó la cantidad,
tipo de café y humedad, en el proceso de tostión se tuvo en cuenta el tipo de café, la cantidad correspondiente
y el tipo de tostión (oscura, media o clara); para la molienda, se analizó la cantidad y finalmente para el
empaque la presentación en la que se debe entregar. Los tiempos establecidos según el tipo de café están
dados por el promedio de las medias de los tiempos recolectados en diferentes muestras. Esto debido a que la
desviación estándar de los tiempos es muy pequeña, en ninguno de los casos supera el 15% del tiempo
promedio; para tener en cuenta las posibles variaciones, se tiene en cuenta el tiempo entre procesos. En la
Tabla 5 se muestran los tiempos de empaque de acuerdo al tamaño y en la Tabla 6 la capacidad máxima de
cada una de las máquinas
10
Tabla 4. Tiempo de procesamiento según tipo de café para trilla, tostión y molienda; en minutos por kilogramo
Tiempo de procesamiento según tipo de café (Minutos por Kilogramo)
Tipo de café Trilla Tostión Clara Tostión Media Tostión Oscura Molienda
Consumo 1,8015 No es posible
1,5979 1,5796
1,3710 Descafeinado 1,7849 No es posible 1,5895
Excelso 1,6834 1,6508 1,4679 1,6628
Fuente. Los autores
Tabla 5. Tiempo de empaque según tamaño; en minutos por unidad de empaque
Tamaño Tiempo de empaque (Minutos por
Unidad)
50 gr 0,333
100 gr 0,420
250 gr 0,537
500 gr 0,640
1 kg 0,794
70 kg 2,146
Fuente. Los autores
Tabla 6. Capacidad máxima para cada una de las máquinas.
Proceso Capacidad máxima (Kilogramos
por hora)
Trilla 128
Tostión 15
Molienda 80
Empaque 47,5
Fuente. Los autores
Al analizar el sistema en conjunto se establece que el proceso de tostión tiene una capacidad mucho menor
que los otros, por lo que es crítico para llevar a cabo la operación. Sin embargo, el empaque es el proceso que
toma más tiempo, especialmente cuando se trata con empaques pequeños. También se analizó el tiempo que
toma pasar entre un proceso y otro, obteniendo como resultado que los datos se comportan de manera normal,
con una media de 4 minutos y desviación de 0,33 minutos. Todos los cálculos mencionados previamente se
pueden observar en el Anexo 1. Excel Tiempos CMR
4.2. Programación de la producción
Para llevar a cabo la programación de la producción se decidió utilizar inicialmente la heurística Campbell,
Dudek, y Smith (CDS) donde se toman los procesos en dos grupos: como primer grupo los procesos de trilla y
tostión; como segundo grupo los procesos de molienda y empaque. Se obtiene así una solución inicial y a
través de la búsqueda Tabú se busca mejorar la función objetivo. Estos pasos se resumen en la Imagen 11,
donde se muestra el diagrama de flujo, que representa los pasos de la aplicación de estos dos métodos.
11
Imagen 11. Diagrama de Flujo Tabú
Fuente. Los autores
Inicialmente se leen los pedidos que serán programados, estos pedidos son divididos en baches de 15
kilogramos, ya que es la capacidad máxima de la tostión. Después en cada una de las iteraciones, se revisan
todos los posibles cambios con su respectiva función objetivo, para que finalmente se escoja el mejor de estos.
Es posible que el mejor cambio encontrado previamente no tenga una mejora respecto a la función objetivo,
por lo que se realiza la comparación. En caso de que la solución no mejore, este cambio ingresa a la lista Tabú
y se añade una iteración sin mejora. Si por el contrario el cambio que se encontró es mejor que la función
objetivo, esta solución se guarda y las iteraciones sin mejora vuelven a ser cero.
Es importante analizar el impacto que tiene realizar la programación de producción al realizar la partición
en baches; esto debido que, al dividir todos los pedidos en baches de 8 a 15 kilogramos, es posible que el
makespan se reduzca, sin embargo, no se tienen en cuenta otros factores. Uno de ellos es el aumento en el
inventario en proceso y que es posible que se confundan pedidos, causando desorden dentro de la planta. Sin
embargo, la empresa actualmente ya trabaja de esta manera y se tienen altos estándares de organización para
no confundirlos entre sí, por lo que el impacto al dividir en baches no es ser muy alto.
La búsqueda Tabú mejora la función objetivo cambiando el orden de los pedidos, la representación de la
solución está dada por un arreglo cuyo tamaño es el número de pedidos y muestra el orden en que se realizan
los mismos, como se muestra en la Imagen 12, en cada posición del arreglo se puede ver el ID del pedido
correspondiente. Para este caso, se asume que se realizarán 4 pedidos con los IDs 1, 2, 3 y 4. Dentro de cada
pedido, se realizarán 2 baches, es decir 8 baches en total. Primero se haría el pedido 4,2 después el 1,1 el 4,1 y
así sucesivamente como se muestra en la Imagen 12. En la imagen también se muestra un ejemplo de cambio
entre pedidos que sería un cambio entre el pedido 4,1 y 3,1
12
Imagen 12. Representación del arreglo vectorial.
4,2
1,1
4,1
1,2
3,1
2,1
3,2
2,2
Fuente. Los autores
Con el propósito de asegurar una intensificación dentro del espacio de posibles soluciones, se estableció
como criterio de parada, veinte iteraciones sin mejora. De igual forma, el tamaño de la lista Tabú es de cinco
iteraciones, por lo que se cuenta con memoria a corto plazo. Esta lista se actualiza en cada iteración del
algoritmo. A la lista se agrega el cambio de posiciones que se va a hacer y en cada iteración se va restando 1 a
todos los cambios hasta que llegan a cero y salen de la lista.
Para determinar la función objetivo se tuvieron en cuenta los siguientes factores. Tardanza, partición y
makespan, en la Tabla 7 se puede ver una explicación de estos. La solución inicial busca mejorar el
makespan, y luego con el Tabú se busca disminuir la tardanza y evitar las particiones, por ende, cada factor
debe tener su peso en la función objetivo.
Tabla 7. Descripción de las partes que componen la función objetivo
Partes función objetivo Descripción
Tardanza Cuenta la cantidad de días que se entrega el pedido posterior a la fecha de entrega. En caso
de que se entregue antes, este valor es cero.
Partición Debido a que los pedidos son fraccionados en baches de 15 kilogramos, se penaliza cada
vez que los baches de un mismo pedido no se realizan consecutivamente.
Makespan Hace referencia al momento en que se termina el último pedido programado
Fuente. Los autores
Para definir los pesos de cada una de las partes de la función objetivo se utilizó el método Analytic
Hierarchy Process (AHP) que consiste en desglosar (Ver imagen 13) y analizar un problema por partes,
midiendo criterios cuantitativos y cualitativos mediante una escala común de -9 a 9 realizando comparaciones
por pares. Las alternativas cualitativas que fueron analizadas por pares fueron resultado de una entrevista
realizada a la gerencia de la empresa en la que se preguntaban
¿La partición de los pedidos varía en el tiempo de procesamiento?
¿La partición de los pedidos impacta en la fecha de entrega?
¿La partición de los pedidos en qué medida varía la función objetivo?
¿El tiempo de procesamiento impacta en la tardanza?
¿La tardanza varía en la fecha de entrega?
¿La tardanza en qué medida varía la función objetivo?
¿La fecha final de programación en qué medida varía la función objetivo?
¿La tardanza en qué medida varía la función objetivo?
13
Imagen 13. Árbol de Jerarquía AHP
Fuente. Los autores
Como se puede observar en la Imagen 14 el mayor peso se le asignó a la tardanza con un 63,2% seguido
de la partición 26,8% y dejando en el último lugar el makespan 9,8%. Así mismo, los aspectos cualitativos
también tienen una calificación donde la más importante es la fecha de entrega, seguido de la variabilidad y
finalmente el tiempo de procesamiento. En el Anexo 2. AHP – Café se puede observar a profundidad los
valores para la comparación entre pares y el desarrollo completo del método AHP
Imagen 14. Aplicación del método AHP dentro de la función objetivo
Fuente. Los Autores
Debido a que las magnitudes de las tres partes de la función objetivo tienen escalas diferentes, es decir, el
makespan ronda los 42000, la tardanza no suele ser más de 10 y la partición aumenta 0.1 cada vez que se
cambia de pedido, se debe hacer un re-escalamiento para que al ponderar los valores el resultado de la función
objetivo no se vea afectado por la magnitud de estos. En el desarrollo de la propuesta no se tuvo en cuenta el
re-escalamiento, sin embargo, uno de los criterios que se evalúa en el AHP es la variabilidad, este criterio
busca medir el impacto de los criterios dentro de la función objetivo equilibrando las magnitudes de cada uno
de los factores.
4.3. Política de inventarios
Actualmente la compañía maneja dos tipos de producto, con marca propia y maquila. En el caso de la
maquila, no es necesario revisar el comportamiento de la demanda ya que la materia prima debe ser
suministrada por los clientes para su posterior procesamiento. Los productos propios o con marca de
fabricante, están divididos según tipo de café, excelso, consumo y descafeinado; para realizar el análisis de la
14
demanda según tipo de café, se tomó el histórico de pedidos correspondiente a 50 semanas, cada una
denominada como un ciclo.
Inicialmente se utilizó la prueba de Kolgomorov-Smirnov para definir la normalidad de los datos de
demanda, como se muestra en la Imagen 15, el nivel de significancia asintótica bilateral indica que no se
puede rechazar la hipótesis nula para ninguna de las distribuciones, ya que el valor que arroja es mayor al
nivel de significancia (0.05), por ende, las variables se distribuyen como variables normales. La totalidad de
estos cálculos se puede apreciar en el Anexo 3. Normalidad SPSS.
Imagen 15. Resultados de la prueba Kolgomorov-Smirnov para la demanda según tipo de café.
Fuente. Los autores
Para el cálculo de los valores Q (Tamaño de pedido), R (Punto de reorden) y Stock de seguridad se utilizan
las ecuaciones mostradas en la Tabla 8, donde también es posible ver los resultados según tipo de café. Para
el caso de Q se utiliza inicialmente el valor de EOQ (Lote económico de producción) y posteriormente varía
cíclicamente junto al valor de R. Dentro de las ecuaciones, λ es la demanda de acuerdo al tipo de café, k hace
referencia al costo fijo de realizar un pedido y finalmente h es el costo de mantener inventario en bodega. En
el caso de la ecuación para determinar el punto de reorden, µ hace referencia a la media de la demanda y z es
el valor que toma el punto de reorden dentro de la distribución normal.
A partir de las ecuaciones utilizadas la cantidad de sacos a pedir es decimal, por lo que se debe proceder a
calcular la cantidad que se debe pedir teniendo en cuenta que son sacos de 70 kg. Para calcular la cantidad de
sacos enteros se evalúan los costos totales de la política, donde el valor de Q se aproxima a la cantidad
superior o inferior de sacos seleccionando el que menor costo total arroje. Ver Anexo 4. Política de
Inventarios
Tabla 8. Ecuaciones y resultados de la política según tipo de café
Tipo de café Tamaño pedido Q (Sacos de
café)
Punto de reorden R (Sacos de
café)
Stock de seguridad (Sacos de
café)
Ecuación
Q=EOQ=√2𝜆(𝐾+𝑝𝑛(𝑅))
ℎ
R= u+z
SS=R- u
Descafeinado
7
1
1
15
Excelso 15 2 1
Consumo 15 8 7
Fuente. Los Autores
4.4. Aplicativo
El aplicativo que integra la política de inventarios y la programación de la producción se desarrolló en el
software MS Office Excel programado en VBA, ya que es un software con el que ya cuenta la empresa y el
personal conoce su manejo. Ver Anexo 5. Aplicativo y Ver Anexo 6. Manual de Usuario
Con base en la política de inventarios definida para cada uno de los productos (sección 4.3) se busca que la
probabilidad de no contar con materia prima se reduzca al máximo para que la producción no se detenga. Para
esto se utiliza el stock de seguridad (SS) para tener inventario durante el lead time del pedido. El stock de
seguridad se calcula como demanda promedio diaria x lead time. Es importante recalcar que, como el pedido
mínimo que se puede hacer es un saco (70 kg), si el SS es menor a eso, debe aproximarse a un saco,
disminuyendo la probabilidad de agotados porque el SS va a ser mayor a la demanda durante el lead time.
En la Imagen 16 se observa el menú principal del aplicativo. La opción “Programar Producción” se
encarga, con base en los pedidos que no han sido programados y los niveles de inventarios, de utilizar la
heurística para definir el orden de procesamiento de los pedidos y muestra los horarios en los que se debe
procesar cada uno de los pedidos en las diferentes máquinas. En la Imagen 17 se puede ver un ejemplo de
cómo se presentan los pedidos.
Imagen 16. Menú Principal
Fuente. Los Autores
Imagen 17. Ejemplo de presentación programación de la producción
Fuente. Los Autores
16
La opción “Revisar Inventario” muestra los niveles de inventario que se tendrán al momento de finalizar la
corrida de producción actual. Como se puede ver en la Imagen 18 el aplicativo muestra, en la parte superior
izquierda, la cantidad de los tres tipos de café que se manejan de la marca propia. En la parte inferior
izquierda se observa la cantidad de material de empaque de los diferentes tamaños que ofrece la compañía.
Por último, en la parte derecha se reflejan los niveles de inventario de los clientes maquila.
Imagen 18. Ejemplo de presentación de la revisión de inventarios
Fuente. Los Autores
Como se pudo observar en las Imágenes 17 y 18 en la parte superior se encuentran diferentes botones que
permiten moverse dentro del programa de una forma más efectiva. El botón “Ir a inventarios” permite
dirigirse a la hoja donde se muestran los niveles de inventarios. La opción “Ir a Plan de Producción” lleva al
usuario a la hoja en donde está el último plan de producción que se programó. “Revisar pedidos” es una
opción que permite ir a la base de datos de pedidos. A esta base de datos solo se puede acceder con una clave
(Ver imagen 19), esto con el objetivo de evitar que cualquier persona pueda acceder a toda la información,
dado que una modificación en esta información puede causar que los pedidos se reprogramen, no se hagan o
se cambien deliberadamente.
Imagen 19. Formulario de ingreso hoja pedidos
Fuente. Los Autores
5. Componente de Diseño en ingeniería.
5.1. Declaración del diseño
La propuesta que contiene este documento está enfocada a diseñar la programación de la producción y la
política de inventarios para una empresa de café mediante un aplicativo desarrollado en MS Excel/VBA.
La programación de la producción establece la secuencia con la que deben ser procesadas las órdenes de
producción, de acuerdo al plazo de entrega de las mismas. Así mismo, la política de inventarios define las cantidades de materia prima requeridas las cuales se incluyen en la programación de la producción buscando
disminuir la probabilidad de faltantes de materia prima.
17
El aplicativo está enfocado en generar una interfaz amigable al usuario en la cual se pueda programar la
producción y del mismo modo tener un control de los inventarios.
5.2. Requerimientos de desempeño
El aplicativo desarrollado permite:
● Definir y visualizar la programación de producción.
● Visualizar los inventarios de acuerdo a la política planteada.
La programación de producción define:
● La secuencia de procesamiento de las órdenes en las diferentes máquinas por línea de
producción.
● Tiempo de finalización de cada pedido.
● La cantidad de materia prima a requerir.
● Los inventarios de materia prima y material de empaque a manejar.
La política de inventarios define:
● Cada cuánto se debe ordenar la materia prima y en qué cantidad
5.3. Pruebas de rendimiento
Para garantizar los requerimientos de desempeño mencionados previamente, se realizaron diferentes
corridas del aplicativo. Inicialmente se comparó la programación de producción actual con la programación
propuesta, mostrando como resultado una disminución en los resultados del aplicativo.
También se realizó una comparación entre la programación de producción de diferentes reglas de despacho
y la programación de producción que brinda el aplicativo. Mediante la aplicación de un diseño factorial
generalizado, se evidencio que los resultados del aplicativo son estadísticamente diferentes a los que brindan
las reglas de despacho siendo, en la mayoría de los casos, mejor. Los cálculos estadísticos mencionados se
observan en la sección 6.1.
5.4. Restricciones
La propuesta se limitó a las máquinas y capacidad de producción actual de la empresa. No se
consideraron inversiones de nuevos equipos.
Debido a los equipos con los que cuenta actualmente la empresa, y al personal que va a manipular el
aplicativo, este se desarrolló en MS Excel/VBA (Visual Basic for Application) para facilitar el uso de la
aplicación en el contexto real de la empresa
El trabajo realizado no considera la implementación de la herramienta en la empresa atendiendo a las limitaciones de tiempo, las cuales se consideraron como alcance del trabajo, por lo tanto, la evaluación del
impacto del aplicativo se realizó mediante simulaciones y una comparación frente a la situación actual de la
empresa.
5.5. Cumplimiento del estándar
Para cumplir los estándares de diseño, se trabajó siguiendo la norma ISO 13053 - 1:2011 según la cual se
aplica la metodología DMAIC como un ciclo de mejora continua. La aplicación de esta se puede observar en
la Imagen 20. Además de esto en la empresa se garantiza cumplir la Resolución 2674 de 2013 del ministerio
de salud para el procesamiento de alimentos.
18
Imagen 20. Metodología DMAIC
Fuente. Los Autores
6. Resultados
A partir de la realización de 30, 10 y 3 corridas del aplicativo, se busca medir el impacto de la propuesta
realizando una comparación entre el resultado y diferentes reglas de despacho, esta medida se realiza
mediante un diseño factorial. Después se analizaron los costos de la política de inventarios para finalmente
realizar un análisis financiero
6.1. Programación producción
Para realizar el análisis de los resultados, inicialmente se realizó una comparación entre la programación de
la producción que se realiza actualmente y que presenta el aplicativo. En la empresa se utiliza una regla de
despacho FIFO para la mayoría de los pedidos, sin embargo, esta regla no se cumple a cabalidad, sino que
tiene cambios subjetivos de acuerdo con la preferencia de clientes según las entrevistas realizadas a la
gerencia de la empresa.
Luego de la comparación de la situación actual, se procede a comparar el aplicativo con diferentes reglas
de despacho. Para realizar estas comparaciones se definieron tres indicadores que evalúan los resultados
obtenidos. Los indicadores considerados para medir la eficiencia de la propuesta son los siguientes:
Promedio tiempo de entrega: Cada pedido tiene un tiempo de entrega, referente a cuántos días le tomó a
la empresa realizar ese pedido, en este indicador se obtiene un promedio de todos los pedidos. Este mide cada
pedido en el sistema para determinar si el tiempo promedio en el sistema disminuye respecto a la situación
actual.
Earliness Media: Todos los pedidos tienen una fecha de entrega establecida. Una entrega anticipada
sucede cuando se entrega en fechas previas a la establecida. Este indicador se obtiene del cálculo del
promedio de los tiempos de entrega de todos los pedidos, se busca identificar qué tan temprano se están
entregando los pedidos para disminuir los tiempos de entrega prometidos.
Costo política: Para llevar a cabo la producción se cuenta con diferentes costos, mano de obra y
mantenimiento de bodega (servicios y arriendo), este indicador calcula el costo proporcional a las horas de
trabajo necesarias para llevar a cabo la producción. El indicador se usa para determinar los costos de la
política.
En el escenario actual de la empresa se consideraron pedidos reales recibidos entre febrero 9 y febrero 13
de 2018; los cuales también se consideraron en el escenario que evalúa la propuesta, mediante la aplicación.
19
En la Tabla 9, se muestran los resultados de cada indicador en el escenario actual de la empresa y en el del
aplicativo propuesto. El detalle de estos cálculos es posible verlos en el Anexo 7. Actual vs. Propuesto.
Tabla 9. Comparación entre programación actual y programación del aplicativo
Indicadores Programación actual Programación del aplicativo
Promedio tiempo de entrega (horas) 20,95 12,87
Earliness media (días) 3,37 3,71
Costo política $ 255.252 $ 227.510
Fuente. Los Autores
Adicionalmente se realizaron comparaciones entre diferentes escenarios dados por diferentes reglas de
despacho. FIFO, LIFO (Último en entrar, primero en salir), SPT y LPT. La significancia estadística de los
resultados se evaluó aplicando la técnica de un Diseño Factorial Generalizado para cada indicador en los
diferentes tratamientos, donde se realizaron diseños para 30, 10 y tres réplicas (Anexo 8. Diseños
Factoriales). En la Tabla 10 se relaciona el resultado del diseño para el indicador Promedio tiempo de
entrega de 10 réplicas, en la Tabla 11 para el indicador Earliness Media y finalmente en la Tabla 12 para el
indicador Costo de cada política
Tabla 10. Diseño Factorial para el promedio de tiempo de entrega
Fuente. Los Autores
Tabla 11. Diseño Factorial para la earliness media
20
Fuente. Los Autores
Tabla 12. Diseño Factorial para el costo de política
Fuente. Los Autores
Según los resultados expuestos anteriormente y con un p-value menor a 0.05 al menos una media de cada
uno de los indicadores es estadísticamente diferente. Posteriormente a este análisis se procedió a hacer la
comparación entre las medias del tabú y cada una de las reglas de despacho mediante el método LSD o
método de la diferencia mínima significativa. Dado que el efecto de interacción entre los dos factores es
significativo, se debe analizar la diferencia de la media de cada una de las reglas de despacho para cada nivel
del tratamiento “número de baches”.
El método LSD consiste en comparar la diferencia en valor absoluto de la media de cada tratamiento y el
tabú respecto al parámetro LSD y si la diferencia de las medias es mayor a este parámetro, la diferencia se
considera significativa. La fórmula para calcular el parámetro LSD es la siguiente (n es el número de réplicas
de los tratamientos a comparar)
2𝐶𝑀𝐸
𝐿𝑆𝐷 = 𝑡𝛼/2,𝑎𝑏(𝑛−1) ∗ √ 𝑛
En la tabla 13 se puede ver el resultado de la comparación de medias para el promedio de tiempo de
entrega, en la tabla 14 la comparación de medias para la earliness media y en la tabla 15 para el costo de
política.
21
Tabla 13. Comparación de medias para el promedio de tiempo de entrega.
Fuente. Los autores
Se puede observar en la tabla 13 que el 82% de las medias son significativamente diferentes, siendo SPT
el tratamiento con mayor cantidad de medias estadísticamente iguales, en el resto de las medias el SPT
encuentra mejores valores de tiempo de entrega respecto al tabú (Tabla 10). A diferencia del SPT, en las otras
reglas despacho el tabú encuentra mejores resultados.
Tabla 14. Comparación de medias para la earliness media
Fuente. Los autores
De la tabla 14 se puede concluir que el 89% de las medias son significativamente diferentes, al igual que
en el promedio de tiempo de entrega, se puede observar que el único que tiene medias estadísticamente
iguales es el Tabú – SPT. En comparación al tabú el LPT siempre obtiene mejores resultados mientras que
respecto a LIFO y FIFO el tabú obtiene mejores resultados (Tabla 11)
Tabla 15. Comparación de medias para el costo de la política
Fuente. Los Autores
22
Al analizar la tabla 15 se observa que el 58% de las medias son estadísticamente diferentes siendo LIFO y
SPT los que mayor similitud respecto al tabú presentan. Respecto a FIFO y LPT el tabú obtiene siempre
mejores resultados (Tabla 12)
6.2. Política de inventarios
Con el fin de analizar el impacto de la propuesta frente a la política de inventarios, se comparó el costo de
la política actual con la política propuesta. Para determinar este valor, se calculó el costo de ordenar pedidos
(o su preparación), el costo de conservación o mantenimiento de inventarios, costo unitario y el costo de
faltantes. En la Ecuación 1 es posible ver el costo total, donde p es el costo unitario del producto y n(R) la
probabilidad de faltantes.
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 = 𝐶𝑜𝑠𝑡𝑜 𝑜𝑟𝑑𝑒𝑛𝑎𝑟 𝑝𝑒𝑑𝑖𝑑𝑜 + 𝐶𝑜𝑠𝑡𝑜 𝑚𝑎𝑛𝑡𝑒𝑛𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 + 𝐶𝑜𝑠𝑡𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜
+ 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑓𝑎𝑙𝑡𝑎𝑛𝑡𝑒𝑠
𝜆 𝑄 𝜆 𝑇𝐶 =
𝑄 𝐾 + (
2 + 𝑆𝑆)ℎ + 𝐶𝜆 + 𝑝 𝑛(𝑅)
𝑄
Ecuación 1. Costo de la política de inventarios
Actualmente se piden 20 sacos de café cuando en la bodega se cuenta con menos de 10 sacos, esto se hace
para cada tipo de café; la política propuesta de acuerdo a la sección 4.3 es un modelo Q,R donde los valores
cambian para cada tipo de café como se puede observar en la Tabla 16. A partir de los valores de Q y R
calculados se procede al cálculo del costo de la política, redondeando la cantidad de sacos (hacia arriba y
hacia abajo) buscando minimizar el costo de la política.
Tabla 16. Costo política actual y política propuesta.
Tipo de café Costo política actual Costo política propuesta
Descafeinado $ 2.751.780 $ 1.252.952
Excelso $ 7.523.728 $ 6.113.713
Consumo $ 6.209.932 $ 5.305.416
Costo Total $16.485.442 $ 12.672.082
Fuente. Los Autores
Como se puede observar el Modelo Q,R es similar al modelo usado actualmente disminuyendo los cambios
que se deben realizar en la forma de operar de la empresa, lo que facilita la implementación de la nueva
política. Respecto a la política actual la política propuesta disminuye los costos un 23.13%, adicionalmente la
disponibilidad de la bodega aumenta para productos de maquila en un 33%.
Por otro lado, se analizaron los niveles de servicio tipo II (β) para medir el nivel de cumplimiento de la
demanda de la política propuesta vs la política actual. A continuación, se presenta la ecuación y los valores
correspondientes para cada caso (Tabla 17).
𝜷 = 𝟏 − 𝒏(𝑹)
𝑸
23
Tabla 17. Nivel de servicio tipo II
Tipo de café Política Actual Política Propuesta
Descafeinado 100% 99.99%
Consumo 99.13% 98.05%
Excelso 99.77% 99.60%
Fuente. Los autores
A partir de los resultados obtenidos en el cálculo del nivel de servicio tipo II se puede observar que los
niveles de servicio propuestos disminuyen respecto a la política actual, dado que la propuesta disminuye los
niveles de inventario, sin embargo, la probabilidad de tener faltantes sigue por debajo del 2%.
6.3. Análisis Financiero
Para realizar el análisis financiero se calcula el ahorro potencial que genera la política de inventarios y la
programación de la producción. La suma de estos dos ahorros potenciales corresponde al ahorro total
generado por el aplicativo. Es importante tener en cuenta que como las propuestas no se implementaron, todos
los ahorros son potenciales; en caso de que se llegaran a aplicar.
La política de inventarios se estableció para cada tipo de café, generando un ahorro potencial como se
muestra en la Tabla 18. El ahorro potencial total es de $ 3.813.359 mensuales, sin embargo, este valor en su
mayoría hace referencia al costo de mantener en inventario, es decir, con la nueva política se reduce la
cantidad de materia prima en bodega. La implementación de la política no tiene costo alguno, ya que no se
requiere inversión, solo es necesario cambiar las cantidades a solicitar y el momento para hacerlo.
Tabla 18. Comparación entre la política actual y política propuesta
Tipo de café Ahorro Variación porcentual
Descafeinado $ 1.498.828 54.47%
Excelso $ 1.410.015 18.74%
Consumo $ 904.516 14.57%
Ahorro Total $ 3.813.359 23.13%
Fuente. Los Autores
En el caso de la programación de producción, es posible ver la tabla de ahorros potenciales en la Tabla 19.
Donde se establece según indicadores, el ahorro potencial diario y mensual. En total se ahorrarían 216 horas
mensuales, las cuales son equivalentes a un ahorro potencial mensual de $ 1.656.899. Este ahorro potencial es
el resultado de multiplicar las horas que se ahorran y el costo de funcionamiento. Al realizar una proyección
de estos potenciales ahorros, se obtendrían en promedio 80 días al año; considerando que este es un número
de días importante, se recomienda buscar nuevos clientes para prestar el servicio de la maquila. En su defecto,
estos días de ahorro podrían utilizarse para actividades semanales de limpieza y organización de la planta
física.
24
Tabla 19. Comparación entre la programación actual y la programación propuesta
Indicadores Ahorro diario Ahorro mensual
Promedio tiempo de entrega 8,08 horas 161,6 horas
Earliness media 0,34 días 6,8 días
Costo política $ 27.742 $ 554.840
Fuente. Los Autores
Finalmente, para determinar el impacto financiero que tiene el aplicativo respecto a la política de
inventarios y la programación de producción; se tomaron los ahorros potenciales generados en cada uno, en la
Tabla 20 es posible ver el ahorro total.
Tabla 20. Ahorro potencial total del aplicativo
Parte del aplicativo Ahorro
Política de inventarios $ 3.813.359
Programación de producción $ 1.656.899
Ahorro Total $ 5.470.258
Fuente. Los Autores
7. Conclusiones y recomendaciones.
La aproximación a un sistema flexible flow shop simplifica el planteamiento de problemas que poseen un sistema flexible job shop, esto cuando no hay circulación y existe un orden de precedencia
entre los procesos. Se recomienda abordar el problema como un flexible job shop y comparar los
resultados entre los dos sistemas.
Al realizar un diseño factorial generalizado comparando algunas reglas de despacho y los resultados
del aplicativo, se encontraron diferencias estadísticamente significativas en los indicadores. Al
realizar tres, diez y treinta réplicas los resultados fueron similares, mostrando que el número de
réplicas no influye en el valor del p-value.
Se recomienda buscar una segunda persona para empacar en los momentos que hay demasiada carga
de trabajo, debido a que este proceso puede tomar los mayores tiempos de procesamiento
dependiendo del tamaño de empaque.
Debido a que no existe tardanza en la entrega de los pedidos, se hizo énfasis en la earliness media,
buscando proveer a los clientes pedidos en el menor tiempo posible. El aplicativo reduce 6.8 días la
earliness media mensual a través del diseño de la programación de la producción.
Dado que en la búsqueda Tabú sólo se utilizan estrategias de intensificación, es posible que el
aplicativo esté brindando óptimos locales. Se recomienda como futura investigación utilizar
estrategias de diversificación, con el propósito de verificar si existe mejora en la función objetivo.
El método AHP permitió que a partir de factores cualitativos se determinen valores cuantitativos de
la función objetivo. Se recomienda como futura investigación evaluar la función objetivo para cada
uno de los factores por separado, con el propósito de determinar cuantitativamente nuevos valores
para las ponderaciones y realizar una comparación
La política de inventarios propuesta, es una política de revisión continua al igual que la política
actual, modificando las cantidades a ordenar y el punto de reorden, evitando mayores cambios en la empresa.
Para el desarrollo de la propuesta no fue necesaria la inversión de capital y en caso de
implementarse, se conseguirían ahorros de 23% en la política de inventarios y 11% en la
25
programación de la producción. Lo que muestra que a partir del uso de herramientas de ingeniería se
pueden obtener ahorros en los procesos.
Uno de los criterios que se evalúa para determinar la función objetivo es la variabilidad, este criterio
busca equilibrar las magnitudes de los factores de la función objetivo. Se recomienda realizar la re-
escalación correspondiente de los factores y realizar una comparación.
Inicialmente se partió del supuesto que las demandas son estacionarias, a partir de la realización de
graficas de serie de tiempo se pudo observar que, a pesar de que son completamente aleatorias, no todas tienen un comportamiento estacionario, por ende, se debería utilizar un modelo diferente para
aquellas demandas que tienen tendencia.
8. Glosario
FFS: Flexible Flow Shop es problema de programación relacionado con un grupo de máquinas
paralelas dispuestas en varias etapas en serie. En cada etapa, hay varias máquinas idénticas en
paralelo. (IGI Global, 2018)
Modelo Q,R: El modelo tiene una política de revisión continua de inventario en la que se pide una cantidad Q cuando el inventario alcanza el punto de reorden R. (Universidad de las Américas, 2018)
FIFO: First in first out, regla en la que se considera atender los trabajos según el orden de llegada.
(Gestión de Operaciones, 2018)
LIFO: Last in first out, se realizan los trabajos en el orden inverso a la llegada. (Gestión de
Operaciones, 2018)
SPT: Shortest processing time, los trabajos se procesan en orden creciente de tiempo de proceso.
(Gestión de Operaciones, 2018)
LPT: Largest processing time, los trabajos se procesan en orden decreciente de tiempo de trabajo.
(Gestión de Operaciones, 2018)
Tabú: La búsqueda tabú es una estrategia para resolver problemas combinatorios de optimización
cuyas aplicaciones van desde la teoría de gráficos hasta problemas de programación de enteros
mixtos. Es una adaptación procedimiento con la capacidad de hacer uso de muchos otros métodos,
tales como algoritmos de programación lineal y heurística especializada, que dirige para superar las
limitaciones de la optimalidad local. (Glover, 1989)
Algoritmo CDS: Campbell, Dudek, y Smith usan una múltiple aplicación del algoritmo de Johnson
para dos máquinas para tratar de obtener una buena programación en el problema del Flow Shop.
Esencialmente, ellos crean (m-1) problemas de programación, los cuales resuelven con el algoritmo
de Johnson. (Restrepo, Bernal, & Germán, 2012)
Flexible Job Shop: El Job Shop es un tipo de proceso de fabricación que se caracteriza básicamente
en que sus tareas no necesariamente pasan a través de todos sus procesos en el mismo orden, es decir
que sus productos tienen una relación de procesos y secuencias particulares. (Ingeniería Industrial
Online, 2018)
Problema NP-Hard: NP-Hard es el conjunto de los problemas de decisión que contiene los
problemas H tales que todo problema L en NP puede ser transformado polinomialmente en H, donde
NP es un problema que no se puede medidos en tiempo polinomial. (DicLib, 2018)
AHP: Analytic Hierarchy Process es un método matemático creado para evaluar alternativas cuando
se tienen en consideración varios criterios y está basado en el principio que la experiencia y el
conocimiento de los actores son tan importantes como los datos utilizados en el proceso. (Osorio &
Orejuela, 2008)
Kolgomorov-Smirnov: Es una prueba que compara la función de distribución acumulada observada
para una variable con una distribución teórica especificada, que puede ser normal, uniforme, de
Poisson o exponencial. (IBM, 2018)
26
Referencias
Berumen, S., & Llamazares, F. (2007). La utilidad de los métodos de decisión multicriterio (como el AHP) en
un entorno de competitividad creciente. Cuad. Adm. Bogotá, 65-87.
Bowersox, D., Closs, D., & Cooper, M. B. (2007). Administración y logística en la cadena de suministros.
México DF: McGraw-Hill Interamericana.
Capar, I., & Geunes, J. (2011). A decision rule for coordination of inventory and transportation in a two-stage
supply chain with alternative supply sources. Computers & Operations Research, 1696-1704.
Cruz Pulido, E., & Tovar Roa, J. D. (2017). Propuesta de mejora de la programación de la producción basada
en métodos cuantitativos en la empresa Café Semilla S.A.S en Bogotá. Bogotá: Universidad Distrital
Francisco José de Caldas.
Dannebring, D. G. (1977). An evaluation of flow shop sequencing heuristics. Management Science, 1174.
DicLib. (26 de Junio de 2018). DicLib. Obtenido de NP-Hard - Definición: http://www.diclib.com/NP-
hard/show/es/es_wiki_10/18860#ixzz5KA3h8Hj1
Gestión de Operaciones. (30 de Junio de 2018). Gestión de Operaciones. Obtenido de Reglas de prioridad
para la programación de N trabajos en una máquina:
https://www.gestiondeoperaciones.net/programacion-de-trabajos/reglas-de-prioridad-para-la-
programacion-de-n-trabajos-en-una-maquina/
Glover, F. (1989). Tabu Search - Part 1. ORSA Journal on Computing, 190-206.
Hillier, M. (2002). The costos and benefits of commonality in assemble-to-order systems with a (Q,r)-policy
for component replenishment. European Journal of Operational Research, 570-586.
IBM. (2 de Julio de 2018). IBM Knowledge Center. Obtenido de One-Sample Kolmogorov-Smirnov Test:
https://www.ibm.com/support/knowledgecenter/en/SSLVMB_24.0.0/spss/base/idh_ntk1.html
IGI Global. (2 de Julio de 2018). IGI Global. Obtenido de Disseminator of knowledge: https://www.igi-
global.com/dictionary/flexible-flow-shop-scheduling-ffs/34044
IGI Global. (2 de Julio de 2018). IGI Global. Obtenido de What is flexible flow shop scheduling:
https://www.igi-global.com/dictionary/flexible-flow-shop-scheduling-ffs/34044
Ingeniería Industrial Online. (29 de Junio de 2018). Obtenido de Sistema de producción job shop:
https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/produccion/job-shop/
Jungwattanakit, J., & Reodecha, M. (2009). A comparison of scheduling algorithms for flexible flow shop
problems with unrelated parallel machines, setup times, and dual criteria. Computers & Operations
Research, 358-378.
Kyparisis, G., & Koulamas, C. (11 de Agosto de 2004). Flexible flow shop scheduling with uniform parallel
machines. European Journal of Operational Research .
Liberopoulos, G., & Dallery, Y. (2003). Comparative modelling of multi-stage production-inventory ontrol
policies with lot sizing. International Journal of Production Research, 1273-1298.
27
Lopez Vargas, J. C. (2013). Metodología de programación de producción en un flow shophíbrido flexible con
el uso de algoritmos genéticos para reducir el makespan. Aplicación en la industria textil. Manizales,
Caldas, Colombia: Universidad Nacional de Colombia.
Lopez, L., Carter, M. W., & Gendreau, M. (1998). The hot strip mill production scheduling problem: A tabu
search approach. European Journal of Operations Research , 317-335.
Nahmias, S. (2007). Análisis de la producción y las operaciones. México, D.F.: Mc Graw Hill.
Osorio, J. C., & Orejuela, J. P. (2008). El proceso de análisis jerárquico AHP y la toma de decisiones
multicriterio. Ejemplo de aplicación. Scientia et Technica, 247-251.
Osorio, J. P., & Orejuela, J. P. (s.f.).
Ramezanian, R., Fallah Sanami, S., & Shafiei Nikabadi, M. (1 de Junio de 2016). A simultaneous planning of
production and scheduling operations in flexible flow shops: case study of tile industry. Londrés,
Inglaterra: Springer Link.
Restrepo, J. H., Bernal, M. H., & Germán, C. (2012). Apliación de la heurística CDS en la secuenciación de n
tareas en m máquinas. Scientia et Technica, 183-188.
Rossi, T., Pozzi, R., & Testa, M. (2017). EOQ-based inventory management in single-machine multi-item
systems. Omega, 106-113.
Sana, S. S. (2015). An EOQ model for stochastic demand for limited capacity of own warehouse. Annals of
Operations Research, 383–399.
Saracoglu, I., Topaloglu, S., & Keskinturk, T. (2014). A genetic algorithm approach for multi-product multi-
period continuous review inventory models. Expert Systems with Applications, 8189-8202.
Shahvari, O., Salmasi, N., Logendran, R., & Abbasi, B. (15 de Septiembre de 2011). An efficient tabu search
algorithm for flexible flow shop sequence-dependent group scheduling problems. International
Journal of Production Research, 4237-4254.
Taleizadeh, A., Akhavan, S., Safii, N., Meibodi, G., & Jabbarzadeh, A. (2010). A particle swarm optimization
approach for constraint joint single buyer-single vendor inventory problem with changeable lead
time and (r,Q) policy in suppli chain. Int J Adv Manuf Technol, 1209-1223.
Toskano Hurtado, G. B. (2005). El proceso de análisis jerarquico (AHP) como herramienta para la la toma
decisiones en la selección de proveedores. Lima, Perú: Universidad Nacional Mayor de San Marcos.
Universidad de las Américas. (1 de Julio de 2018). Universidad de las Américas - Puebla. Obtenido de
http://catarina.udlap.mx/u_dl_a/tales/documentos/lii/peregrina_p_pm/capitulo1.pdf
Yanchao, J., Weng, W., & Fujimura, S. (24 de Mayo de 2017). A hybrid MTS-MTO production model with a
dynamic decoupling point for flexible flow shops. Wuhan, China: IEEE.
Zandieh, M., Adiri, M. B., & Rahmati, S. (2016). Bi-objective scheduling of flexible flow lines: a gradual
transition tabu search approach. Production Engineering, 477–488.
Zhao, X., Qiu, M., Xie, J., & He, Q. (2012). Computing (r,Q) policy for an inventory system with limited
sharable resource. Computers & Operations Research, 2368-2379.