Buscar en Google Scholar
Título: Pronóstico de demanda altamente variable e intermitente usando un modelo básico de Red Neuronal Artificial para disminuir el riesgo de rotura de stock de una compañía que abastece productos en Sudamérica
Otros títulos: Forecasting of a demand highly variable and intermittent using a basic artificial Neural Network model to decrease the risk of stock breakages of a company that supply products in South America
Asesor(es): Hurtado Erazo, Angel Paul
Campo OCDE: http://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#2.11.04
Fecha de publicación: 2-ago-2021
Institución: Universidad Peruana de Ciencias Aplicadas (UPC)
Resumen: Mejorar la precisión de los pronósticos de la demanda es muy importante para gestionar eficientemente los inventarios en almacenes de producto. Una rotura de stock impacta en los ingresos de la compañía, afecta en las relaciones comerciales con el cliente y aumenta el riesgo de perder participación en el mercado. Ante la alta variabilidad de la demanda, ocasionados por pedidos de urgencia altamente variables e intermitentes, se propone un modelo básico de Red Neuronal Artificial (RNA) como base para pronosticar la demanda de pedidos de urgencia y mejorar el pronóstico. A través de la información histórica de los pedidos de urgencia y el análisis de causa raíz sobre la rotura de stock, se construyó un modelo RNA para pronosticar la ocurrencia y volumen de un pedido de urgencia. Este pronóstico permite solicitar, a tiempo, la cantidad suficiente de producto al centro de distribución en Norteamérica, con la finalidad de reducir el riesgo de rotura de stock en el almacén local en un 91.1%. El modelo fue validado a través de simulaciones, utilizando el método de transformada inversa y los beneficios del modelo fueron confirmados a través de un flujo de caja al comparar los escenarios con y sin el uso del modelo, obteniéndose una tasa de retorno de la inversión superior al 20%. Además, los resultados de un piloto son mostrados, donde todos los pedidos de urgencia fueron atendidos, evitando la rotura de stock en el periodo del piloto.

An accurate forecast of the demand is very important to efficiently manage inventories of product’s warehouses. A stock breakage affects to the company’s profits, commercial relationships with customer and increases the risk of losing market share. Given the high variability of demand, caused by highly variable and intermittent emergency orders, a basic Artificial Neural Network (ANN) model is proposed as the basis for forecasting the demand for emergency orders and improving the forecast accuracy. Through the historical information of the urgent orders and the root cause analysis of stock breakages, an RNA model was built to forecast the occurrence and the volume of emergency orders. This forecast allows to order, on time, a sufficient quantity of product to the distribution center in North America, in order to reduce the risk of out of stock in the local warehouse by 91.1%. The model was validated through simulations, using the inverse transformation method and the benefits of the model were confirmed through a cash flow when comparing the scenarios with and without the use of the model, obtaining a rate of return on investment greater than 20%. In addition, the results of a pilot are shown, where all the urgent requests were attended, avoiding the stock breakages.
Enlace al repositorio: http://hdl.handle.net/10757/657936
Disciplina académico-profesional: Ingeniería Industrial
Institución que otorga el grado o título: Universidad Peruana de Ciencias Aplicadas (UPC). División de Estudios Profesionales para Ejecutivos (EPE)
Grado o título: Ingeniero Industrial
Fecha de registro: 4-nov-2021



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons