Академический Документы
Профессиональный Документы
Культура Документы
CONTROL DE INVENTARIO
Textos:
Fundamentos de Mk. (William J. Stanton)
Logística del Transporte (Francesc Robusté Antón)
Canales de Marketing y Distribución Comercial (Lou E. Penton)
La distribución física puede dividirse en cinco
subsistemas
Localización
Control de Procesamiento de
(Inventario y Manejo Materiales Transporte
Inventario Pedidos
Almacenamiento)
CONCEPTO DE INVENTARIO
IMPORTANCIA DE LA GESTION DE
LOS INVENTARIOS
Por su naturaleza
Por el momento
(la función que
en que se usan
desempeñan)
Los
inventarios
pueden
clasificarse
así…
Tipos de inventario
• Inventario de Seguridad.
Surge como protección ante la variabilidad de la
demanda y el tiempo de reaprovisionamiento.
Existen Tres aspectos claves de la Gestión de Inventarios
Costos de Son los gastos asociados con su tenencia. Pueden ser de dos tipos:
Inventario
Costos de Adquisición (compras)
Para la
realización de
Optimizar el margen
Anticipación
de explotación esta gestión se
lleva a cabo un
proceso llamado
FORECASTING
Seguridad Comunicación
Consiste en la
estimación de la
demanda
futura de un
bien o servicio,
utilizando de
base ratios
de venta
histórica,
estimaciones de
marketing e
información
promocional.
CONCEPTO DE FORECASTING
El logro en el Forecasting
El punto fundamental en los pronósticos es ser consistente y lograr la menor desviación respecto
a las ventas reales, por dos razones:
16.00
Costo Totales
14.00
12.00
Costos
10.00
8.00
6.00
4.00
2.00
Cantidad del Pedido en Unidades
0.00
0 2 4 6 8 10 12
Premisas Fundamentales del CEP
Donde 𝑄 = 8000
Q= Cantidad a ordenar
(CEP)
𝑄 = 89.4
D= Demanda. Unidades por
año
Cantidad Económica de 𝑄 = 90 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
S= Costo de emitir una Pedido (CEP)
orden.
H= Costo asociado a
mantener una unidad en Este es el número de unidades que minimiza los costos de procesamiento de cada pedido y
inventario en un año. los costos de mantenimiento en inventario.
KPI PARA EL CONTROL DE
INVENTARIOS
Cumplimiento del Pronóstico de Demanda
(Forecast Accuracy)
Si bien los Forecast nunca son exactos, son necesarios para estimar la demanda
con el fin de obtener inventarios óptimos.
Este indicador generalmente se mide a nivel de SKU (stock keeping units) y cada
compañía define un nivel de tolerancia.
La idea es entender las razones de los desvíos y considerar en los futuros procesos
de forecast dichas variables.
Cumplimiento del Pronóstico de Demanda
(Forecast Accuracy)
CONCEPTO
Principales métodos de estimación de demanda:
Regresión Lineal
180
160
140
120 117
100
80
60
40
20
Proyección 2018
Ventajas y Desventajas del Método de
Promedios Móviles (moving average)
• Ventajas
• Facilidad de cálculo.
• Proporcionan previsiones exactas para productos con historiales de ventas
estables.
• Bajo costo.
• Desventajas
• Hay inexactitud en el cálculo con ventas para productos con historiales de ventas
muy variables entre períodos.
• Considera que las condiciones del mercado serán las mismas del período anterior.
• No considera la entrada de nuevos competidores u otros factores en el mercado.
Principales métodos de estimación de demanda:
Regresión Lineal
➢Este modelo sostiene que las ventas previstas son iguales a las ventas reales del
presente período multiplicadas por una constante de suavizamiento (ponderación).
➢Esta constante es una «ponderación» de la importancia (peso) que tiene un período
sobre otro.
➢Puede ser utilizada cuando los historiales de ventas no son tan constantes.
ENE 253,838
Ponderado
FEB 263,711
Ejemplo
MAR 284,150 [(3*284,150)+(2*263,711)+(1*253,838)] ÷ 6= 272,285
Ponderación de Períodos
ABR 299,572 [(3*299,572)+(2*284,150)+(1*263,711)] ÷ 6= 288,455
Ponderación Período
MAY 327,829 [(3*327,829)+(2*299,572)+(1*284,150)] ÷ 6= 311,130
3 El más
reciente JUN 343,277 [(3*343,277)+(2*327,829)+(1*299,572)] ÷ 6= 330,844
400000
350000
300000
250000
200000
150000
100000
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre
Regresión Lineal
Consiste en
emplear métodos
que determinen la
mejor relación
funcional entre dos
o más variables
concomitantes
(o relacionadas).
450,000
Donde:
400,000
y Variable dependiente que
quiere predecirse. 350,000
360,850
x Variable independiente
(tiempo) 300,000
y = 11247x + 267449
a Representa la intersección
de la recta en el eje «y» 250,000
b Representa la pendiente
200,000
de la recta o tasa de
variación por cada valor 150,000
unitario de cambio en «x». 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
donde:
x = valores conocidos de la variable independiente (tiempo)
y = valores conocidos de la variable dependiente (ventas)
N = número de datos puntuales u observaciones.
Análisis de Regresión - Ejemplo
Determinar el pronóstico de ventas de Cereales de Desayuno del año 2004
tomando como base los históricos siguientes:
Ventas
Históricas 2
Año Periodo (x) x xy
(y)
2011 1 74 1 74
2012 2 79 4 158
2013 3 80 9 240
2014 4 90 16 360
2015 5 105 25 525
2016 6 142 36 852
2017 7 122 49 854
N=7 X = 28 y = 692 2
x = 140 xy = 3.063
Análisis de Regresión - Ejemplo
Sustituyendo los valores en las fórmulas:
7(3,063) − (28 ∗ 692)
𝑏=
𝑁 σ 𝑥𝑦 − σ 𝑥 σ 𝑦 7 140 − 282
𝑏= 2
𝑁(σ 𝑥 2 ) − (σ 𝑥)
21,441 − 19,376
𝑏=
980 − 784
𝑏 = 10.5357
𝑏 = 10.5357 𝑎 = 56.7142
𝛾 = 𝑎 + 𝑏𝑥 𝛾 = 56.7142 + 10.5357𝑥
𝛾 = 56.7142 + 10.5357(8)