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.