Previsión del suministro usando modelos estadísticos de supervivencia

  1. Díaz Martínez, Zuleyka 1
  2. Fernández Menéndez, José 1
  3. Minguela Rata, Beatriz 1
  1. 1 UCM
Revista:
Anales de ASEPUMA

ISSN: 2171-892X

Año de publicación: 2020

Número: 28

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Anales de ASEPUMA

Resumen

La previsión de la demanda en las organizaciones tiene un gran interés y abundan los modelos estadísticos para estimar la distribución de probabilidad de sus valores. Por el contrario, la previsión de las cantidades que se podrán obtener de los proveedores no ha recibido apenas atención. Las organizaciones hacen una previsión de la demanda a medio plazo para negociar con los proveedores las condiciones de suministro. Las inevitables variaciones que se produzcan en la práctica con respecto a las condiciones acordadas se gestionan sobre la marcha y no suelen ser suficientemente relevantes como para modelizarlas. Sin embargo, no siempre es así. Por ejemplo, para los distribuidores de productos farmacéuticos existen restricciones legales o contractuales que les obligan a garantizar el suministro a sus clientes y mercados. En este caso es frecuente que se produzca racionamiento de la oferta por parte de los laboratorios suministradores, lo que hace aconsejable modelizar estadísticamente tanto la demanda como la oferta para garantizar que la probabilidad de desabastecimiento no rebase unos límites aceptables. En este trabajo se presentan modelos estadísticos de supervivencia o fiabilidad, cuyo rasgo distintivo es la presencia de observaciones censuradas, para modelizar adecuadamente la oferta por parte de los proveedores.

Referencias bibliográficas

  • Axsäter, S. (2006). Inventory Control. Springer. Box, G. E. P. & Jenkins, G. M. (1970). Time Series Analysis, Forecasting, and Control. Holden-Day.
  • Brown, R. G. (1959). Statistical Forecasting for Inventory Control. McGraw-Hill. Brown, R. G. (1963). Smoothing, Forecasting and Prediction of Discrete Time Series. Prentice-Hall.
  • Byrd, R. H., Lu, P., Nocedal, J. & Zhu, C. (1995). A Limited Memory Algorithm for Bound Constrained Optimization. SIAM Journal on Scientific Computing, 16 (5), 1190-1208.
  • Cox, D. R. & Oakes, D. (1984). Analysis of Survival Data. Chapman & Hall/CRC. Heizer, J. & Render, B. (2007). Dirección de la Producción y de Operaciones (8ª ed). Pearson Education.
  • Hill, A. V. (2012). The Encyclopedia of Operations Management. Pearson Education.
  • Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, 20 (1), 5-10.
  • Hopp, W. J. & Spearman, M. L. (2011). Factory Physics (3ª ed). Waveland Press. Hyndman, R. J. & Athanasopoulos, G. (2014). Forecasting. Principles and Practice. OTEXTS.COM
  • Hyndman, R. J. & Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R. Journal of Statistical Software, 26 (3), 1-22.
  • Hyndman, R. J., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O’HaraWild, M., Petropoulos, F., Razbash, S., Wang, E. & Yasmeen, F. (2020). forecast: Forecasting functions for time series and linear models (R package version 8.11).
  • Hyndman, R. J., Koehler, A. B., Ord, J. K. & Snyder, R. D. (2008). Forecasting with Exponential Smoothing. The State Space Approach. Springer.
  • Hyndman, R. J., Koehler, A. B., Snyder, R. D. & Grose, S. (2002). A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, 18 (3), 439-454.
  • Kalbfleisch, J. D. & Prentice, R. L. (2002). The Statistical Analysis of Failure Time Data (2nd ed). Wiley-Interscience.
  • Lawless, J. F. (2003). Statistical Models and Methods for Lifetime Data (2nd ed). Wley-Interscience.
  • Moore, D. F. (2016). Applied Survival Analysis Using R. Springer.
  • Mullen, K., Ardia, D., Gil, D., Windover, D. & Cline, J. (2011). Deoptim: An R Package for Global Optimization by Differential Evolution. Journal of Statistical Software, 40 (6), 1-26.
  • R Core Team. (2020). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna, Austria. https://www.Rproject.org/ Silver, E. A., Pyke, D. F. & Thomas, D. J. (2017). Inventory and Production Management in Supply Chains (4ª ed). CRC Press.
  • Therneau, T. M. & Grambsch, P. M. (2000). Modeling Survival Data: Extending the Cox Model. Springer.
  • Therneau, T. M. (2020). A Package for Survival Analysis in R [R package version 3.1-11].
  • Thomopoulos, N. T. (2015). Demand Forecasting for Inventory Control. Springer.
  • Thomopoulos, N. T. (2016). Elements of Manufacturing, Distribution and Logistics. Springer. Winters, P. R. (1960). Forecasting Sales by Exponentially Weighted Moving Averages. Management Science, 6 (3), 324-342.
  • Xiang, Y., Gubian, S., Suomela, B. & Hoeng, J. (2013). Generalized Simulated Annealing for Efficient Global Optimization: the GenSA Package for R. The R Journal, 5 (1).
Fuente de los datos: Dialnet