CONSIDERACIONES METODOLÓGICAS SOBRE LA GESTIÓN DE INVENTARIO DE REPUESTOS: UN ESTUDIO DE CASO

Una empresa típica de fabricación de bienes de consumo tiende a mantener entre US$ 5 millones y US$ 15 millones en repuestos, a un costo de oportunidad anual que oscila entre el 20% y el 40% del valor en stock (SANDVIG y ALLAIRE, 1998). En general, existe consenso en que los inventarios de repuestos no pueden ser gestionados por modelos o métodos tradicionales, ya que no se dan las condiciones para su aplicación: patrón de consumo esporádico (es decir, irregular y pequeño), largos tiempos de respuesta de reabastecimiento y alta costos de adquisición (BOTTER y FORTUIN, 2000). Aun así, las preguntas básicas de la gestión de inventario aún quedan por responder: qué artículos deben almacenarse y cuánto de cada artículo debe mantenerse en stock.

La gestión de repuestos también puede entenderse desde la perspectiva del servicio al cliente, y no solo desde el aspecto financiero y/o logístico. Para muchas empresas que se enfrentan a un entorno competitivo más duro, la satisfacción del cliente es crucial (FIGUEIREDO et al., 2003). Un medio muy común para mantener satisfechos a los clientes es la asistencia posventa, mediante la reparación rápida de productos y sistemas defectuosos. Para ello, se debe mantener en stock una cantidad suficiente de repuestos para cumplir con ciertos niveles de servicio al cliente. El servicio al cliente normalmente se puede medir en términos de disponibilidad del producto, como los indicadores de probabilidad de no quedarse sin existencias y tasa de llenado (SILVER y PETERSON, 1985 y WANKE, 2003), y en términos de tiempo de entrega.

Bajo el prisma de la gestión de materiales, los repuestos se pueden dividir en dos categorías principales: artículos reparables o artículos consumibles o desechables (BOTTER y FORTUIN, 2000). Los elementos reparables incluyen piezas de repuesto que son técnica y económicamente recuperables. En caso de avería, la pieza antigua se sustituye por una nueva y se envía a un centro de reparación, que posteriormente se pone a disposición en stock. Los artículos consumibles corresponden a piezas que no son técnica ni económicamente recuperables. En caso de falla, la parte vieja simplemente se descarta. En el primer caso, la posibilidad de recuperar un artículo tiene implicaciones para la gestión del inventario, ya que, en términos generales, las cantidades en proceso de reacondicionamiento deben ser deducidas del reabastecimiento futuro (SHERBROOKE, 1967 y KIM et al., 1996) .

Este artículo se basa en un estudio de caso (YIN, 1994). Presenta consideraciones metodológicas sobre cómo determinar la gestión de inventarios para diferentes repuestos en cuanto a sus principales características (WILLIAMS, 1984): consumo promedio y coeficiente de variación del consumo, es decir, la relación entre su desviación estándar y su promedio. También se hacen consideraciones sobre cómo operacionalizar la segmentación basada en un modelo de gestión de inventario actualmente en progreso y sobre cómo estimar ganancias potenciales en términos de nivel de servicio, reducción de inventario y reducción de errores de pronóstico. Más específicamente, se describe la solución desarrollada utilizando la hoja de cálculo MS-EXCEL y el paquete estadístico SPSS para artículos consumibles de una empresa que fabrica equipos e implementos agrícolas ubicada en Brasil. Por razones obvias, la información confidencial de la empresa, su posición en la industria y sus operaciones será retenida o disfrazada.

REVISION DE LITERATURA

La gestión de inventario ha recibido una atención sustancial de los círculos académicos y empresariales en los últimos años. La mayor parte de la literatura se centra en determinar, establecer o aplicar métodos para reponer inventarios en entornos de producción y distribución (BOTTER y FORTUIN, 2000). En estos entornos, la demanda y el tiempo de respuesta tienden a predecirse con mayor grado de certeza, y la gran mayoría de los modelos utilizados permiten tomar decisiones adecuadas sobre cuánto mantener en stock para cada artículo o producto (ver, por ejemplo, PLATA et al., 1998). En este artículo, la toma de decisiones de gestión de inventario analizada tiene lugar en un entorno totalmente diferente, es decir, el reabastecimiento de repuestos. En este entorno, las empresas y los gerentes se enfrentan a un problema más complejo: las piezas de repuesto son caras, la demanda es errática y difícil de predecir, los tiempos de respuesta son largos y estocásticos y los clientes quieren recibir las piezas de repuesto rápidamente.

De esta forma, la literatura sobre el reabastecimiento de repuestos tiende a ser más escasa (BOTTER y FORTUIN, 2000) y los desarrollos de los últimos diez años presentan varias aproximaciones al problema, como la determinación del último pedido (HILL et al. ., 1999), la determinación del intervalo de revisión óptimo (SHIBUYA et al., 1998) y la determinación de políticas de inventario en función de la criticidad de los artículos (DEKKER et al., 1998). Más específicamente, el desarrollo de la revisión bibliográfica estuvo dirigido a comprender enfoques realistas, previamente probados en empresas, como las de Yeh (1997), Robison (2001), Sandivg y Allaire (1998) y las de los mismos Botter y Fortuin (2000); Se descartaron los enfoques puramente teóricos e hipotéticos por naturaleza, con énfasis en su aplicabilidad práctica.

Yeh (1997) adoptó la premisa de la distribución Gamma de la demanda para determinar los puntos de reabastecimiento en una empresa mediana, fabricante de productos electrónicos, ubicada en Taiwán. Debido a que más de la mitad de los 10.000 10 artículos se consumen menos de 1967 veces al año, inicialmente se descartó la suposición de distribución Normal. También se descartó la distribución de Poisson, también muy utilizada en la práctica (cf. SHERBROOKE, 2003 y WANKE, 1997) y propuesta como alternativa a la distribución Normal para artículos de bajo consumo. Según Yeh (0,9), la aplicabilidad de la premisa de la distribución de Poisson depende de la relación entre la varianza y la demanda media, que debe estar entre los límites de 1,1 y XNUMX.

Robison (2001) desarrolló una técnica para analizar, considerando 15.000 artículos simultáneamente, los niveles de existencias y predecir el nivel de servicio al cliente. Por el contrario, dado un nivel de servicio dado, la técnica permite calcular los niveles de stock necesarios en un entorno donde los artículos se mantienen en stock. Más específicamente, a través de métodos como el Análisis de Regresión Lineal, Robison (2001) determinó ecuaciones que relacionan niveles de inventario y niveles de servicio con coeficientes de determinación (R2) alrededor de 0,70.

Sandvig y Allaire (1998) desarrollaron un modelo de hoja de cálculo de MS-Excel para mostrar cómo respondió la gestión de inventario, en términos de nivel de servicio, bajo diferentes escenarios de demanda. Con base en los datos de consumo real de miles de piezas de repuesto en una empresa estadounidense, los autores determinaron que los niveles de servicio más bajos eran el resultado de la interacción de la alta variabilidad de la demanda con tiempos de respuesta prolongados. Se tomaron acciones para reducir los niveles de stock en función de los cambios en la ordenación sistemática de los clientes.

Botter y Fortuin (2000) segmentaron 50.000 repuestos en niveles de importancia decreciente para consumo, tiempo de respuesta, precio y criticidad de cada ítem, con la posterior determinación de estos parámetros promedio para cada grupo. Los niveles de servicio se calcularon por segmentos con base en estos parámetros promedio, considerando situaciones alternativas de reabastecimiento desde un centro de distribución regional o un almacén local. Se estimaron ganancias en términos de reducción de los niveles de inventario y aumento de los niveles de servicio para cada segmento.

La breve descripción de estos cuatro enfoques prácticos aplicados a la gestión de repuestos permite inferir algunos aspectos metodológicos sobre cómo las empresas y los gestores están dirigiendo la determinación de los niveles de stock:

• La aproximación de datos de consumo por distribución Gamma para calcular puntos o niveles de reposición de stocks (YEH, 1997);

• El uso de técnicas de análisis estadístico multivariante para relacionar los niveles de stock con las medidas de nivel de servicio, como por ejemplo, el Fill Rate (ROBISON, 2001);

• El uso de datos de consumo real para probar las políticas de inventario propuestas (SANDVIG y ALLAIRE, 1998) en términos de nivel de servicio;

• La segmentación de repuestos en base a diferentes criterios y el uso de sus valores promedio para representar los segmentos en el cálculo de estimaciones sobre ganancias en el nivel de servicio y reducciones en los niveles de stock (BOTTER y FORTUIN, 2000).

LA EMPRESA Y LA POLÍTICA ACTUAL DE GESTIÓN DE INVENTARIO

La empresa es una de las mayores multinacionales fabricantes de equipos e implementos agrícolas instalados en Brasil. Para respaldar la asistencia técnica y el servicio posventa de sus equipos, la empresa mantiene centralizados en su almacén de fábrica 20.833 artículos de diferente tipo, totalizando un capital inmovilizado en inventario de alrededor de 20 millones de dólares. Hay aproximadamente 1.000.000 de unidades en stock, lo que hace un valor unitario promedio de $20.

Actualmente, la empresa decide reponer existencias en base a las previsiones de consumo para los próximos meses. Todas las piezas de repuesto se producen internamente y los ciclos de programación de producción de piezas de repuesto siguen un horizonte de un mes. En términos generales, se puede decir que el tiempo de respuesta para realizar un pedido de repuestos tiene un promedio de un mes y una desviación estándar de cero.

De acuerdo con la Tabla 1, el consumo promedio anualizado por artículo (D_YR) es de casi 63 unidades y su desviación estándar es de 422 unidades. El consumo anualizado por artículo (basado en los últimos 36 meses) oscila entre un mínimo de 0,30 y un máximo de 29.756 unidades, denotando gran dispersión y asimetría de los datos para valores por debajo de la media. El coeficiente de variación medio del consumo mensual (CV) es de aproximadamente 2,8 y el error de previsión mensual medio en valores absolutos (MAD) por artículo es de 4,1. La desviación estándar del error de pronóstico absoluto medio es de 24 unidades por mes.

De acuerdo con la Tabla 2, la mitad de los ítems (mediana) presentan consumo anualizado (D_YR) menor o igual a 5,70 unidades. En cuanto al coeficiente de variación medio del consumo mensual (CV), la mitad de los ítems (mediana) tienen una relación entre la desviación estándar y el consumo medio mensual superior a 2,4. Estos datos denotan las características básicas involucradas en la gestión de inventarios de repuestos: consumos pequeños e irregulares, con una alta desviación estándar de errores de pronóstico, lo que implica niveles de inventario elevados en relación con el consumo promedio.

La empresa mide el nivel de servicio que ofrece a sus clientes a través de indicadores de Tasa de Relleno para cada artículo solicitado. Por ejemplo, para un determinado artículo, si la cantidad solicitada inicialmente era de 100 unidades y solo había 80 unidades disponibles en stock, la tasa de relleno se calcula como 80%. Como se indica en la Tabla 3, en los últimos 36 meses, el Fill Rate promedio de todos los ítems de la empresa fue de 80,28%, teniendo el 50% de los ítems un Fill Rate inferior a 83,30%. Una cuarta parte de los artículos tenían una tasa de relleno superior al 91,70 %, lo que probablemente denota un exceso de artículos en stock.

De acuerdo con la Tabla 3, en cuanto a los niveles de stock de repuestos, hay en promedio 52,4 unidades por cada artículo en stock. El 25% de los artículos tienen más de 27 unidades en stock, con un inventario máximo de 9.810 unidades. Otro 25% de los artículos tienen menos de dos unidades en stock, con un stock mínimo de cero. Estos datos, al compararlos con la Tabla 1, denotan una cobertura promedio de casi 10 meses de consumo en stock.

Actualmente, la empresa está reestructurando su gestión de inventario de piezas de repuesto. Su objetivo principal es determinar pronósticos de consumo más precisos para cada artículo como una forma de reducir simultáneamente los niveles de inventario, así como equilibrar los niveles promedio de Fill Rate para diferentes artículos, reduciendo su dispersión.

Metodología Utilizada

Con base en la revisión de la literatura, la metodología utilizada para redefinir la gestión del inventario de repuestos consistió en los pasos que se describen a continuación. Inicialmente, los niveles de reemplazo de inventario se determinaron con base en la distribución Gamma de la demanda mensual. La distribución Gamma viene definida por dos parámetros (YEH, 1997), siendo el primero la relación entre el consumo medio y el coeficiente de variación del consumo y el segundo parámetro, el propio coeficiente de variación del consumo.

Para cada artículo, estos niveles de reposición se determinaron primero para diferentes niveles de probabilidad de no quedarse sin stock (10%, 20%, 30%, 40%, 50%, 60%, 70%, 75%, 80%, 85 %, 90%, 95% y 99%) y secundariamente utilizados como pronósticos probabilísticos de consumo. Estas previsiones probabilísticas de consumo se compararon con los datos reales de cada artículo de los últimos 36 meses, calculando artículo por artículo el error absoluto medio de previsión (MAD), el Fill Rate y el nivel de stock.

A través de técnicas de análisis multivariante, fue posible relacionar el consumo anual y el coeficiente de variación del consumo mensual de cada artículo con las variaciones de MAD, Fill Rate y nivel de existencias, resultantes de la comparación entre el modelo actualmente adoptado por la empresa y los modelos propuestos. También fue posible relacionar, para cada rubro, el modelo de pronóstico de consumo con el menor error con el consumo anual y el coeficiente de variación del consumo mensual.

Análisis de resultados

Los pronósticos probabilísticos de consumo generados a partir de la distribución Gamma resultaron en la reducción del error de pronóstico absoluto medio (MAD) a 8.893 artículos. El modelo utilizado por la empresa (MCOMPANY) presentó el menor error de pronóstico para 11.940 artículos analizados (57,3% del total). La Tabla 4 presenta la distribución de frecuencias de los modelos de pronóstico de consumo que presentaron la MAD más baja para el horizonte considerado de 36 meses. También se presentan las medianas del consumo anual (D_YR) y el coeficiente de variación del consumo mensual (CV) de cada modelo.

 

 

Se realizó un Análisis de Regresión Logística Multinomial con los 8.893 ítems, para lo cual se logró una reducción del error de pronóstico, con el objetivo de cuantificar y relacionar simultáneamente los valores de consumo anual (D_YR) y el coeficiente de variación del consumo mensual ( CV) para cada modelo. Aunque las medianas que se muestran en la Tabla 4 proporcionan una medida de tendencia central para D_YR y CV, su uso conjunto puede no ser representativo de la mayoría de los elementos de cada modelo. Los resultados de la regresión se presentan en la Tabla 5, con el modelo Gamma 99% constituyendo la categoría de referencia. La regresión es significativa al nivel 0,001 y explica casi el 32% de la variación en la asociación de un modelo dado con un par dado de valores D_YR y CV. El coeficiente de variación no discrimina todos los modelos simultáneamente, siendo significativo al 0,05 para los modelos Gamma 10%, Gamma 85%, Gamma 90% y Gamma 95%. El consumo anual tampoco discrimina todos los modelos simultáneamente, siendo significativo al 0,01 para todos los modelos excepto para el rango del 95%.

 

Con base en los resultados de la Tabla 5, se realizó un análisis con un punto de corte igual al 50% para determinar algunos puntos de indiferencia (pares de valores D_YR y CV) entre cada uno de los modelos analizados y la categoría de referencia. Estos resultados se muestran en la Tabla 6 e ilustran la relación entre el consumo anual y el coeficiente de variación mensual para diferentes modelos de pronóstico probabilístico. A través del orden de magnitud de sus valores, es posible evaluar el impacto de las distorsiones en comparación con las medianas que se muestran en la Tabla 4.

 

De acuerdo con la Tabla 6, es posible inferir algunas conclusiones:

• El modelo Rango 10% está asociado a los artículos de mayor escala de consumo, con una relación directa entre consumo y coeficiente de variación.
• Los modelos de Rango 20% a Rango 70% están asociados a artículos con consumo anual inferior a 200 y coeficiente de variación mensual inferior a 2, con una relación inversa entre consumo y coeficiente de variación.
• Los modelos Gamma 75% a 95% están asociados a artículos con consumo anual mayor a 100 unidades y coeficiente de variación mensual mayor a 3, con una relación directa entre consumo y coeficiente de variación.

Comparando los resultados de las Tablas 4 y 6, se ilustran los riesgos de distorsiones cuando se consideran medidas de tendencia central para representar los artículos asociados a cada modelo de gestión de inventarios. Estas distorsiones se vuelven más evidentes en la discusión que sigue, con la determinación de estimaciones para evaluar la reducción de errores de pronóstico absolutos, el aumento en los niveles de Tasa de Llenado y la reducción en los niveles de inventario.

Para determinar la relación simultánea entre la reducción de los errores absolutos de pronóstico, el consumo anual y el coeficiente de variación del consumo mensual, se realizó un Análisis de Regresión Lineal Múltiple con estos 8.893 ítems. Las variables D_YR y CV se estandarizaron con el objetivo de mitigar posibles efectos de multicolinealidad y permitir cuantificar su impacto relativo en la reducción de la DAM. Los resultados de la regresión se muestran en la Tabla 7. El análisis es significativo al nivel de 0,0001 y explica casi el 50 % de la varianza en la reducción del error de pronóstico de D_YR_STD y CV_STD (estandarizado). El coeficiente de variación no es significativo al nivel de 0,10. El consumo es significativo a un nivel inferior a 0,001 y tiene un impacto relativo casi 70 veces mayor que el coeficiente de variación en la reducción de la MAD. Cuanto mayor sea el consumo anual, mayor será la reducción del error absoluto de previsión.

 

La Tabla 8 presenta las reducciones esperadas en los errores absolutos de pronóstico de la aplicación de los resultados presentados en la Tabla 7 a los datos de la Tabla 6. Es posible inferir algunas conclusiones sobre el comportamiento de la reducción del error absoluto de pronóstico para los modelos analizados. . Primero, las reducciones sustanciales en los errores de pronóstico se concentran en los modelos Gamma 10%, Gamma 85%, Gamma 90% y Gamma 95%, principalmente porque estos modelos concentran una mayor cantidad de artículos con mayor consumo anual. En segundo lugar, una eventual estrategia de implementación de las nuevas previsiones de consumo debe tener en cuenta su secuencia, buscando una mayor eficiencia en la programación de la producción debido a una mayor precisión en las estimaciones de cada ítem.

También para estos 8.893 artículos se realizó un Análisis de Regresión Lineal Múltiple con el objetivo de determinar la relación simultánea entre la variación de la Tasa de Llenado y el consumo anual y el coeficiente de variación del consumo mensual, ambos estandarizados. Los resultados de la regresión se presentan en la Tabla 9. El análisis es significativo al nivel de 0,001 y explica casi el 14 % de la variación en la tasa de llenado de D_YR_STD y CV_STD (estandarizado). Tanto el coeficiente de variación como el consumo anual son significativos al 0,001, teniendo el primero un impacto relativo casi 5 veces mayor que el segundo. Los signos de los coeficientes denotan que cuanto mayor sea el coeficiente de variación, menor será el impacto positivo en el Fill Rate resultante de pronósticos con menos error y cuanto mayor sea el consumo, mayor será el impacto positivo en el Fill Rate. Es decir, en los 8.893 artículos para los que el pronóstico probabilístico implicó una reducción de la MAD, tienden a verificarse incrementos en la Tasa de Relleno cuanto mayor es el consumo anual y menor el coeficiente de variación del consumo mensual. Por otro lado, las reducciones en la Tasa de Llenado pueden atribuirse a mayores coeficientes de variación y menores niveles de consumo anual.

La Tabla 10 presenta las variaciones esperadas en la Tasa de Llenado, en puntos porcentuales, con base en la aplicación de los resultados presentados en la Tabla 9 a los datos de la Tabla 6. Se puede ver que las principales oportunidades para obtener incrementos sustanciales en la Tasa de Llenado son concentrado en los modelos Gamma 10% y Gamma 95%, especialmente en los artículos de mayor coeficiente de variación y consumo. Cabe recordar que en estos modelos los ítems presentan una relación directa entre estas dos variables. Incrementos más modestos en el Fill Rate se concentran en los modelos de Rango 20% a Rango 70%, para los cuales los ítems tienen una relación inversa entre consumo y coeficiente de variación. Finalmente, las reducciones en Fill Rate se concentran en modelos desde Gamma 75% a Gamma 90%. Los ítems bajo estos modelos tienen una relación directa entre el consumo y el coeficiente de variación, sin embargo, el coeficiente de variación presenta una mayor contribución marginal a la reducción del Fill Rate que el consumo para incrementarlo.

Para determinar la relación simultánea entre la reducción de los niveles de existencias, el consumo anual y el coeficiente de variación del consumo mensual, también se realizó un Análisis de Regresión Lineal Múltiple para estos 8.893 artículos. Los resultados de la regresión se presentan en la Tabla 11. El análisis es significativo al nivel 0,001 y explica casi el 10% de la variación en la reducción de los niveles de inventario, cuando se adopta un modelo diferente al de la empresa. Tanto el coeficiente de variación del consumo mensual como el del consumo anual fueron estandarizados y son significativos al nivel 0,001. El consumo tiene un impacto relativo casi seis veces mayor que el coeficiente de variación en la reducción de los niveles de inventario. Los signos de los coeficientes denotan que cuanto mayor sea el consumo y el coeficiente de variación, mayor será el impacto positivo en la reducción de los niveles de existencias resultantes de pronósticos con menor error. En otras palabras, las reducciones en los niveles de inventario tienden a verificarse cuanto mayor es el consumo anual y el coeficiente de variación del consumo mensual. Por otro lado, las menores reducciones en los niveles de existencias pueden atribuirse a menores coeficientes de variación y bajos niveles de consumo anual.

La Tabla 12 muestra las reducciones esperadas en los niveles de existencias con base en la aplicación de los resultados que se muestran en la Tabla 11 a los datos de la Tabla 6. Las reducciones sustanciales en los niveles de existencias se concentran principalmente en artículos asociados con el modelo de rango del 10 %, pero también se verifican con menor intensidad. en los artículos asociados a los modelos Gama 80% a Gama 95%. En estos modelos, los artículos presentan una relación directa entre el consumo anual y el coeficiente de variación del consumo. En los modelos Rango 20% a Rango 75%, los artículos tienen una relación inversa entre consumo y coeficiente de variación, y no se verifican reducciones en los niveles de stock para artículos de bajo consumo con alto coeficiente de variación. En general, existe la posibilidad de reducir los niveles de inventario en todos los modelos.

 

Finalmente, la Tabla 13 compara, para cada uno de los modelos (Gamma 10%, Gamma 20%, etc.), los valores reales y predichos para la reducción en el error de pronóstico absoluto, la variación en la Tasa de Llenado y la reducción en el nivel de existencias. En general, los análisis de regresión presentados en las Tablas 7, 9 y 11 tienen buena capacidad predictiva agregada sobre el comportamiento esperado de estos indicadores cuando se adoptan modelos de pronóstico probabilístico en lugar del modelo de pronóstico utilizado por la empresa. Cabe señalar que para más de 2/3 de dos artículos (modelo Gamma 10%) se realizan estimaciones conservadoras para la reducción de los niveles de stock, el error y el aumento de la Tasa de Relleno. Estos resultados son complementarios a los análisis presentados en la Tabla 5, que indica probabilísticamente el nivel de asociación de un determinado repuesto (representado por el consumo anual y el coeficiente de variación del consumo mensual) a un modelo dado.

 

 

Discusión de resultados

Los resultados presentados representan avances en los aspectos teóricos y prácticos de la gestión de inventario de repuestos. Las implicaciones teóricas están relacionadas con la aplicación conjunta, en un fabricante de equipos e implementos agrícolas brasileños, de cuatro enfoques prácticos reportados recientemente en la literatura: (1) aproximación de datos de consumo por la distribución Gamma, (2) uso de técnicas estadísticas multivariadas para la estimación de variaciones en indicadores clave de gestión de inventario, (3) uso de datos de consumo real para probar modelos alternativos propuestos y (4) segmentación de políticas de inventario en función de las principales características de los repuestos. A su vez, las implicaciones prácticas están relacionadas con las ganancias estimadas para la empresa analizada y la facilidad de replicar los análisis presentados en el ambiente de gestión.

Específicamente en lo que respecta a los avances teóricos, la buena capacidad explicativa y predictiva de los análisis desarrollados para segmentar los modelos de gestión de inventarios y estimar variaciones en indicadores como MAD, Fill Rate y niveles de inventario, en base al consumo anual y al coeficiente de variación del consumo mensual, permite formalizar una metodología para la gestión de stocks de repuestos, que consta de 10 pasos, tal como se describe en la Tabla 14.

En cuanto a las ganancias de la empresa analizada, los resultados apuntan a una reducción potencial de 14 millones de dólares (aproximadamente 70%) en el monto del capital inmovilizado en acciones. Esta suma se obtuvo considerando el producto del valor promedio de cada artículo en stock (20 dólares) con la reducción promedio verificada de 79,46 unidades para cada uno de los 8.893 artículos considerados en el análisis (cf. Tabla 13). Considerando la cobertura promedio de inventarios (ver Cuadros 1 y 3), se espera que el 50% de este potencial sea reconvertido en capital de trabajo al final de 10 meses.

Finalmente, en cuanto a los medios de gestión, la metodología descrita puede ser fácilmente implementada y operada en hoja de cálculo MS-Excel y software estadístico SPSS, específicamente necesarios para la ejecución del Paso 8. Con base en el consumo promedio anual y el coeficiente de variación de consumo Para un artículo dado, esta metodología le permite responder a las siguientes preguntas: (1) “¿Qué modelo es más probable que presente un error de pronóstico más bajo?”, (2) “¿Cuáles son las variaciones esperadas en términos del pronóstico absoluto medio? error, de Tasa de Llenado y nivel de inventario al adoptar este modelo?”.

CONCLUSIÓN

Este artículo relata un estudio de caso desarrollado en un fabricante brasileño de equipos e implementos agrícolas, en el que se utilizan en conjunto enfoques recientes para la gestión de repuestos. La buena capacidad predictiva y explicativa de los análisis multivariados desarrollados permitió proponer una nueva metodología para determinar modelos de gestión de inventarios más precisos y cuantificar variaciones en errores de pronóstico, niveles de servicio y niveles de inventario. Entre otros elementos, la metodología se basa en la premisa de la distribución Gamma del consumo de repuestos y en la segmentación de los modelos por sus principales características: consumo medio y coeficiente de variación del consumo.

Futuros estudios deberán considerar en análisis multivariados la interacción del consumo promedio anual con el coeficiente de variación del consumo mensual. El efecto conjunto de estas dos variables puede aumentar la capacidad predictiva y explicativa de los análisis realizados, dado que los artículos de mayor consumo suelen tener menores coeficientes de variación y viceversa.

Referencias

BOTTER, R.; FORTUIN, L. Estrategia de almacenamiento de repuestos: un estudio de caso. Revista internacional de gestión de operaciones y producción, v. 20, núm. 6, pág. 656-674, 2000.

DEKKER, R; KLEIJN, MJ; DE ROOIJ, PJ Una política de almacenamiento de repuestos basada en la criticidad del equipo. Revista Internacional de Economía de la Producción, vol. 56/57, núm. 1-3, pág. 69-77, 1998.

FIGUEIREDO, KF; FLEURY, PF; WANKE, P. Logística y gestión de la cadena de suministro. São Paulo: Editora Atlas, 2003. 483 p.

COLINA, RM; OMAR, M.; SMITH, DK Políticas de reposición de existencias para un proceso estocástico de demanda exponencialmente decreciente. Revista europea de investigación operativa, vol. 116, pág. 374-388, 1999.

KIM, JS; ESPINILLA, KC; YU, HK Algoritmo óptimo para determinar el nivel de inventario de repuesto para un sistema de inventario de artículos reparables. Investigación de operaciones informáticas, v. 23, núm. 3, pág. 289-297, 1996.

ROBISON, JA Análisis del perfil de inventario: una técnica de agregación para mejorar el servicio al cliente mientras se reduce el inventario. Revista de gestión de producción e inventario, v. 42, núm. 2, pág. 8-13, 2001.

SANDVIG, JC; ALLAIRE, JJ Vitalización de un inventario de repuestos. Revista de gestión de producción e inventario, v. 39, núm. 1, pág. 67-71, 1998.

SHERBROOKE, CC Métrica: una técnica de varios niveles para el control de elementos recuperables. Investigación de operaciones, v. 16, pág. 122-141, 1968.

SHIBUYA, T.; DOHI, T.; OSAKI, S. Políticas óptimas de revisión continua para el aprovisionamiento de repuestos con plazos de entrega aleatorios. Revista Internacional de Economía de la Producción, vol. 55, núm. 3, pág. 257-271, 1998.

PLATA, E.; PETERSON, R. Sistemas de decisión para la gestión de inventarios y la planificación de la producción. Nueva York: Wiley, 1985. 722 págs.

PLATA, E.; PYKE, D.; PETERSON, R. Gestión de inventarios y planificación y programación de la producción. Nueva York: Wiley, 1998. 754 págs.

YEH, QJ Una implementación práctica de la distribución gamma para la decisión de reordenación de un problema de control de inventario. Revista de gestión de producción e inventario, v. 38, núm. 1, pág. 51-57, 1997.

YIN, RK Investigación de estudio de caso: diseño y métodos. Thousand Oaks: Sabio, 1994.

WANKE, P. Gestión de inventarios en la cadena de suministro. São Paulo: Editora Atlas, 2003. 176 p.

WILLIAMS, TM Control de stock con demanda esporádica y de lento movimiento. Revista de la Sociedad de Investigación de Operaciones, v. 35, núm. 10, pág. 939-948, 1984.