Comparación de pronósticos con demanda intermitente en una empresa de empaques de plástico

DOI: https://doi.org/10.26439/ing.ind2024.n.6715
Palabras clave: envases de plástico, cadena de suministro, aprendizaje automático, previsión de ventas, oferta y demanda, suavizamiento exponencial, prospectiva

Resumen

En el presente artículo se comparan tres métodos de pronósticos de demanda, aplicados en una empresa peruana productora de envases de plástico para el sector cosmético con demanda intermitente. Los métodos comparados fueron Croston, Croston TSB y suavizamiento exponencial. Las métricas de error que se usaron y compararon para realizar los pronósticos fueron el error medio absoluto, el error porcentual medio y el error cuadrático medio. Se observó que el modelo de Croston TSB obtuvo un mejor rendimiento que los otros dos, con un error menor a 20 % contra la venta real.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Alex Víctor Sánchez García, Universidad de Lima, Facultad de Ingeniería, Lima, Perú

Bachiller en Ingeniería Industrial por la Universidad de Lima. Coordinador de operaciones en una empresa líder del sector plásticos. Su interés académico es la analítica de datos y los métodos cuantitativos aplicados a procesos de gestión.

José Antonio Taquía Gutiérrez, Universidad de Lima, Facultad de Ingeniería, Lima, Perú

Doctor en Gestión de Empresas por la Facultad de Ingeniería Industrial de la Universidad Nacional Mayor de San Marcos. Magister en Ingeniería Industrial por la Universidad de Lima. Miembro del Institute of Industrial and Systems Engineers (IISE) de Estados Unidos. Tiene amplia experiencia en el diseño e implementación de tecnología orientada al análisis de datos y en metodología de investigación científica con proyectos desarrollados en operaciones, cadenas de abastecimiento, analítica en retail y servicios de educación.

Citas

Altay, N., Rudisill, F., & Litteral, L. A. (2008). Adapting Wright’s modification of Holt’s method to forecasting intermittent demand. International Journal of Production Economics, 111(2), 389–408. https://doi.org/10.1016/j.ijpe.2007.01.009

Amirkolaii, K. N., Baboli, A., Shahzad, M. K., & Tonadre, R. (2017). Demand forecasting for irregular demands in business aircraft spare parts supply chains by using Artificial Intelligence (AI). IFAC-PapersOnLine, 50(1), 15221–15226. https://doi.org/10.1016/j.ifacol.2017.08.2371

Babai, M. Z., Syntetos, A., & Teunter, R. (2014). Intermittent demand forecasting: An empirical study on accuracy and the risk of obsolescence. International Journal of Production Economics, 157(1), 212–219. https://doi.org/10.1016/j.ijpe.2014.08.019

Cheng, C. Y., Chiang, K. L., & Chen, M. Y. (2016). Intermittent demand forecasting in a tertiary pediatric intensive care unit. Journal of Medical Systems, 40, Artículo 217. https://doi.org/10.1007/S10916-016-0571-9

Croston, J. D. (1972). Forecasting and stock control for inermittent demands. Operational Research Quarterly (1970-1977), 23(3), 289-303. http://dx.doi.org/10.2307/3007885

Gutierrez, R. S., Solis, A. O., & Mukhopadhyay, S. (2008). Lumpy demand forecasting using neural networks. International Journal of Production Economics, 111(2), 409–420. https://doi.org/10.1016/j.ijpe.2007.01.007

Kourentzes, N. (2013). Intermittent demand forecasts with neural networks. International Journal of Production Economics, 143(1), 198–206. https://doi.org/10.1016/j.ijpe.2013.01.009

Nikolopoulos, K. I., Babai, M. Z., & Bozos, K. (2016). Forecasting supply chain sporadic demand with nearest neighbor approaches. International Journal of Production Economics, 177, 139–148. https://doi.org/10.1016/j.ijpe.2016.04.013

Petropoulos, F., & Kourentzes, N. (2015). Forecast combinations for intermittent demand. Journal of the Operational Research Society, 66(6), 914–924. https://doi.org/10.1057/jors.2014.62

Prak, D., Teunter, R., & Syntetos, A. (2017). On the calculation of safety stocks when demand is forecasted. European Journal of Operational Research, 256(2), 454–461. https://doi.org/10.1016/j.ejor.2016.06.035

Prestwich, S. D., Tarim, S. A., & Rossi, R. (2021). Intermittency and obsolescence: A Croston method with linear decay. International Journal of Forecasting, 37(2), 708–715. https://doi.org/10.1016/j.ijforecast.2020.08.010

Sharma, M., Joshi, S., Luthra, S., & Kumar, A. (2021). Managing disruptions and risks amidst COVID-19 outbreaks: role of blockchain technology in developing resilient food supply chains. Operations Management Research, 15, 268-281. https://doi.org/10.1007/s12063-021-00198-9

Syntetos, A. A., & Boylan, J. E. (2001). On the bias of intermittent demand estimates. International journal of production economics, 71(1-3), 457-466. https://doi.org/10.1016/S0925-5273(00)00143-2

Teunter, R., & Sani, B. (2009). On the bias of Croston’s forecasting method. European Journal of Operational Research, 194(1), 177–183. https://doi.org/10.1016/j.ejor.2007.12.001

Willemain, T. R., Smart, C. N., & Schwarz, H. F. (2004). A new approach to forecasting intermittent demand for service parts inventories. International Journal of Forecasting, 20(3), 375–387. https://doi.org/10.1016/S0169-2070(03)00013-X

Yang, Y., Ding, C., Lee, S., Yu, L., & Ma, F. (2021). A modified Teunter-Syntetos-Babai method for intermittent demand forecasting. Journal of Management Science and Engineering, 6(1), 53–63. https://doi.org/10.1016/j.jmse.2021.02.008

Publicado
2024-05-28
Cómo citar
Sánchez García, A. V., & Taquía Gutiérrez, J. A. (2024). Comparación de pronósticos con demanda intermitente en una empresa de empaques de plástico. Ingeniería Industrial, 97-109. https://doi.org/10.26439/ing.ind2024.n.6715
Número
2024: Edición especial
Sección
Artículos
Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.

Artículos más leídos del mismo autor/a