Zotelo, Yunuem Reyes; Mula, Josefa; Díaz-Madroñero, Manuel; González,

Eduardo Gutiérrez

Article
Plan maestro de producción basado en
programación lineal entera para una empresa de
productos químicos

Revista de Métodos Cuantitativos para la Economía y la Empresa

Provided in Cooperation with:

Universidad Pablo de Olavide, Sevilla

Suggested Citation: Zotelo, Yunuem Reyes; Mula, Josefa; Díaz-Madroñero, Manuel; González,
Eduardo Gutiérrez (2017) : Plan maestro de producción basado en programación lineal entera
para una empresa de productos químicos, Revista de Métodos Cuantitativos para la Economía
y la Empresa, ISSN 1886-516X, Universidad Pablo de Olavide, Sevilla, Vol. 24, pp. 147-168

This Version is available at:

http://hdl.handle.net/10419/195385

Standard-Nutzungsbedingungen: Terms of use:

Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Documents in EconStor may be saved and copied for your
Zwecken und zum Privatgebrauch gespeichert und kopiert werden. personal and scholarly purposes.

Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle You are not to copy documents for public or commercial
Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich purposes, to exhibit the documents publicly, to make them
machen, vertreiben oder anderweitig nutzen. publicly available on the internet, or to distribute or otherwise
use the documents in public.
Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen
(insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, If the documents have been made available under an Open
gelten abweichend von diesen Nutzungsbedingungen die in der dort Content Licence (especially Creative Commons Licences), you
genannten Lizenz gewährten Nutzungsrechte. may exercise further usage rights as specified in the indicated
licence.

https://creativecommons.org/licenses/by-sa/4.0/
 REVISTA DE MÉTODOS CUANTITATIVOS PARA LA
ECONOMÍA Y LA EMPRESA (24). Páginas 147–168.
Diciembre de 2017. ISSN: 1886-516X. D.L: SE-2927-06.
www.upo.es/revistas/index.php/RevMetCuant/article/view/2885

Plan maestro de producción basado en

programación lineal entera para una empresa de
productos quı́micos
Reyes Zotelo, Yunuem
Sección de Estudios de Posgrado e Investigación
Unidad Profesional Interdisciplinaria de Ingenierı́a y Ciencias Sociales y
Administrativas, Instituto Politécnico Nacional (México)
Correo electrónico: [email protected]
Mula, Josefa
Centro de Investigación en Gestión e Ingenierı́a de Producción
Universitat Politècnica de València (España)
Correo electrónico: [email protected]
Dı́az-Madroñero, Manuel
Centro de Investigación en Gestión e Ingenierı́a de Producción
Universitat Politècnica de València (España)
Correo electrónico: [email protected]
Gutiérrez González, Eduardo
Sección de Estudios de Posgrado e Investigación
Unidad Profesional Interdisciplinaria de Ingenierı́a y Ciencias Sociales y
Administrativas, Instituto Politécnico Nacional (México)
Correo-e: [email protected]
RESUMEN
En este trabajo se propone un modelo de programación lineal entera para
planificar la producción de un conjunto de artı́culos finales con demanda in-
dependiente. El modelo para la planificación maestra de produccin (PMP)
est diseñado considerando los costes de producción e inventario, ası́ como las
restricciones definidas por el mismo proceso productivo en cuanto a insta-
laciones y tiempos de producción. El objetivo del modelo propuesto es la
minimización de los costes implicados; concretamente, el tiempo ocioso y
extra de los recursos, ası́ como la consideración de un nivel mı́nimo de servi-
cio ligado a la demanda diferida. La validación del modelo considera datos
pertenecientes a la demanda de cada producto en un horizonte de 12 sema-
nas y compara cinco escenarios en los que se modifican algunos aspectos del
sistema y diferentes niveles de servicio. Por último, los resultados obtenidos
para cada uno de los escenarios exponen la mejora obtenida por el modelo
propuesto respecto al procedimiento actual en la empresa objeto de estudio.

Palabras claves: planificación de la producción; plan maestro de pro-

ducción (PMP); programación lineal entera; industria quı́mica.
Clasificación JEL: C61; L00.
MSC2010: 90C11; 90C90.
Artı́culo recibido el 13 de septiembre de 2016 y aceptado el 13 de enero de 2017.

147
 Master Production Scheduling Based on Integer
Linear Programming for a Chemical Company

ABSTRACT

In this work, we propose an integer linear programming model for produc-

tion scheduling of a group of finished products with independent demand.
The model for the master production scheduling (MPS) is designed by con-
sidering production and inventory costs, as well as the productive process
constraints regarding installations and production times. The aim of the
proposed model is the minimization of the costs involved; specifically, un-
dertime and overtime costs of resources, as well as the consideration of a
minimum service level related to the deferred demand. The validation of
the model considers data belonging to the demand of each product in a
12-week planning horizon and compares five scenarios in which some char-
acteristics of the system and different service levels are modified. Finally,
the results obtained for each one of the scenarios expose the improvement
obtained by the proposed model with regard to the current procedure in the
studied company.

Keywords: production planning; master production scheduling (MPS); in-

teger linear programming; chemical industry.
JEL classification: C61; L00.
MSC2010: 90C11; 90C90.

148
1. Introducción
La planificación de la producción es un proceso continuo y complejo que consiste en
determinar anticipadamente decisiones que permitan optimizar el uso de los recursos
productivos. Si se conoce a intervalos regulares de tiempo la cantidad de producción
que será demandada, es posible desarrollar programas para la producción, distribución
del trabajo y compra de materiales, logrando que la compañía alcance el rendimiento
pleno, sin que sea necesario el almacenamiento de grandes stocks por un tiempo
excesivo, economizando el capital e interés de la empresa (Boiteux et al., 2007).

La planificación de la producción en la industria química suele ser compleja a

consecuencia de las características propias de sus procesos. En esta industria, la mayoría
de los procesos son operados en instalaciones versátiles, con agrupación de lotes para
procesos idénticos y la planificación debe hacerse como una elección entre estos
recursos. Cabe destacar el trabajo de los siguientes autores al respecto: Hax y Meal
(1975), Grunow et al. (2002), Till et al. (2007), Brandenburg y Tölle (2009) y Moniz et
al. (2014). Brandenburg y Tölle (2009), por ejemplo, describen un método de
optimización multicriterio para incluir estas características en un modelo de
planificación, basado en un modelo de programación lineal entera mixta. Grunow et al.
(2002), por su parte, introducen el concepto de planificación por campañas que
considera la producción por lotes en instalaciones multipropósito, con amplios tiempos
de arranque, en procesos secuenciales.

El objetivo de este trabajo es proponer un modelo para la planificación de la

producción en una empresa de la industria química mexicana dedicada a la fabricación y
envasado de productos de limpieza y cuidado personal, la cual, por su número de
empleados, pertenece al grupo de la pequeña y mediana empresa (PYME). Durante el
desarrollo del trabajo se hace énfasis en el concepto de plan maestro de producción
(PMP), destacando algunos de los métodos y modelos más utilizados, específicamente,
para la industria química. Se describe, además, la importancia de los inventarios, y un
análisis de los costes implicados en el modelo de planificación, incluyendo además el
concepto de nivel de servicio. Por último, se valida el modelo propuesto con datos
reales de la empresa objeto de estudio y comparando diferentes escenarios posibles. Las
contribuciones principales de este trabajo son: (1) introducir un modelo de
programación lineal entera mixta para la planificación de producción multiproducto y
multiperiodo en una empresa química dedicada a la fabricación en lotes; (2) desarrollar
un modelo flexible que sirva como apoyo para la toma de decisiones en la empresa del
caso de estudio u otras del mismo ramo; y (3) aplicar el modelo propuesto para
determinar la producción periódica de los productos seleccionados, considerando
restricciones del sistema y un nivel de servicio específico definido por la demanda
diferida permitida.

El artículo se estructura de la siguiente forma. En la Sección 2, se presenta una

revisión de la literatura relacionada con la planificación de producción en la industria
química y la elaboración de un PMP con modelos de programación lineal entera.
Posteriormente, en la Sección 3, se describe el problema de planificación de la

149
producción en la empresa objeto de estudio. En la Sección 4, se describe la metodología
de trabajo y la aplicación de los diferentes enfoques para la planificación revisados en la
Sección 2. En la Sección 5, se propone el modelo PMP utilizando programación lineal
entera. Seguidamente, en la Sección 6, se evalúan los resultados obtenidos por los
diferentes escenarios, derivados de la modificación de algunas características del
sistema, lo cual es posible debido a la flexibilidad del modelo. Finalmente, se presentan
las conclusiones y las líneas futuras de investigación en la Sección 7.

2. Revisión de la literatura
De manera jerárquica, la planificación de producción abarca desde las instalaciones de
producción, incluyendo estrategias de localización de plantas y sus capacidades,
métodos de pronósticos, hasta llegar al nivel de planta donde los temas incluyen
planificación táctica y operativa, planificación de materiales y gestión de inventarios.

Diversos autores han abordado el estudio de la planificación de la producción,

empleando diferentes enfoques; como, por ejemplo, Hax y Meal (1975), Mula et al.
(2006b), Portela (2007), Osorio y Motoa (2008) y Díaz-Madroñero et al. (2014), entre
otros. Por ejemplo, Mula et al. (2006b) recopilan información de diferentes modelos
utilizados para la planificación de producción en entornos de incertidumbre, entre los
que destacan: conceptuales, aquellos basados en inteligencia artificial, analíticos y de
simulación. Entre los modelos analíticos, se incluyen los de programación matemática
(lineal, lineal entera mixta, no lineal, dinámica y multiobjetivo) para resolver problemas
de planificación jerárquica, de planificación de necesidades de materiales (MRP), de
planificación de capacidad y recursos, de gestión de inventarios y de cadena de
suministro. Por otro lado, Díaz-Madroñero et al. (2014) indican que el área de
planificación de la producción más popular es el PMP con periodos de tiempo amplios
en el que se consideran, en mayor instancia, los recursos limitados de producción que la
capacidad de inventario, destacando la aplicación de modelos lineales, enteros y de
programación lineal entera mixta resueltos con algoritmos exactos en solvers
comerciales, así como el uso de CPLEX, C o Lindo/Lingo como herramientas más
populares entre solvers, lenguajes de programación y modelado, respectivamente. Sin
embargo, se destaca que aún existe solo un pequeño número de trabajos en el que los
modelos fueron validados con información real de compañías industriales, lo cual
representa una de las aportaciones de este artículo.

La literatura acerca de los modelos analíticos utilizados para el desarrollo de un

PMP mono-objetivo es amplia. Lasdon y Terjung (1971) proponen un modelo de
programación multiproducto con restricciones de capacidad, en el que existe un límite
inferior en la optimización de costes, además de considerar el problema de tamaño de
lotes, costes de puesta en marcha, inventario y escasez. Mangiameli (1979) incluye el
concepto de desagregación de un plan agregado para la formulación de un PMP
utilizando un modelo de programación lineal entera mixta. Venkataraman y Nathan
(1994), por otro lado, proponen la aplicación de un PMP multiobjetivo con horizonte
rodante y demanda determinista bajo un sistema de múltiples líneas de producción,

150
considerando restricciones para la producción mínima de acuerdo a un tamaño de lote
para la industria dedicada a la fabricación de pinturas.

En la industria química específicamente, la planificación de producción es

compleja a consecuencia de la naturaleza de los procesos y la versatilidad de sus
instalaciones, donde muchas veces existe agrupación de maquinaria para procesos
idénticos, secuenciación, y restricciones respecto al tamaño de lote para la fabricación.
Esta problemática la abordan de manera genérica Dzielinski y Gomory (1965)
utilizando un modelo de programación lineal entera mixta resuelto con FORTRAN,
mientras que Brandenburg y Tölle (2009) describen un método de optimización
multicriterio con estas mismas características.

De manera más específica, Grunow et al. (2002) realizan una planificación en la

cual existe un número determinado de lotes del mismo tipo procesados en secuencia. El
modelo toma en cuenta la disponibilidad del equipo, haciendo un balance de inventario
de productos intermedios y de productos terminados, el cual podría ser aplicado a una
amplia variedad de procesos por lotes en la industria química. En cuanto a problemas de
tamaño de lote, destacan aquellos relacionados con el dimensionamiento dinámico con
restricciones de capacidad al mismo tiempo que se consideran los tiempos de cambio de
partida, la secuenciación y el uso de maquinaria en paralelo (Quadt y Kuhn, 2008;
Buschkühl et al., 2010).

Siguiendo el enfoque de jerarquización de la planificación de la producción,

existen numerosos trabajos que abordan el requerimiento de materiales en base al PMP
o que lo desarrollan al mismo tiempo. Mula et al. (2006a) proponen un modelo de
programación lineal para la planificación de producción a medio plazo en un contexto
de MRP con capacidad limitada, multiproducto, multinivel y multiperiodo. Este modelo
es transformado en tres modelos difusos con flexibilidad en la función objetivo, en la
demanda del mercado y la capacidad disponible de recursos, en el contexto de la
industria del automóvil. Siguiendo esta línea, Mula et al. (2014) diseñan un modelo de
programación lineal entera para la sincronización de una cadena de suministro
multietapa en base a los tiempos de espera, con la finalidad de reducir el efecto látigo.

Así pues, puede destacarse la necesidad de crear un modelo PMP mononivel al

tratarse únicamente de productos terminados, que en un ambiente multiproducto permita
a la empresa caso de estudio tomar decisiones respecto a su producción, a un mínimo
coste, considerando la naturaleza de sus procesos y cuya información sea de utilidad
para el diseño posterior de un MRP.

3. Descripción del problema

El escenario actual de la industria química para las PYME en México, específicamente
para aquellas dedicadas a la fabricación de productos de limpieza y cuidado personal,
tiene muy en cuenta la innovación y mejora continua de productos y procesos, la
reducción de costes, la mejora en el nivel de servicio y la confiabilidad en sus sistemas
de producción e inventarios como objetivos empresariales.

151
 Actualmente, el sistema reactivo de producción en la empresa objeto de estudio
está basado en cubrir los límites de inventario preestablecidos de forma empírica como
mínimos y máximos; estos niveles establecen, además, el espacio en almacén para cada
producto. A través de un informe de existencias generado por el sistema ERP, se
observa que, cuando las reservas son iguales o menores al mínimo, se genera una orden
de producción por la cantidad necesaria para alcanzar el nivel máximo. Esto ha
generado un conflicto, principalmente, respecto a la optimización de los recursos y el
nivel de servicio, al realizar pedidos por lotes incompletos, rebasar por mucho el
espacio de almacén o desabastecerse de un momento a otro.

Esta situación también ha generado conflictos internos, entre los que destacan la
desconfianza de los trabajadores, dados los cambios súbitos en la planificación diaria
para cubrir el desabastecimiento de productos, situación que implica en algunos casos el
pago de tiempo extra; y, por otro lado, la incertidumbre a la que se enfrenta el área de
compras al no contar con información confiable en la cual basar sus negociaciones de
compra de materia prima con los proveedores.

4. Metodología de trabajo
Para el diseño del modelo propuesto, se tomaron como base diferentes trabajos descritos
en la literatura, específicamente aquellos relacionados con la programación lineal
entera, MRP, PMP y cadena de suministro; adecuándolo a un modelo mononivel con
demanda discreta (Mula et al., 2006a, 2006b; Mula et al., 2014; Venkataraman y
Nathan, 1994). En Mula et al. (2006a, 2006b), los autores proponen un modelo de
programación lineal a medio plazo con restricciones de capacidad en un entorno
multiproducto, multiperiodo y multinivel para determinar el PMP y, con ello, los niveles
de inventario, la demanda diferida y los niveles de capacidad utilizada en un horizonte
específico de planificación. Estos objetivos son compartidos con el modelo propuesto,
sin considerar la información referente a las materias primas, que es tomada en cuenta
para la formulación del MRP, pero que no aplican en este trabajo; por lo que
únicamente se consideran conceptos como la minimización de costes por tiempo ocioso,
tiempo extra y los relacionados con la producción, el almacenamiento y la demanda
diferida de los artículos. Del modelo de Mula et al. (2014) se rescata la sincronización
de la información de la demanda a través de las múltiples etapas de la cadena de
suministro, concretamente en cuanto a los límites de inventario de cada una de ellas. El
modelo considera niveles iniciales de inventario, stock de seguridad y tamaños de lotes
predeterminados, introduciendo además la política de demanda diferida nula. Por su
parte, Venkataraman y Nathan (1994), a través del desarrollo de un PMP multiobjetivo
utilizando un horizonte rodante en un entorno de demanda determinista y múltiples
líneas de producción para una industria química dedicada a la fabricación de pinturas,
aporta al modelo propuesto el concepto de “tamaño de lote mínimo”, holgura respecto a
los niveles de producción e inventario en comparación a un nivel deseado, exceso de
inventario, tiempo ocioso y tiempo extra.

En este contexto, la elaboración de un PMP especificará las cantidades de

producción de artículos finales para periodos de tiempo específicos en un horizonte de

152
planificación (Venkataraman y Nathan, 1994). La propuesta presentada está diseñada en
base a la demanda en el almacén de producto terminado, que funciona a su vez como
centro de distribución, y está limitada por los recursos y tiempos implicados para la
producción. Los resultados del modelo brindarán información valiosa para el
requerimiento de materiales y la programación detallada, con la posibilidad de
ampliarse para considerar tiempos de entrega al consumidor final en tienda (véase
Figura 1).

Aprovisionamiento
Producción: Información para el modelo Distribución

Almacén
Almacén
de
de Planta de Producto
Materia producción Terminad
Prima
o CEDIS

Figura 1. Cadena de suministro considerada.

Para realizar el modelo, se requirió información del proceso, los productos y los
recursos implicados. Por tanto, el modelo se define así:

Dados:
− Datos de productos: demanda, tiempo de espera para la entrega, tamaño de
lote de pedido, tanque utilizado, demanda diferida inicial, inventario inicial,
inventario mínimo y máximo permitido en almacén, coste de producción,
inventario y demanda diferida por periodo.
− Datos de los recursos productivos: tiempo requerido del recurso para la
producción, capacidad disponible, coste del tiempo extra y ocioso de cada
recurso.
− Datos para la planificación: número de periodos temporales en el horizonte
de planificación.

Determinar:
− La cantidad a producir y el número de lotes de cada producto.
− Inventario del producto al final de cada periodo.
− Demanda diferida por producto.
− Desviación con respecto al mínimo y máximo establecido en almacén.
− Tiempo ocioso y extra en cada recurso por periodo.
Para cumplir los objetivos principales:
− Minimizar los costes de producción, inventario y demanda diferida.
− Minimizar el tiempo ocioso y extra de cada recurso productivo.
153
 − Minimizar la desviación con respecto a los límites establecidos en inventario.
Asumiendo que:
− Solo se puede realizar la fabricación de lotes completos.
− El coste por demanda diferida es significativamente alto.
− Se elaborarán modificaciones al modelo según el nivel de servicio requerido
por la empresa para los productos seleccionados.

5. Formulación y resolución del modelo

A fin de mejorar el sistema de planificación actual utilizando un fundamento teórico, se
diseña un modelo de programación lineal entera que busca definir la producción
semanal para el conjunto de productos seleccionados considerando sus restricciones de
capacidad de producción y almacenamiento. El objetivo de este modelo se centra en la
minimización de costes y tiempo extra y ocioso, así como evitar la desviación de los
niveles preestablecidos como máximos y mínimos en almacén. Se asume que los
retrasos no afectan al precio de venta y se impone que el retraso al final del horizonte es
0, por lo que los ingresos se consideran constantes. La nomenclatura empleada en el
modelo propuesto, compuesta por índices, parámetros y variables de decisión, se detalla
en la Tabla 1.
Tabla 1. Nomenclatura del modelo propuesto
Índices
I Número de productos (i=1, 2, …, I)
T Periodos de tiempo en el horizonte de planificación (t=1, 2, .., T)
R Número de recursos (r=1, 2, .., R)
Parámetros Dimensiones
d it Demanda del mercado del producto i en el periodo t Unidades de producto
Tiempo de espera para la entrega del producto i desde el área de producción hasta el Semanas
TSi
almacén de producto terminado
InvMini Nivel mínimo de inventario para el producto i Unidades de producto
InvMaxi Nivel máximo de inventario para el producto i Unidades de producto
loti Tamaño de lote para la producción de i Unidades de producto
Proporción de demanda del producto i en el periodo t que debe ser satisfecha en el Porcentaje
nsit
mismo período
Coeficientes para la función objetivo
cpi Coste de producción por unidad del producto i MX($) peso mexicano
ciit Coste de inventario por unidad del producto i en el periodo t MX($) peso mexicano
crdit Coste de demanda diferida por unidad del producto i en el periodo t MX($) peso mexicano
ctocr Coste del tiempo ocioso del recurso r MX($) peso mexicano
ctexi Coste del tiempo extra del recurso r MX($) peso mexicano
cimnli Coste de desviación del inventario mínimo objetivo por producto i MX($) peso mexicano
cimxhi Coste de desviación del inventario máximo objetivo por producto i MX($) peso mexicano
Coeficientes tecnológicos
ARir Tiempo requerido del recurso r para la producción de una unidad del producto i Semanas/unidades de producto
CAPrt Capacidad disponible del recurso r en el periodo t Semanas
Variables de decisión
INVit Inventario del producto i al final del periodo t Unidades de producto
Rdit Demanda diferida del producto i al final del periodo t Unidades de producto
kit Número de lotes a producir del producto i en el periodo t Unidades de lotes
Cantidad a producir del producto i en el periodo t sin tomar en cuenta la
Pit Unidades de producto
multiplicidad del tamaño de lote
Imnlit Inventario inferior al nivel objetivo mínimo para el producto i en el periodo t Unidades de producto
Imxhit Inventario superior al nivel objetivo máximo para el producto i en el periodo t Unidades de producto
Tocrt Tiempo ocioso del recurso r en el periodo t Semanas
Texrt Tiempo extra del recurso r en el periodo t Semanas

154
La formulación del modelo de programación lineal entera es la siguiente:

Función objetivo:
ூ ்

‫ ݊݅ܯ‬෍ ෍ሺܿ‫݌‬௜ + ܿ݅௜௧ ‫ܸܰܫ‬௜௧ + ܿ‫݀ݎ‬௜௧ ܴ݀௜௧ ሻ

௜ୀଵ ௧ୀଵ
ோ ்

+ ෍ ෍ሺܿ‫ܿ݋ݐ‬௥ ܶ‫ܿ݋‬௥௧ + ܿ‫ݐݔ݁ݐ‬௥ ܶ݁‫ݔ‬௥௧ ሻ

௥ୀଵ ௧ୀଵ (1)
ூ ்

+ ෍ ෍ሺ݈ܿ݅݉݊௜ ‫݈݊݉ܫ‬௜௧ + ܿ݅݉‫ݔ‬ℎ௜ ‫ݔ݉ܫ‬ℎ௜௧ ሻ

௜ୀଵ ௧ୀଵ

Restricciones:
a) Balance de inventario:
‫ܸܰܫ‬௜௧ = ‫ܸܰܫ‬௜,௧ିଵ + ݇௜,௧ି்ௌ೔ ݈‫ݐ݋‬௜ − ݀௜௧ − ܴ݀௜,௧ିଵ + ܴ݀௜௧ ∀݅, ‫ݐ‬ (2)

‫݈݊݉ܫ‬௜௧ ≥ ‫݊݅ܯݒ݊ܫ‬௜ − ‫ܸܰܫ‬௜௧ ∀݅, ‫ݐ‬ (3)

‫ݔ݉ܫ‬ℎ௜௧ ≥ ‫ܸܰܫ‬௜௧ − ‫ݔܽܯݒ݊ܫ‬௜ ∀݅, ‫ݐ‬ (4)
ܴ݀௜் = 0 ∀݅ (5)

b) Balance de capacidad:
ூ

෍ ‫ܴܣ‬௜௥ ݇௜௧ ݈‫ݐ݋‬௜ + ܶ‫ܿ݋‬௥௧ − ܶ݁‫ݔ‬௥௧ = ‫ܲܣܥ‬௥௧ ∀‫ݎ‬, ‫ݐ‬ (6)

௜ୀଵ

c) No negatividad:
(7)
‫ܸܰܫ‬௜௧ , ݇௜௧ , ‫݈݊݉ܫ‬௜௧ , ‫ݔ݉ܫ‬ℎ௜௧ ≥ 0

d) Variables enteras:
(8)
݇௜௧ , ‫ܸܰܫ‬௜௧ , ܴ݀௜௧ , ‫݈݊݉ܫ‬௜௧ , ‫ݔ݉ܫ‬ℎ௜௧ ∈ ℤ

En cuanto a las restricciones por balance de inventario, la ecuación (2) se define

en base a las entradas y salidas del almacén, mientras que las restantes, (3) y (4), tienen
como objetivo el cumplir con los parámetros preestablecidos por la empresa como los
límites máximos y mínimos que obedecen por un lado a la capacidad del almacén y, por
otro, a un nivel de servicio calculado de forma empírica. Por su parte, la ecuación (5)
evita la demanda diferida en el último período del horizonte de planificación
considerado. La ecuación (6) establece la capacidad de los recursos productivos o
tanques de proceso, considerando el tiempo de elaboración de los productos en lotes
completos y los tiempos extra y ociosos en caso que existan. En el caso de la empresa
química objeto de la aplicación de este trabajo, el coste del tiempo ocioso existe por
desviarse de una producción continua a pesar de que el recurso esté en condiciones de

155
ser utilizado. Las ecuaciones (7) y (8) establecen que, dadas las características del
problema, las variables de decisión deberán ser enteras y positivas.

Adicionalmente, en caso de realizar modificaciones a la política de demanda

diferida nula, se incluiría la ecuación (9) para establecer un nivel de servicio, de forma
que la decisión sea tomada de acuerdo a la demanda diferida permitida y costes
implicados; es decir, que la cantidad disponible para satisfacer la demanda dit sea al
menos la proporción deseada nsit.

‫ܸܰܫ‬௜,௧ିଵ + ݇௜,௧ି்ௌ೔ ݈‫ݐ݋‬௜ − ܴ݀௜,௧ିଵ ≥ ݊‫ݏ‬௜௧ ݀௜௧ (9)

Para el proceso de resolución, se propone un procedimiento flexible a fin de que

la empresa pueda comparar las implicaciones de costes generadas por las decisiones y
modificaciones consideradas para la gestión de inventarios y producción, y así el
decisor pueda realizar ajustes a las variables señaladas y encontrar así una solución
satisfactoria. El procedimiento de solución se compone de las siguientes fases:

1. Recolección y tratamiento de datos.

2. Formulación del modelo.
3. Adaptación del modelo original considerando diferentes escenarios
obtenidos mediante la modificación de las políticas de producción y
demanda diferida.
4. Resolver el modelo mediante el uso del solver Gurobi de MPL.
5. Comparar costes y realizar un análisis de las variables: tiempo ocioso y
extra, costes implicados y desviación de los límites impuestos.

El modelo ha sido implementado utilizando un lenguaje de alto nivel para

modelos de programación matemática, MPL V5.0; el cual fue alimentado a través de la
base de datos relacional de Microsoft Access para, posteriormente, ser resuelto por el
solver Gurobi 6.0, cuya solución es, finalmente, importada en la base de datos.

5.1 Descripción de los escenarios

Con la finalidad de analizar el desempeño del modelo propuesto, se propone comparar

cinco escenarios diferentes en los que se modifican algunos aspectos del sistema de
producción, como los límites de capacidad de inventario y los tiempos de entrega de
producto, así como los diferentes niveles de servicio. Esto permitirá analizar el impacto
económico de estas variables y brindará opciones al gestor de producción para que esta
se realice de forma eficiente.

Escenario 1: lotes fijos y niveles de inventario mínimo y máximo flexibles, sin demanda
diferida.

En este primer escenario se considera que la producción deberá realizarse,

obligatoriamente, en lotes completos y que los niveles mínimos y máximos

156
preestablecidos para el inventario, de acuerdo a la capacidad del almacén, pueden
desviarse del valor establecido, pero esta desviación será minimizada por la función
objetivo. En este caso, la formulación del modelo a utilizar es la misma que la del
modelo inicial, expresado en las ecuaciones (1) a (8).

Pueden destacarse cuatro casos en este escenario en función de dos aspectos: la

desviación del límite de inventario y el tiempo de entrega. En el primer caso, es posible
minimizar esta desviación en base al coste o a unidades de producto, mientras que el
tiempo de entrega puede considerarse como cero, o tan largo que deba tomarse como 1.
En los casos B1 y C1, el coste por unidad inferior al valor mínimo del inventario será el
coste por demanda diferida, mientras que el de desviación del máximo del inventario
será el coste de inventario.

Tabla 2. Casos destacados del escenario 1

Desviación del límite de inventario Tiempos de entrega de
con base en: producto
Número Coste =0 >0
A1 ● ●
B1 ● ●
C1 ● ●
D1 ● ●

Escenario 2: lotes fijos sin niveles de inventario mínimo y máximo, sin demanda
diferida.

En este caso, se considera que la producción deberá realizarse, obligatoriamente, en

lotes completos, pero no existe una capacidad limitada en el almacén para los productos;
por lo que sus existencias dependerán, únicamente, de los costes implicados. Aquí,
destaca el caso específico en el que los tiempos de entrega sean mayores a cero. La
formulación del modelo se vería modificada respecto al modelo inicial formulado de la
siguiente forma:

Función objetivo:
ூ ்

‫ ݊݅ܯ‬෍ ෍ሺܿ‫݌‬௜ ݇௜௧ ݈‫ݐ݋‬௜ + ܿ݅௜௧ ‫ܸܰܫ‬௜௧ + ܿ‫݀ݎ‬௜௧ ܴ݀௜௧ ሻ

௜ୀଵ ௧ୀଵ (10)
ோ ்

+ ෍ ෍ሺܿ‫ܿ݋ݐ‬௥ ܶ‫ܿ݋‬௥௧ + ܿ‫ݐݔ݁ݐ‬௥ ܶ݁‫ݔ‬௥௧ ሻ

௥ୀଵ ௧ୀଵ

Restricciones:

a) Balance de inventario:
Ecuaciones (2) y (5).
b) Balance de capacidad:
Ecuación (6).

157
 c) No negatividad:

‫ܸܰܫ‬௜௧ , ݇௜௧ ≥ 0 (11)

d) Variables enteras:

݇௜௧ , ‫ܸܰܫ‬௜௧ , ܴ݀௜௧ ∈ Z (12)

Tabla 3. Casos destacados del escenario 2

Tiempos de entrega de producto
=0 >0
A2 ●
B2 ●

Escenario 3: niveles de inventario mínimo y máximo flexibles sin lotes fijos, sin
demanda diferida.

En este escenario se considera que la producción se podrá realizar en lotes incompletos

y los niveles de inventario podrán tener una desviación respecto a lo establecido, pero
estará limitada por la función objetivo. Al igual que el escenario 1, destacan 4 casos. La
formulación del modelo se vería modificada respecto al modelo inicial formulado de la
siguiente forma:

Función objetivo:
ூ ்

‫ ݊݅ܯ‬෍ ෍ሺܿ‫݌‬௜ ܲ௜௧ + ܿ݅௜௧ ‫ܸܰܫ‬௜௧ + ܿ‫݀ݎ‬௜௧ ܴ݀௜௧ ሻ

௜ୀଵ ௧ୀଵ
ோ ்

+ ෍ ෍ሺܿ‫ܿ݋ݐ‬௥ ܶ‫ܿ݋‬௥௧ + ܿ‫ݐݔ݁ݐ‬௥ ܶ݁‫ݔ‬௥௧ ሻ (13)

௥ୀଵ ௧ୀଵ
ூ ்

+ ෍ ෍ሺ݈ܿ݅݉݊௜ ‫݈݊݉ܫ‬௜௧ + ܿ݅݉‫ݔ‬ℎ௜ ‫ݔ݉ܫ‬ℎ௜௧ ሻ

௜ୀଵ ௧ୀଵ

Restricciones:
a) Balance de inventario:
‫ܸܰܫ‬௜௧ = ‫ܸܰܫ‬௜,௧ିଵ + ܲ௜,௧ି்ௌ೔ − ݀௜௧ − ܴ݀௜,௧ିଵ + ܴ݀௜௧ ∀݅, ‫ݐ‬ (14)
Ecuaciones (3) a (5).

b) Balance de capacidad:

෍ ‫ܴܣ‬௜௥ ܲ௜௧ + ܶ‫ܿ݋‬௥௧ − ܶ݁‫ݔ‬௥௧ = ‫ܲܣܥ‬௥௧ ݅, ∀‫ݎ‬, ∀‫ݐ‬ (15)

௜ୀଵ

c) No negatividad:
(16)
‫ܸܰܫ‬௜௧ , ܲ௜௧ , ‫݈݊݉ܫ‬௜௧ , ‫ݔ݉ܫ‬ℎ௜௧ ≥ 0

158
 d) Variables enteras:

‫ܸܰܫ‬, ܴ݀௜௧ , ‫݈݊݉ܫ‬௜௧ , ‫ݔ݉ܫ‬ℎ௜௧ ∈ Z (17)

donde Pit corresponde a la cantidad a producir del producto i en el periodo t sin tener en
cuenta la multiplicidad de tamaño de lote.

Tabla 4. Casos destacados del escenario 3

Desviación del límite de inventario Tiempos de entrega de
con base en: producto
Número Coste =0 >0
A3 ● ●
B3 ● ●
C3 ● ●
D3 ● ●

Escenario 4: sin lotes fijos ni niveles de inventario mínimo y máximo, sin demanda
diferida

En este caso, se considera que se puede producir exactamente lo requerido por la

demanda o inventariar sin las restricciones de lotes o almacenamiento. Aquí, como en el
escenario 2, destaca el caso específico en el que los tiempos de entrega sean mayores a
cero. La formulación del modelo se vería modificada respecto al modelo inicial
formulado de la siguiente forma:

Función objetivo:
ூ ்

‫ ݊݅ܯ‬෍ ෍ሺܿ‫݌‬௜ ܲ௜௧ + ܿ݅௜௧ ‫ܸܰܫ‬௜௧ + ܿ‫݀ݎ‬௜௧ ܴ݀௜௧ ሻ

௜ୀଵ ௧ୀଵ (18)
ோ ்

+ ෍ ෍ሺܿ‫ܿ݋ݐ‬௥ ܶ‫ܿ݋‬௥௧ + ܿ‫ݐݔ݁ݐ‬௥ ܶ݁‫ݔ‬௥௧ ሻ

௥ୀଵ ௧ୀଵ

Restricciones:

a) Balance de inventario:
Ecuación (14).

b) Balance de capacidad:
Ecuación (15).

c) No negatividad:
Ecuación (16).

d) Variables enteras:
Ecuación (17).

159
Tabla 5. Casos destacados del escenario 4
Tiempos de entrega de producto
=0 >0
A4 ●
B4 ●

Escenario 5: lotes fijos y niveles de inventario mínimo y máximo flexibles con un nivel
de servicio preestablecido.

En este escenario, a diferencia de la política original de demanda diferida nula, se

propone admitir un porcentaje predeterminado de la misma, al mismo tiempo que se
produce en lotes completos y se cumplen los límites de capacidad impuestos para el
inventario. En este caso, habría que incluir la ecuación (9) al modelo inicial dado por las
ecuaciones (1) a (8). Se destacan 7 casos.

Tabla 6. Casos destacados del escenario 5

Desviación del límite de inventario Tiempos de entrega de
con base en: producto Proporción de demanda
satisfecha
Número Coste =0 >0
A5 ● ● 95%
B5 ● ● 95%
C5 ● ● 95%
D5 ● ● 90%
E5 ● ● 90%
F5 ● ● 79%
G5 ● ● 79%

En este escenario, el coste por demanda diferida no se incluye en el modelo ya

que, en la práctica, no siempre se cuenta con este dato exacto o su estimación no es
sencilla, por lo que se ha preferido ajustar la tasa de demanda diferida de acuerdo a una
proporción de demanda satisfecha (Escobar et al., 2012).

6. Aplicación a la empresa caso de estudio

El modelo propuesto ha sido evaluado con los datos de demanda y producción de los
productos terminados seleccionados en una PYME mexicana dedicada a la fabricación y
el envasado de productos de limpieza y cuidado personal. Asimismo, se realiza una
evaluación de los resultados obtenidos para los diferentes escenarios propuestos,
empleando diferentes enfoques a partir de los datos asociados al problema descrito.
Estos cambios incluirán, principalmente, la variación en la política de lotes completos,
la holgura en los límites de inventario y la inclusión de tiempos de entrega mayores o
iguales a 0; esto último implica considerar que algunos productos necesitan un envasado
especial, o tiempo de reposo, lo cual amplía el tiempo de espera para la entrega del
mismo en el almacén de producto terminado.

6.1. Origen, recolección y tratamiento de datos

La información relativa a la demanda de los productos fue recopilada a través de los

informes generados por el sistema ERP (enterprise resource planning o planificación de
recursos empresariales) implementado en la empresa. A partir de ello fue posible
160
realizar una clasificación de los productos de mayor impacto utilizando el método de
matriz de criterios conjuntos (Flores y Whybark, 1986), utilizado para la clasificación
ABC multicriterio. Tras realizar dicha clasificación de los productos más significativos
para la empresa en cuanto a importancia económica e incidencia de faltantes, fue
posible seleccionar 48 de ellos, utilizando la regla 80-20. Se observó que, a pesar de que
la empresa maneja una política de demanda diferida nula, el nivel de servicio era en
promedio del 75%, lo que implica altos costes de tiempo extra para poder cumplir esta
política.

La información fue complementada con las características de producción de los

mismos, principalmente, aquellos referentes a la maquinaria utilizada, los tiempos de
producción, los tiempos de espera y la capacidad de producción en planta; así como la
referente al inventario, como el stock de seguridad y la capacidad máxima de almacén,
sin olvidar los costes implicados.

El stock de seguridad fue propuesto en base a un estudio de distribución

probabilista de la demanda, mediante el ajuste de curva a una distribución conocida y el
cálculo correspondiente de sus parámetros (Ul Hassan y Stockhammar, 2016) y, de esta
forma, sustentar de forma teórica los límites impuestos por la empresa en el almacén de
producto terminado, ajustando al percentil 60 el stock de seguridad y al percentil 95 el
límite máximo, considerando este último como la capacidad máxima destinada para el
producto en el almacén. Estos, junto con los costes implicados, completan la
información que alimenta al modelo y que se encuentran para cada producto o recurso,
según corresponda, en la base de datos creada en Microsoft Access.

6.2. Discusión de los resultados

La Tabla 7 muestra los resultados de la optimización para una política de demanda

diferida nula. Cabe destacar que, aunque se incluye el valor de la función objeto y el
coste total como un referente para los lectores, dichos valores no son comparables de
unos casos a otros puesto que no todos los escenarios tienen los mismos elementos.
Tomando como base el caso A para cada escenario, para la variable tiempo de espera, se
observa que cuando este valor es cercano a una semana, existe una reducción en los
costes de producción y tiempo extra en comparación con una producción continua,
donde el proceso depende únicamente de los tiempos de producción y traslado, por lo es
considerado como 0. Es importante señalar, además, que el incremento en el coste de
inventario y tiempo ocioso está relacionado también con esta variable.

Es posible asegurar también, que la restricción que sugiere la producción por

lotes completos es la que encarece el sistema productivo, ya que al comparar los costes
implicados entre el escenario 1-2 y 3-4, la diferencia de coste es en promedio 36%
menor.

161
 Tabla 7. Resultados de la optimización para los escenarios propuestos en una política de demanda
diferida nula

100% nivel de servicio

ESCENARIO 1
Lotes fijos y niveles de inventario mínimo y máximo flexibles
A1 B1 C1 D1
Valor objetivo z= 22.240.226,44 27.605.231,91 24.938.055,97 20.027.610,38
Coste total MXN$ 22.207.863,45 MX$ 27.605.231,91 MXN$ 24.938.055,96 MXN$ 20.004.18,.38
Coste de producción cpt= MXN$ 16.391.333,70 + 3,19% - 3,24% - 6,73%
Coste de inventario cit= MXN$ 5.791.608,00 + 23,67% + 8,71% - 18,96%
Coste de demanda
crdt= MXN$ 0,00 0% 0% 0%
diferida
Coste por tiempo ocioso ctoct= MXN$ 954,02 - 34,66% - 1,47% + 20,99%
Coste por tiempo extra ctext= MXN$ 23.967,73 - 1,56% - 4,98% - 9,91%
Inventario < mínimo itnl= 4.972 N/A N/A - 0,70%
Inventario > máximo itxh= 27.391 N/A N/A - 32,49%
ESCENARIO 3
Niveles de inventario mínimo y máximo flexibles sin lotes fijos
A3 B3 C3 D3
Valor objetivo z= 13.839.014,34 17.127.941,35 16.121.144,31 13.025.384,87
Coste total MXN$ 13.818.331,34 MXN$ 17.127.941,35 MXN$ 16.121.144,31 MXN$ 13.006.357,87
Coste de producción: cpt= MXN$ 13.777.618,44 + 6,04% -1,26% -7,30%
Coste de inventario cit= MXN$ 22.845,00 + 10838,52% + 10838,52% + 852,83%
Coste de demanda
crdt= MXN$ 0,00 0% 0% 0%
diferida
Coste por tiempo ocioso. ctoct= MXN$ 562,63 - 51,31% + 21,40% + 72,23%
Coste por tiempo extra ctext= MXN$ 17.305,27 + 7,21% - 0,61% - 7,84%
Inventario < mínimo itnl= 20.683 N/A N/A - 8,01%
Inventario > máximo itxh= 0 N/A N/A + 100,00%
ESCENARIO 2 ESCENARIO 4
Lotes fijos sin límites en inventario Sin lotes fijos ni límites de inventario
A2 B2 A4 B4
Valor objetivo z= 21.801.601,19 - 8,15% 13.818.331,34 - 5,88%
Coste total MXN$ 21.801.601,19 - 8,15% MXN$ 13.818.331,35 - 5,88%
Coste de producción cpt= MXN$ 16.457.904,06 - 7,56% MXN$ 13.777.618,44 - 7,30%
Coste de inventario cit= MXN$ 5.319.108,00 - 9,97% MXN$ 22.845,00 + 852,83%
Coste de demanda
crdt= MXN$ 0,00 0% 0% 0%
diferida
Coste por tiempo ocioso ctoct= MXN$ 1.007,91 + 15,78% MXN$ 562,64 + 72,23%
Coste por tiempo extra ctext= MXN$ 23.581,22 - 7,48% MXN$ 17.305,27 -7,84%
Inventario < mínimo itnl= - - - -
Inventario > máximo itxh= - - - -

Uno de los resultados arrojados por el modelo es el tiempo ocioso y extra por
recurso (véanse Tablas 8 y 13), lo cual funciona como una herramienta para equilibrar
el uso de las instalaciones y evitar cuellos de botella. La Tabla 8 muestra, por ejemplo,
el tiempo ocioso y extra para el recurso 4 dedicado a la fabricación de tres productos en
el escenario A1. Los elevados tiempos extra en algunos periodos temporales sugieren
que debería considerarse la producción utilizando otros recursos, principalmente,
durante los períodos 2, 7, y 12.

162
Tabla 8. Tiempo ocioso y extra para el recurso 4 en el escenario A1

Recurso Periodo Tiempo Ocioso Tiempo Extra

4 1 0 2,74
4 2 0 13,97
4 3 0 2,74
4 4 0 2,74
4 5 0 2,74
4 6 0 4,62
4 7 0 12,10
4 8 0 2,74
4 9 0 4,62
4 10 0 2,74
4 11 0 2,74
4 12 0 12,10

Los productos fabricados en el recurso 4 son el 7, 12 y 34. El modelo brinda al

decisor (en el caso del escenario A1) información acerca del número de lotes a producir,
las existencias en inventario al final de cada periodo y la holgura respecto a los niveles
de almacenamiento (véase Tabla 9). Es importante observar que, para este caso, se
observa siempre una demanda diferida nula, considerando que se asignó un valor
máximo al coste por demanda diferida, el cual es minimizado.

Tabla 9. Variables a considerar para la planificación de producción según el escenario A1

Producto Periodos Lotes Producción Inventario Demanda diferida < Mínimo > Máximo
7 1 1 40 16 0 12 0
7 2 2 80 37 0 0 0
7 3 1 40 16 0 12 0
7 4 1 40 17 0 11 0
7 5 1 40 8 0 20 0
7 6 2 80 37 0 0 0
7 7 1 40 21 0 7 0
7 8 1 40 20 0 8 0
7 9 2 80 36 0 0 0
7 10 1 40 33 0 0 0
7 11 1 40 18 0 10 0
7 12 1 40 17 0 11 0
12 1 1 40 39 0 0 0
12 2 0 0 11 0 17 0
12 3 1 40 12 0 16 0
12 4 1 40 25 0 3 0
12 5 1 40 33 0 0 0
12 6 1 40 27 0 1 0
12 7 0 0 7 0 21 0
12 8 1 40 24 0 4 0
12 9 1 40 28 0 0 0
12 10 1 40 29 0 0 0
12 11 1 40 38 0 0 0
12 12 0 0 1 0 27 0
34 1 0 0 11 0 37 0
34 2 1 240 196 0 0 118
34 3 0 0 148 0 0 70
34 4 0 0 114 0 0 36
34 5 0 0 59 0 0 0
34 6 0 0 13 0 35 0
34 7 1 240 220 0 0 142
34 8 0 0 176 0 0 98
34 9 0 0 121 0 0 43
34 10 0 0 77 0 0 0
34 11 0 0 24 0 24 0
34 12 1 240 223 0 0 145

163
 El escenario 5, por su parte, brinda a la empresa la opción de elegir la proporción
de demanda que está dispuesta a satisfacer de acuerdo al coste, mientras que la
desviación respecto a los niveles de inventario se optimizará en base al coste de las
unidades almacenadas. En la Tabla 10 se observan los resultados en costes para la
optimización del escenario 5 en los casos señalados en la Tabla 6. Para los escenarios
B5, D5 y F5, la única variable que cambia es la proporción satisfecha de demanda
teniendo como premisa un tiempo de suministro nulo. Es posible observar que la
diferencia en los costes entre un 95 y 90% de proporción satisfecha es mínima, aunque
un 8% mayor en cuanto a tiempo ocioso. En cambio, comparando el 95% con el 80%,
se observa una reducción de costes, no siendo así para tiempo ocioso y tiempo extra,
que aumentan en un 13,7% y un 0,22% en comparación con el primer caso. En estas
condiciones, es mucho mejor inclinarse por un 80% en la proporción de demanda
satisfecha que por un 90%. Este comportamiento se observa también en los casos donde
TS>0, como lo señala la Tabla 11.

Tabla 10. Resultados de la optimización para una política con demanda diferida
Demanda diferida de acuerdo a la proporción que la empresa está dispuesta a satisfacer
ESCENARIO 5
Lotes fijos y niveles de inventario mínimo y máximo flexibles
A5 (95%) B5 (95%) C5 (95%)
Valor objetivo z= 21.207.417,69 22.460.133,29 23.709.535,00
Coste total MXN$ 21.172.285,69 MXN$ 22.460.133,29 MXN$ 23.709.535,00
Coste de producción cpt= MXN$ 14.720.551,00 MXN$ 14.767.613,73 MXN$ 15.003.386,92
Coste de inventario cit= MXN$ 6.428.883,00 MXN$ 5.574.411,00 MXN$ 6.161.961,00
Coste por demanda diferida crdt= - - -
Coste por tiempo ocioso ctoc= MXN$ 1.688,45 MXN$ 1.429,72 MXN$ 1.316,56
Coste por tiempo extra ctex= MXN$ 21.163,24 MXN$ 20.653,84 MXN$ 20.695,52
Inventario < mínimo itnl= 4.027 MXN$ $0,00 MXN$ 0,00
Inventario > máximo itxh= 31.105 MXN$ $2.096.025,00 MXN$ 2.522.175,00
D5 (90%) E5 (90%) F5 (80%)
Valor objetivo z= 22.697.033,15 22.904.506,23 21.917.484,33
Coste total MXN$ 22.697.033,15 MXN$ 22.904.506,23 MXN$ 21.917.484,33
Coste de producción cpt= MXN$ 14.728.142,42 MXN$ 14.728.142,42 MXN$ 146.565.871,35
Coste de inventario cit= MXN$ 5.742.096,00 MXN$ 5.873.721,00 MXN$ 5.337.609,00
Coste por demanda diferida crdt= - - -
Coste por tiempo ocioso ctoc= MXN$ 1.544,01 MXN$ 1.330,55 MXN$ 1.625,66
Coste por tiempo extra ctex= MXN$ 20.790,71 MXN$ 20.577,26 MXN$ 20.698,31
Inventario < mínimo itnl= MXN$ 0,00 MXN$ 0,00 MXN$ 0,00
Inventario > máximo itxh= MXN$ $2.204.460,00 MXN$ $2.280.735,00 MX:$ 1.900.680,00
G5 (80%)
Valor objetivo z= 22.968.593,14
Coste total MXN$ 22.968.593,14
Coste de producción cpt= MXN$ 14.837.831,47
Coste de inventario cit= MXN$ 5.834.766,00
Coste por demanda diferida crdt= -
Coste por tiempo ocioso ctoc= MXN$ 1.197,32
Coste por tiempo extra ctex= MXN$ 20.543,35
Inventario < mínimo itnl= MXN$ 0,00
Inventario > máximo itxh= MXN$ 2.274.255,00

Para este escenario, también se observa naturalmente la demanda diferida para

cada periodo temporal y demás variables establecidas igualmente para los escenarios
anteriores (véase Tabla 12). De igual manera, será posible obtener información de

164
 tiempos ociosos y tiempos extra para los recursos implicados (véase Tabla 13). A partir
del análisis de los resultados, la empresa podrá tomar la mejor decisión en base a sus
intereses.
Tabla 11. Desviación de las diferentes proporciones de demanda satisfecha respecto al 95%

TS=0 TS>0

B5 (95%) D5 (90%) F5 (80%) 70% C5 (95%) E5 (90%) G5 (80%) 70%

Valor
z= 22.460.133,29 1,05% -2,42% -7,35% 23.709.535,00 3,51% -3,13% -6,93%
objetivo
Coste total MXN$ 22.460.133,29 1,05% -2,42% -7,35% MXN$ 23.709.535,00 3,51% -3,13% -6,93%
Coste de
cpt= MXN$ 14.767.613,73 -0,27% -0,75% -2,18% MX$ 15.003.386,92 1,87% -1,10% -2,02%
producción
Coste de
cit= MXN$ 5.574.411 3,01% -4,25% -13,87% MXN$ 6.161.961,00 4,91% -5,31% -13,39%
inventario
Coste por
demanda crdt= - - - - - - - -
diferida
Coste por
tiempo ctoc= MXN$ 1.429,72 7,99% 13,70% 5,36% MXN$ 1.316,56 -1,05% -9,06% -9,31%
ocioso
Coste por
ctex= MXN$ 20.653,84 0,66% 0,22% -1,80% MXN$ 20.695,52 0,57% -0,74% -1,87%
tiempo extra
Inventario <
itnl= MXN$ 0,00 0,00% 0,00% 0,00% MXN$ 0,00 0,00% 0,00% 0,00%
mínimo
Inventario >
itxh= MXN$ 2.096.025,00 5,17% -9,32% -26,52% MXN$ 2.522.175,00 10,59% -9,83% -24,41%
máximo

Tabla 12. Variables a considerar para la planificación de producción según el escenario F5.

Producto Periodos Lotes Producción Inventario Demanda diferida < Mínimo > Máximo
7 1 1 40 122 54 0 70
7 2 0 0 48 39 0 0
7 3 1 40 49 61 0 0
7 4 1 40 32 43 0 0
7 5 1 40 40 60 0 0
7 6 3 120 49 0 0 0
7 7 1 40 45 12 0 0
7 8 1 40 33 1 0 0
7 9 2 80 52 4 0 0
7 10 2 80 85 0 0 33
7 11 1 40 70 0 0 18
7 12 1 40 69 0 0 17
12 1 0 0 0 81 0 41
12 2 0 0 11 28 0 0
12 3 1 40 12 32 0 0
12 4 2 80 65 54 0 14
12 5 0 0 73 28 0 0
12 6 1 40 27 37 0 0
12 7 1 40 47 36 0 0
12 8 0 0 24 28 0 0
12 9 1 40 0 29 0 0
12 10 1 40 0 32 0 0
12 11 1 40 0 28 0 0
12 12 1 40 1 30 0 0
34 1 0 0 115 67 0 37
34 2 0 0 48 55 0 0
34 3 0 0 48 103 0 0
34 4 0 0 48 137 0 0
34 5 0 0 48 192 0 0
34 6 0 0 48 238 0 0
34 7 2 480 257 0 0 179
34 8 0 0 213 0 0 135
34 9 0 0 158 0 0 80
34 10 0 0 114 0 0 36
34 11 0 0 61 0 0 0
34 12 1 240 260 0 0 182

165
 En el caso A5, el resultado de la función objetivo indica desviación absoluta, en
cuanto a unidades producidas, sin incluir costes.

Tabla 13. Tiempo ocioso y extra para el recurso 4 en el escenario F5

Recurso Periodo Tiempo Ocioso Tiempo Extra
4 1 0 0,87
4 2 1 0
4 3 0 2,74
4 4 0 4,61
4 5 0 0,87
4 6 0 6,49
4 7 0 25,20
4 8 0 0,87
4 9 0 4,61
4 10 0 4,61
4 11 0 2,74
4 12 0 13,97

7. Conclusiones

Esta investigación ha presentado un modelo cuantitativo para la planificación de

producción como herramienta para la toma de decisiones en una empresa de la industria
química mexicana. Este modelo se ha construido a través del seguimiento de una
metodología desarrollada de acuerdo a diferentes conceptos y métodos teóricos que,
apoyados de otros modelos (que incluyen conceptos como PMP, MRP y planificación
táctica), tienen como objetivo definir las cantidades a producir, los niveles de
inventario, la demanda diferida y los costes derivados. El fundamento teórico del
modelo ha sido generar una mayor confianza en la toma de decisiones por parte de la
gerencia de producción y constituirá una herramienta para la mejora continua,
principalmente, en cuanto al nivel de servicio se refiere. Siguiendo la metodología de
trabajo, se ha realizado una selección de productos y, con el ajuste de la demanda a una
distribución teórica, han definido nuevos niveles de inventario para incluirlos en el
modelo de planificación como unos límites mínimos y máximos: el primero como un
stock de seguridad y el segundo obedeciendo a un límite de capacidad en el almacén.

El modelo de programación lineal entera, a través de sus diferentes escenarios,

brinda unas opciones que la empresa podrá tener en cuenta para seleccionar aquel que se
adecue a sus intereses financieros, garantizando unos costes de producción e inventarios
óptimos, así como un mejor uso de las instalaciones en la planta. También, se ofrece
flexibilidad en cuanto a la proporción de demanda satisfecha; de forma que, sin poner
en riesgo las operaciones de la empresa, se pueda llevar a cabo una mejor gestión del
flujo de efectivo, considerando las implicaciones derivadas de la aplicación de una
política de este tipo. Por tanto, con la información que brinda el modelo de
planificación, se podrán conocer los costes por penalización en el incumplimiento de
entregas, reducir los niveles de inventario de productos terminados e incrementar el
nivel de servicio de los productos seleccionados.

La limitación principal de este trabajo es que la metodología no incluye un

método de pronósticos o de horizonte rodante que pueda retroalimentar el sistema y fue

166
probado con datos históricos de demanda, por lo que en trabajos futuros se propone
incluir estos métodos y, además, la posibilidad de incorporar a este modelo un MRP
agregando información respecto a las materias primas y los envases y embalajes.

Referencias
Boiteux, O.D.; Corominas, A. y Lusa, A. (2007): “Estado del arte sobre planificación
agregada de la producción”. Enginyeria d’Organització i Logística Industrial, 4(2),
1–39.

Brandenburg, M. y Tölle, F.J. (2009): “MILP-based campaign scheduling in a speciality

chemicals plant: a case study”. OR Spectrum, 31, 141–166.

Buschkühl, L.; Sahling, F.; Helber, S. y Tempelmeier, H. (2010): “Dynamic capacitated

lot-sizing problems: A classification and review of solution approaches”. OR
Spectrum, 32, 231–261.

Díaz-Madroñero, M.; Mula, J. y Peidro, D. (2014): “A review of discrete-time

optimization models for tactical production planning”. International Journal of
Production Research, 52(17), 5171–5205.

Dzielinski, B.P. y Gomory, R.E. (1965): “Optimal programming of lot sizes, inventory
and labor allocations”. Management Science, 11(9), 874–890.

Escobar, P.; Giraldo, J.A. y Cárdenas, D.M. (2012): “Programación de sistemas de

producción híbridos, para inventario/bajo pedido, mediante un proceso analítico
jerárquico de ordenación grupal (GAHPO) ”. Información Tecnológica, 23(5),
33–46.

Flores, B.E. y Whybark, D.C. (1986): “Multiple criteria ABC analysis”. International
Journal of Operations and Production Management, 6(3), 38–46.

Grunow, M.; Günther, H. O. y Lehmann, M. (2002): “Campaign planning for multi-

stage batch processes in the chemical industry”. OR Spectrum, 24, 281–314.

Hax, A.C. y Meal, H.C. (1975): “Hierarchical integration of production planning and
scheduling”. En M.A. Geisler (ed.): TIMS Studies in Management Sciences, Volume
1: Logistics. Nueva York: North Holland/American Elsevier, pp. 53–69.

Lasdon, L.S. y Terjung, R.C. (1971): “An efficient algorithm for multi-item
scheduling”. Operations Research, 19, 946–969.

Mangiameli, P.M. (1979): The effects of managerial policies on aggregate plans, the
master production schedule, and departmental plans. Tesis doctoral, Ohio: Ohio
State University.

167
Moniz, S.; Barbosa-Póvoa, A.P. y de Sousa, J.P. (2014): “Simultaneous regular and
non-regular production scheduling of multipurpose batch plants: A real chemical-
pharmaceutical case study”. Computers and Chemical Engineering, 67, 83–102.

Mula, J.; Lyons, A.C.; Hernández, J.E. y Poler, R. (2014): “An integer linear
programming model to support customer-driven material planning in synchronised,
multi-tier supply chains”. International Journal of Production Research, 52(14),
4267–4278.

Mula, J.; Poler, R. y García, J.P. (2006a): “MRP with flexible constraints: A fuzzy
mathematical programming approach”. Fuzzy Sets and Systems, 157(1), 74–97.

Mula, J.; Poler, R.; García-Sabater, G.S. y Lario, F.C. (2006b): “Models for production
planning under uncertainty: A review”. International Journal of Production
Economics, 103(1), 271–285.

Osorio, J.C. y Motoa, T.G. (2008): “Planificación jerárquica de la producción en un job

shop flexible”. Revista Facultad de Ingeniería Universidad de Antioquía, 44,
158–171.

Portela, R.V. (2007): “La planeación y programación de la producción en la pyme”.

AVANCES. Investigación en Ingenieria, 6(6), 40–57.

Quadt, D. y Kuhn, H. (2008): “Capacitated lot-sizing with extensions: A review”. 4OR,

6(1), 61–83.

Till, J.; Sand, G.; Urselmann, M. y Engell, S. (2007): “A hybrid evolutionary algorithm
for solving two-stage stochastic integer programs in chemical batch scheduling”.
Computers and Chemical Engineering, 31(5-6), 630–647.

Ul Hassan, M. y Stockhammar, P. (2016): “Fitting probability distributions to economic

growth: a maximum likelihood approach”. Journal of Applied Statistics, 43(9),
1583–1603.

Venkataraman, R. y Nathan, J. (1994): “Master Production Scheduling for a Process

Industry Environment: A Case Study”. International Journal of Operations and
Production Management, 14(10), 44–53.

168