Cuantificación de la incertidumbre en la planificación de la distribución de bienes de consumo utilizando una red bayesiana

• Humberto Garcia ^[1] ; Alberto Ochoa-Zezzatti ^[2] ; Adrián Loera ^[1]
  1. [1] Tecnológico Nacional de México

     Tecnológico Nacional de México

     México

     
  2. [2] Universidad Autónoma de Ciudad Juárez

     Universidad Autónoma de Ciudad Juárez

     México

     
• Localización: DYNA management, ISSN-e 2340-6585, Vol. 8, Nº. 1, 2020
• Idioma: español
• Títulos paralelos:
  • Quantification of uncertainty in the planning of the distribution of consumer goods using a bayesian network
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    La planificación efectiva en la distribución de productos o bienes de consumo es necesaria para garantizar que un sistema de suministro pueda satisfacer la demanda de manera confiable y económica; Además, la competencia actual alienta a los fabricantes y minoristas de bienes de consumo a diferenciarse a través de la especialización del suministro de bienes y servicios que se adaptan a uno o más subgrupos o segmentos de mercado. Sin embargo, en el momento en que se toman las decisiones de distribución, muchos elementos del sistema son inciertos, como el nivel y la frecuencia de la demanda, el tipo y la ubicación de los centros de consumo, son un ejemplo de esta incertidumbre; Esto se debe a un conocimiento incompleto que surge de la falta de datos, errores de medición, falta de resolución, muestreo sesgado y / o aleatoriedad natural. En la actualidad, la toma de decisiones que explica tales incertidumbres generalmente se realiza considerando un pequeño conjunto de escenarios plausibles, y la cobertura limitada que resulta del espacio de parámetros limita la confianza de la decisión resultante con respecto al mundo real. Este documento presenta una metodología que utiliza emuladores estadísticos para cuantificar la incertidumbre en los resultados del modelo de programación lineal de enteros mixtos (MILP), para controlar la incertidumbre en el proceso de decisión que surge del conjunto de escenarios de distribución de productos de tamaño finito. Considerando la integración de las decisiones de producción, inventario y distribución en una cadena de suministro compuesta por varias instalaciones de producción que abastecen a varios centros de distribución que, a su vez, brindan servicios a minoristas ubicados en la misma región. El resultado es encontrar los niveles óptimos de producción y distribución entre un conjunto de fábricas, almacenes y puntos de venta / consumo bajo incertidumbre, considerando una red bayesiana que nos permite analizar la relación entre entradas y salidas para identificar entradas críticas inciertas.

  • English

    The Effective planning in the distribution of product or consumer goods is necessary to ensure that a supply system can meet the demand in a reliable and economical way; In addition, today competition encourages manufacturers and retailers of consumer goods to differentiate themselves through the specialization of the supply of goods and services that are adapted to one or more subgroups or market segments. However, at the time when distribution decisions are made, many elements of the system are uncertain, such as the level and frequency of demand, the type and location of consumption centers, are an example of this uncertainty; this is due to an incomplete knowledge that arises from the lack of data, measurement errors, lack of resolution, biased sampling and/or natural randomness. At present, decision-making explaining such uncertainties is generally performed considering a small set of plausible scenarios, and the limited coverage resulting from the parameter space limits the confidence of the resulting decision with about the real world. This document presents a methodology that uses statistical emulators to quantify the uncertainty in the results of the mixed-integer linear programming model (MILP), to control the uncertainty in the decision process arising from the set of finite-size product distribution scenarios. Considering the integration of production, inventory and distribution decisions in a supply chain composed of several production facilities that supply several distribution centers that, in turn, provide to retailers located in the same region. The result is to find the optimum levels of production and distribution between a set of factories, warehouses, and points of sale/consumption under uncertainty, considering a Bayesian network that allows us to analyze the relationship between inputs and outputs to identify critical uncertain entries.