Propuesta de un Modelo de Pronóstico de Demanda para una Empresa de Equipos Alimentarios Industriales
Visualizações: 120DOI:
https://doi.org/10.56579/rei.v6i2.1153Palabras clave:
Pronóstico de la Demanda, Método de Holt-Winters, Planificación de la Cadena de SuministroResumen
En escenarios cada vez más competitivos y dinámicos, en los que la satisfacción inmediata de las necesidades del mercado se convierte en una ventaja competitiva, prever la demanda futura se convierte en un elemento fundamental para la planificación de las actividades de una organización y la toma de decisiones. En este contexto, el presente estudio tiene como objetivo proponer un modelo de pronóstico de demanda para guiar la planificación de la cadena de suministro en una empresa de equipos alimentarios industriales. El estudio de caso se dividió en: recopilación de datos cualitativos y cuantitativos, clasificación ABC y definición de las familias de productos para ser analizadas, clasificación ABC y definición de los productos en función de la familia seleccionada, análisis del comportamiento y características de las series temporales, definición y aplicación de modelos de pronóstico, comparación entre los valores proyectados y los valores reales, y análisis de los resultados. El estudio demostró que el método de Holt-Winters es el modelo adecuado para aplicarse, en función del comportamiento y las características de estacionalidad y tendencia identificadas en la serie de datos. Los resultados indican que, a pesar de las diferencias entre los valores proyectados y la demanda real, el modelo sigue siendo aplicable a la realidad de la organización.
Descargas
Citas
ABOLGHASEMI, M.; BEH, E.; TARR, G.; GERLACH, R. Demand forecasting in supply chain: The impact of demand volatility in the presence of promotion. Computers & Industrial Engineering, v.142, p.1-12, 2020. https://doi.org/10.1016/j.cie.2020.106380 DOI: https://doi.org/10.1016/j.cie.2020.106380
ACKERMANN, A. E. F; SELLITTO, M. A. Demand forecasting methods: a literature review. Innovar, v. 32, n. 85, p. 83-99, 2022. https://doi.org/10.15446/innovar.v32n85.100979 DOI: https://doi.org/10.15446/innovar.v32n85.100979
AHMAR, A. S.; SINGH, P. K.; RULIANA, R.; PANDEY, A. K.; GUPTA, S. Comparison of ARIMA, SutteARIMA, and Holt-Winters, and NNAR Models to Predict Food Grain in India. Forecasting, v. 5, n. 1, p. 138-152, 2023. https://doi.org/10.3390/forecast5010006 DOI: https://doi.org/10.3390/forecast5010006
ALVES, C. C.; HOEPERS, E.; CORAZZA, E. J.; SANTOS, G. J.; CRISTOFOLINI, R.; CRUZ, A. C. Applicationof statistical methods with exponential smoothing double and triple for demand forecasting inthe inventory management. Revista Produção Online, v. 19, n. 3, p. 1001-1026, 2019. https://doi.org/10.14488/1676-1901.v19i3.3539 DOI: https://doi.org/10.14488/1676-1901.v19i3.3539
BENHAMIDA, F. Z.; KADDOURI, O.; OUHROUCHE, T.; BENAICHOUCHE, M.; MANSILLA, D. C.; IPIÑA, D. L. Demand Forecasting Tool For Inventory Control Smart Systems. Journal of communications software and systems, v. 17, n. 2, 2021. https://doi.org/10.24138/jcomss-2021-0068 DOI: https://doi.org/10.24138/jcomss-2021-0068
BONADIO, B.; HUO, Z.; LEVCHENKO, A. A.; NAYAR, N. P. Global supply chains in the pandemic. Journal of International Economics, v. 133, 2021. https://doi.org/10.1016/j.jinteco.2021.103534 DOI: https://doi.org/10.1016/j.jinteco.2021.103534
FAVERJON, C.; BEREZOWSKI, J. Choosing the Best Algorithm for Event Detection Based on the Intend Application: A Conceptual Framework for Syndromic Surveillance. J. Biomed. Inform, v. 85, p. 126-135, 2018. https://doi.org/10.1016/j.jbi.2018.08.001 DOI: https://doi.org/10.1016/j.jbi.2018.08.001
FILDES, R.; MA, S.; KOLASSA, S. Retail forecasting: Research and practice. International Journal of Forecasting, v.38, n. 4, 2022, p.1283-1318, 2022. https://doi.org/10.1016/j.ijforecast.2019.06.004 DOI: https://doi.org/10.1016/j.ijforecast.2019.06.004
FU, W.; CHIEN, C. F. UNISON data-driven intermittent demand forecast framework to empower supply chain resilience and an empirical study in electronics distribution. Computers & Industrial Engineering, v.135, p. 940-949, 2019. https://doi.org/10.1016/j.cie.2019.07.002 DOI: https://doi.org/10.1016/j.cie.2019.07.002
GREEN, K. C; ARMSTRONGBC, J. S. Simple versus complex forecasting: The evidenc. Journal of Business Research, v. 68, n. 8, p. 1678-1685, 2015. https://doi.org/10.1016/j.jbusres.2015.03.026 DOI: https://doi.org/10.1016/j.jbusres.2015.03.026
HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: principles and practice, 3rd. Australia: Melbourne, 2021.
HYNDMAN, R. J.; KOEHLER, A. B.; SNYDER, R. D.; GROSE, S. A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, v. 18, n. 3, p. 439-454, 2002. https://doi.org/10.1016/S0169-2070(01)00110-8 DOI: https://doi.org/10.1016/S0169-2070(01)00110-8
JOSHI, S. A review on sustainable supply chain network design: Dimensions, paradigms, concepts, framework and future directions. Sustainable Operations and Computers, v. 3, p.136-148, 2022. https://doi.org/10.1016/j.susoc.2022.01.001 DOI: https://doi.org/10.1016/j.susoc.2022.01.001
MIRANDA, R. G.; ANDRADE, G. J. P. O.; GERBER, J. Z.; BORNIA, A. C. Structured method to the process of demand planning in organizations. Revista ADMPG, v. 4, n. 2, 2019.
MIRCETIC, D.; TABAR, B. R.; NIKOLICIC, S.; MASLARIC, M. Forecasting hierarchical time series in supply chains: na empirical investigation. International Journal of Production Research, v. 60, n. 8, p. 2514-2533, 2022. https://doi.org/10.1080/00207543.2021.1896817 DOI: https://doi.org/10.1080/00207543.2021.1896817
PETROPOULOS, F.; APILETTI, D.; ASSIMAKOPOULOS, V.; BABAI, M. Z.; BARROW, D. K.; TAIEB, S. B. et al. Forecasting: Theory and Practice. International Journal of Forecasting, v. 38, n. 3, p. 705-871, 2022. https://doi.org/10.1016/j.ijforecast.2021.11.001 DOI: https://doi.org/10.1016/j.ijforecast.2021.11.001
PINÇE, Ç.; TURRINI, L.; MEISSNER, J. Intermittent demand forecasting for spare parts: A Critical review. Omega, v. 105. p. 2-14, 2021. https://doi.org/10.1016/j.omega.2021.102513 DOI: https://doi.org/10.1016/j.omega.2021.102513
ROSTAMI-TABAR, B.; BABAI; M.; ZIED, D. Y.; SYNTETOS, A. Non-stationary demand forecasting by cross-sectional aggregation. International Journal of Production Economics, v. 170, p. 297-309, 2015. https://doi.org/10.1016/j.ijpe.2015.10.001 DOI: https://doi.org/10.1016/j.ijpe.2015.10.001
TIRKEŞ, G.; GURAY, C.; ÇELEBI, N. Demand forecasting: a comparison between the holt-winters, trend analysis and decomposition models. Tehnički vjesnik, v. 24, n. 2, p. 503-509, 2017. https://doi.org/10.17559/TV-20160615204011 DOI: https://doi.org/10.17559/TV-20160615204011
TRULL, O.; DÍAZ, J. C. G.; TRONCOSO, A. Initialization Methods for Multiple Seasonal Holt-Winters Forecasting Models. Mathematics, v. 8, n. 2, p. 268, 2020. https://doi.org/10.3390/math8020268 DOI: https://doi.org/10.3390/math8020268
TUBINO, Dalvio Ferrari. Planejamento e controle da produção. 3.ed. São Paulo: Atlas, 2022.
VERÍSSIMO, A. J.; ALVES, C. C.; HENNING, E.; AMARAL, C. E.; CRUZ, A. C. Statistical methods exponential smoothing holtwinters to forecast demand in a company of the metal mechanic sector. Revista Gestão Industrial, v. 8, n. 4, p. 154-171, 2012. https://doi.org/10.3895/S1808-04482012000400009 DOI: https://doi.org/10.3895/S1808-04482012000400009
ZELLNER, M.; ABBAS, A. E.; BUDESCU, D. V.; GALSTYAN, A. A survey of humanjudgement and quantitativeforecasting methods. Royal Society, v. 8, n. 2, p. 1-30, 2021. https://doi.org/10.1098/rsos.201187 DOI: https://doi.org/10.1098/rsos.201187
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista de Estudios Interdisciplinarios

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La Revista de Estudios Interdisciplinares adopta la Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0), que permite compartir y adaptar el trabajo, incluso con fines comerciales, siempre que se otorgue la atribución adecuada y se reconozca la publicación original en esta revista.