En particular, estos cursos carecían de todo lo relacionado con las implicaciones de estas herramientas en la productividad de la empresa; Naturalmente, esta discusión debería conducir a la convicción de la necesidad de utilizar un modelo de optimización formal.
Conclusiones y perspectivas
Además, para desarrollar este proceso de modelización evolutiva, el proyecto deberá considerar previamente una adecuada capacidad de presentación y análisis de los resultados intermedios obtenidos de sucesivas ejecuciones del modelo. Muchas de las tareas anteriores no se pueden delegar a profesionales sin experiencia en el desarrollo de aplicaciones I.O.
Rafael Epstein 2 Lysette Henríquez 3
La evaluación del desempeño global obtenida por las empresas de acuerdo con las evaluaciones técnicas (Sección 2) se puede considerar en la tarea de la siguiente manera. Esta información fue estudiada por la Comisión Judicial de la JUNAEB para determinar la licitación.
Patricio Donoso 2 , Marcos Singer 2 ,
- Introducción
- Literatura Sobre Configuración de Flota
- Variables, Parámetros y Medidas de Desempeño
- Medidas de Desempeño para Demanda Aleatoria
- Simulación del Reparto de Productos
- Configuración Optima de Flota y Otras Mejoras Operacionales
- Conclusiones
Luego estiman el tamaño de la flota según las soluciones generadas por el problema de ruta. Esta información previa se utiliza posteriormente en el problema de optimización de la Sección 6, que calcula la configuración óptima de la flota.
Máximo Bosch Andrés Musalem
Definiciones
El examen de la composición de la cesta de la compra se realizará a partir de un análisis de la probabilidad de que en una misma compra se incluyan productos de distintas categorías. NA∪B = Número de compras que incluyen productos de la categoría A, productos de la categoría B o productos de ambas categorías. NA∩B = Número de compras que incluyen simultáneamente productos de la categoría A y productos de la categoría B.
Además, podemos estimar la probabilidad condicional de que una compra contenga productos de ambas categorías, dado que incluye productos de la categoría A, la categoría B o ambas categorías.
Procedimientos para el análisis de interrelaciones
Un problema al que nos enfrentamos habitualmente en este tipo de análisis es la interpretación de los ejes o dimensiones generadas a través de MDS. De esta forma es posible encontrar ejes proyectando variables descriptivas de los objetos en el espacio generado vía MDS. De esta forma se obtienen ejes que permiten interpretar las diferencias entre las posiciones de los distintos objetos.
Por otro lado, se utilizará información adicional relacionada con categorías de productos para explicar e identificar el eje de esta presentación.
Información para el estudio
LRSCatExpj: Logaritmo natural de la relación entre las ventas de la categoría j y el gasto total de los compradores de productos de la categoría j. AvgNCatj: número promedio de categorías diferentes incluidas en los tickets de comprador para productos de la categoría j. Cabe mencionar que también se analizaron otras variables estimadas a partir de la información de los datos del escáner.
De este modo, esta investigación presentó una oportunidad muy interesante para mostrar a los responsables de los supermercados el valor de una información que habitualmente quedaba excluida.
Resultados
Esta representación se muestra en el gráfico 5.1 y se puede observar qué conjuntos de categorías de productos tienen una probabilidad relativamente mayor de ser incluidos en una misma compra. Esta clasificación se puede observar en el gráfico 5.2, que muestra el conjunto de categorías que definen a cada conglomerado. A partir de la representación espacial obtenida (ver gráfico 5.1) es posible localizar un área central vacía alrededor de la cual las categorías forman una elipse.
De la proyección de las variables descriptivas en la representación espacial (ver gráfico 5.3), se puede ver que los compradores de productos de los clusters “no perecederos” y “consumo fresco/inmediato” exhiben los mayores niveles de consumo. Productos de supermercado y número de tickets.
Implicancias del análisis para la gestión coordinada de categorías (Cross Category Management)
Esto significa que aquellos conjuntos de productos que aparecen cerca unos de otros en la Figura 5.1, como los que pertenecen a un mismo conglomerado, deben estar cerca en el área de ventas. Estas categorías son aquellas que tienen una alta probabilidad (en términos relativos) de ser incluidas en una misma compra, es decir, aquellas que se ubican en posiciones cercanas en la representación espacial. Además, como se señaló anteriormente, si existe evidencia significativa a favor de una relación de sustitución entre dos categorías ubicadas en posiciones distantes en la representación espacial, esto también debe considerarse.
En conclusión, la evaluación de la implementación de una decisión de marketing para una categoría debe tener en cuenta no sólo los efectos en la misma categoría, sino también los efectos cruzados en categorías relacionadas (ventas inducidas).
Conclusiones del Estudio
Investigación Futura y Extensiones
Lattin (1998), “Grocery Shopping Behavior and Consumer Preference for Retail Price: Why Large Basket Shoppers Prefer EDLP”, Marketing Science, Vol 17, pp. Zhang (1999), “Accounting Profits versus Marketing Profits: A Relevant Metric for Category Management'', Marketing Science, Vol. 1988), “Choice Map: Inferring a Product-Market Map from Panel Data”, Marketing Science, Vol. Lodish (1990), “A Cross-Category Analysis of Category Structure and Promotional Activity for Grocery Products”, Journal of Marketing, Vol. 1998), “Distance representations of consumer perceptions: evaluating appropriateness using diagnostics”, Journal of Marketing Research, Vol. 1978), “Analyzing Multivariate Data”, Hinsdale, Illinois: The Dryden Press.
Gupta (1999), “The Shopping Basket: A Model for Multi-Category Purchase Incidence Decisions”, Marketing Science, Vol. 2000), “Applying Quantitative Marketing Techniques to the Internet”, Working Paper, Graduate School of Industrial Administration, Carnegie Mellon University.
Ana María Angel 1 , Luis Alberto Taladriz 2 ,
Recomendación de la mezcla correcta de fertilizantes
Generar una recomendación de fertilizante requiere determinar los requisitos de nutrientes del cultivo, formular la mezcla de fertilizantes y redactar un informe escrito que se presentará al agricultor en respuesta a su pregunta. Por razones internas de la empresa, los costos de los productos no son conocidos por los agentes comerciales, por lo que se basan en los precios del mercado de fertilizantes al momento de formular la mezcla y no en sus propios costos. Como se describe a continuación, SOQUIEXPERTO utiliza como parámetros los costos de los fertilizantes, accediendo a ellos sin comunicárselos al ingeniero agrónomo.
Durante los periodos de siembra se genera una gran demanda de recomendaciones de fertilizantes por parte de los agricultores, provocando un retraso en la atención de SQMC.
SOQUIEXPERTO: una herramienta híbrida que genera mezclas óptimas de fertilizantes
En segundo lugar, al utilizar los precios de los productos como parámetros se obtiene una solución de precio mínimo y no de coste mínimo. Para resolver el segundo subproblema (determinar la mezcla óptima de fertilizantes), desarrollamos un modelo de programación lineal que utiliza como información de entrada las cantidades requeridas de nutrientes determinadas por el sistema experto. Mientras que los agrónomos de SQMC deben utilizar los precios de mercado de los productos para determinar una mezcla, el modelo de programación lineal dentro de SOQUIEXPERTO utiliza el costo de los fertilizantes como criterio de minimización en su función objetivo.
SOQUIEXPERTO lee automáticamente los costos y características de los residuos de una base de datos.
La evaluación de SOQUIEXPERTO
100 experto *
Resumen
Describimos SOQUIEXPERTO como una herramienta híbrida que utiliza sistemas expertos y tecnología de programación lineal para recomendar mezclas. fertilizantes para cultivos en el sur de Chile. En el Cuadro 2 se muestran los fertilizantes de SQMC, su aporte de nutrientes y sus costos (los costos se presentan como parámetros, por razones de competitividad de la empresa). CNH4i: Producto NH4 aporte i (%) CNO3i: Producto NO3 aporte i (%) CPSOli: Producto Psol aporte i (%) CPINsi: Producto pin aporte i (%) CKi: Producto K aporte i (%) CSi: S aporte de producto i (%) CMgi: Aporte de Mg del producto i (%) CBi: Aporte B del producto i (%) CZni: Aporte de Zn del producto i.
Los siguientes parámetros son los requisitos nutricionales, determinados en el primer paso del proceso de resolución de problemas.
TSPcontiene
GURcontiene
Cantidad de N requerida
CNOCNH
CKi )
YGUR + YTSP ≤ 1
Máximo Bosch y Samuel Varas
Productividad de los Equipos
Es el momento en el que el equipo se encuentra parado y no se le pueden asignar operaciones por averías o tareas de mantenimiento. Es el momento en el que el equipo está disponible para su funcionamiento pero no ha sido asignado a él. En el caso particular de las palas, también asumimos que este es el momento en que el equipo está produciendo a su capacidad nominal.
Es cuando el equipo se apaga por cortes de corta duración o mantenimiento, y no significa reasignar las tareas que realizaba el equipo.
Modelo de Reemplazo
VRijt: Valor residual de un ala de la flota i, de edad j, en el año t (USD). Cmai: Coste de mantenimiento anual de un ala de la flota i operando en el tiempo nominal. Cmoi: Costes laborales anuales (directos e indirectos) de un ala de la flota, es decir
Costo: El costo anual de otros equipos necesarios para operar una pala en la flota i.
Estimación de la Productividad de las Palas
El modelo (10) incluye variables del tipo de parque de palas, y las del tipo de asignación de camiones a palas (Nt). Luego de analizar varias variables, se decidió seleccionar las siguientes: antigüedad de la excavadora, distancia promedio a los vertederos, número de camiones por excavadora y capacidad nominal del parque de excavadoras. Sin embargo, en el caso del número de camiones por pala, es necesario tener medidas intermedias en estos niveles.
Para ello, se ajustó de la siguiente manera analítica la relación entre el tiempo efectivo* de una hoja de flota i y la edad j (Tij) con el número de camiones asignado.
Estrategia de Solución
El modelo de parque de palas (MPP) determina un parque de palas Yt para el año t, en base a la flota existente en el periodo anterior (t-1) y las restricciones en la compra y venta de equipos. De existir asignación, se considera factible el parque Yt en MPP, incluyendo los costos (solución MAC) en la generación alternativa del parque de palas. A continuación se detallan los Modelos de Parque de Palas (MPP) y la asignación de palas a posiciones y camiones a palas (MAE), y el mecanismo de resolución utilizado en cada caso.
El modelo de parque de palas (14) captura las características dinámicas del modelo de reemplazo, es decir, la generación del parque de palas a partir del parque del período anterior (Yt-1) y las decisiones de compra (Xt) y venta (Zt), entre ellas.
Resultados
Se desarrolló un modelo de reemplazo de equipos de palas, es decir, determinar la flota y política de reemplazo de palas. El segundo modelo resuelve el problema de viabilidad para cada posible parque de palas generado. El MAE determina, para un año t0 y un determinado parque de palas Y0t0, la asignación óptima de palas a posiciones (es decir, el vector Wt0) y de camiones a palas (es decir, el vector Nt0), para satisfacer las necesidades de las diferentes posiciones. (Rkt0).
Si se cumple el requisito, se asigna un nuevo puesto y se repite la asignación de pala y camión.
