Rubén Ruiz, Miguel Angel Edo.

Transcripción

1 27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8 11 de abril de 2003 ANÁLISIS Y PREVISIÓN DE VENTAS EN EL SECTOR AZULEJERO Rubén Ruiz, Miguel Angel Edo. Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Universidad Politécnica de Valencia, Valencia, España rruiz@eio.upv.es, miedap@eio.upv.es RESUMEN El sector cerámico español se caracteriza, entre otras cosas, por su alto nivel de tecnificación y automatización. Gran parte de la producción se realiza contra stock y nos encontramos con la paradoja de que las previsiones de qué hay que producir y cuánto se está vendiendo se hacen de manera inadecuada. Se propone un Sistema de Ayuda a la Toma de Decisiones que realiza previsiones automáticas aplicando 6 sencillas técnicas de análisis de Series Temporales. Los resultados se presentan de manera muy intuitiva para el usuario. Se comentan las experiencias de implantación del sistema en tres grandes empresas del sector. Palabras y frases clave: Series Temporales, Forecasting, Ventas. Clasificación AMS: 37M10, 63P Introducción El sector cerámico español cuenta con más de 250 empresas, de las cuales alrededor de 200 están localizadas en la provincia de Castellón. El sector se encuentra entre los más importantes a nivel mundial, con un 15,1 % de la producción total. También es notable el fuerte carácter exportador del sector. Más de 175 países compran azulejos españoles por un valor en el año 2000 de 1.872,1 millones dee. Para hacer frente a los pedidos, las empresas trabajan con extensos stocks que cubren sus amplios catálogos de productos. Tras una encuesta realizada a más de 50 empresas del sector (proyecto de investigación del MCYT ref. DPI C02-01) se ha obtenido una estimación del volumen de producción que se produce contra pedido y del volumen que se produce contra stock. Como resultado entre el 50 % y 60 % de la producción se hace contra stock y entre el 40 % y 50 % contra pedido, aunque estos valores dependen en gran medida del tamaño y tipo de empresa. 1

2 El decidir qué, cuánto y cuándo producir es un problema importante que actualmente se resuelve por métodos manuales, lo cual contrasta fuertemente con el alto nivel de tecnificación y automatización del proceso productivo del azulejo. De las empresas encuestadas prácticamente ninguna utiliza técnicas estadísticas elaboradas y/o paquetes informáticos para analizar las cifras de ventas en períodos anteriores. El disponer de una previsión adecuada permite estimar qué se va a vender en próximos períodos y analizar si es necesario producir para reponer stock y mantener un adecuado servicio al cliente. Para dar solución a este problema ya existen en el mercado numerosos paquetes software que realizan previsiones de manera automática, pero que aún así no se utilizan en la práctica. Al discutir este hecho con gerentes y directores de producción los motivos son siempre los mismos; excesiva complejidad de las herramientas, necesidad de conocimiento estadístico para la interpretación de resultados, falta de integración con el resto de las herramientas de la empresa, falta de tiempo, etc... Todo esto hace que en la práctica las previsiones de ventas se hagan a expensas de cualquier método numérico, basándose a veces en simples medias aritméticas, dando como resultado extensos stocks y frecuentes rupturas de inventarios. En la sección 2 se propone una posible solución a este problema, que luego se describe en la sección 2.1. En la sección 3 se comentan los resultados de la implantación de esta herramienta en tres empresas del sector azulejero castellonense. Finalmente, en la sección 4 se comentan las conclusiones de este trabajo. 2. Propuesta de solución Tras identificar el problema se plantea desarrollar una herramienta software para proporcionar previsiones de ventas para los productos en catálogo. Para que esta herramienta sea útil se requiere que posea las siguientes características: 1. Facilidad de uso. 2. Funcionamiento transparente al usuario, debe poderse utilizar sin conocimientos estadísticos. 3. Integración con los sistemas informáticos de la empresa. 4. Proporcionar poca información (solo la necesaria) y en poco tiempo. 5. Tolerancia a errores y/o inconsistencias en los datos de entrada. Se disponen de datos de tres empresas relevantes del sector, que son; Gres de Valls S.A., Halcón Cerámicas S.A. y Cerypsa Cerámicas S.A. Dependiendo del set de datos se conoce una serie con el histórico de ventas (por meses o semanas, dependiendo del caso) una serie de datos de existencias (histórico y presente) y un dato de pedidos contabilizados para cada uno de los productos en catálogo. 2

3 Con todos estos datos la herramienta deberá obtener una sencilla previsión (para un número de períodos vista n) de cuántos metros cuadrados de cada tipo de azulejo en catálogo es necesario producir, teniendo en cuenta las ventas, stocks y pedidos Implementación del Sistema de Ayuda a la Toma de Decisiones (DSS) El Sistema de Ayuda a la Toma de Decisiones (DSS) se ha desarrollado en una plataforma PC y Windows, con el entorno de desarrollo Delphi, versión 6. Para la adquisición de datos, el DSS dispone de varios módulos que le permiten leer datos desde ficheros de texto simple (txt), hojas de cálculo de Microsoft Excel y/o cualquier base de datos que permita consultas SQL. El formato de los datos es libre y el DSS se puede parametrizar fácilmente en este sentido. Una vez se han procesado los datos de entrada, el DSS realiza para cada producto, un análisis numérico para proporcionar el número requerido n de previsiones de ventas. Para las previsiones se han utilizado los siguientes métodos: 1. Regresión Lineal. 2. Regresión Cuadrática. 3. Medias Móviles. 4. Suavizado Exponencial. 5. Método de Holt. 6. Método de Holt-Winters. La elección de estas 6 técnicas viene motivada por su sencillez y facilidad de implementación y también por su velocidad, dado que es necesario generar previsiones para cientos de productos en tiempo real. En el análisis numérico se prueban todos y cada uno de los 6 métodos y se busca aquel que proporcione una menor desviación absoluta de la previsión con respecto a los datos existentes o un menor error cuadrático (este aspecto es seleccionable por el usuario). Para aquellos métodos que requieren parámetros de ajuste (como por ejemplo el método de Holt) se hace una optimización heurística por medio de un grid en el que se prueban las posibles combinaciones (discretas) de los parámetros. Una vez se tienen n previsiones de ventas para los próximos n períodos, se genera, para el período más próximo, una cifra de producción, resultado de restar al stock existente, la suma de los pedidos y de la previsión obtenida, teniendo en cuenta el stock de seguridad. Todos estos datos se muestran en forma de tabla, dando, para cada producto, los datos que permitan al usuario identificarlo claramente, como pueden ser el color, el formato, el código, etc.... 3

4 Para cada producto se muestran las ventas acumuladas (factor que indica la importancia del mismo), los metros a producir y las previsiones de ventas para los próximos períodos. Un ejemplo de estos datos se puede observar en la figura 1. Figura 1: Pantalla principal del Sistema de Ayuda a la Toma de Decisiones (DSS). A partir de la información que proporciona la tabla, el usuario puede, en todo momento, acceder a una representación gráfica de las ventas, previsiones y stocks, sin más que seleccionar, para un producto cualquiera, la opción correspondiente. Esta información se muestra en la figura 2. 4

5 Figura 2: Información de ventas, previsiones y stocks para un producto. Con la información gráfica el usuario puede observar la progresión de las ventas de un producto dado, determinar si un producto ha acumulado demasiado stock, refinar los datos obtenidos con el análisis numérico de las cifras de ventas, etc. También es posible acceder a información sobre los datos, el producto y los métodos numéricos utilizados, accediendo a la opción de estadísticas (figura 3). 5

6 Figura 3: Datos de los productos y métodos numéricos utilizados. La aplicación proporciona, en tan solo un par de pantallas, una gran cantidad de información muy útil para la toma de decisiones. Toda esta información se muestra en tiempo real, siendo posible obtener listados de todo tipo, así como actualizar las previsiones, cambiar el criterio de optimización, filtrar los datos de entrada, etc Resultados obtenidos El DSS se ha implantado con éxito en tres grandes empresas del sector cerámico. Estas empresas, ya citadas, son; Gres de Valls S.A., Halcón Cerámicas S.A. y Cerypsa Cerámicas S.A. En el caso de Gres de Valls S.A., se realizó un análisis previo del impacto esperado en la utilización del DSS, para lo cual se hizo una simulación de uso del DSS. La simulación contrastó el uso de una media aritmética simple que incluía todos los datos de ventas para un producto dado (método utilizado anteriormente) con el uso del DSS para un periodo completo del cual se conocían los datos de ventas (varios meses del histórico). Período a período se cruzaron los datos de las previsiones, con los de las medias y con los datos de las ventas que realmente se habían producido. Los resultados fueron excepcionales. Para los 50 primeros productos (aquellos con mayor cifra de ventas, que son los más importantes y representativos), el stock acumulado al final de la simulación para el método original fue de m 2, mientras que con el uso del DSS el stock final resultó ser de tan solo m 2, es 6

7 decir, una reducción cercana al 600 %. La reacción lógica ante semejante reducción de stock fue el pensar que el DSS mantenía unos niveles límites de inventarios y que por tanto se producirían un elevado número de roturas de stock. Para comprobar esta hipótesis se contabilizaron el número de roturas de stock que se producían con ambos métodos. Con el método de previsión original el número de roturas para el periodo simulado y los primeros 50 productos fue de mientras que con el DSS fue de 528, esto es, se produjeron menos del 50 % de roturas con el DSS. Un resumen de estos resultados se muestra en las figuras 4 y 5. Comparativa niveles finales de stock Método Anterior DSS Figura 4: Resultados comparación DSS frente a método tradicional. Niveles de stock. 7

8 Comparativa del número de roturas de Stock Método Anterior DSS Figura 5: Resultados comparación DSS frente a método tradicional. Roturas de stock. Actualmente se está monitorizando el comportamiento del DSS en las tres empresas en las que se encuentra implantado siendo por el momento del todo satisfactorio. 4. Conclusiones En este trabajo se ha identificado un problema común en un sector industrial muy importante como es el sector azulejero. Pese a no aportar ninguna novedad en cuanto a lo que técnicas de previsión de series temporales se refiere, se ha propuesto un Sistema de Ayuda a la Toma de Decisiones (DSS) que permite resolver la problemática de las previsiones de ventas de una manera sencilla, eficiente y eficaz. De esta manera, las empresas pueden hacer previsiones mucho más fiables que las que se hacían anteriormente, al no utilizar técnicas estadísticas y/o paquetes software. Tras realizar una simulación del DSS con datos de ventas de una empresa del sector se han obtenido reducciones de niveles de stock de hasta un 600 % y reducciones en el número de roturas de stock de más del 50 %. El DSS se encuentra actualmente en explotación en tres grandes empresas del sector con un resultado totalmente satisfactorio. Otras empresas se han interesado por el software al tener problemáticas similares y se espera que el DSS se implante en otros sectores como la producción de fritas, sector textil, etc. 8

9 5. Agradecimientos Este trabajo está financiado por la Universidad Politécnica de Valencia, bajo un proyecto interdisciplinar. Así como por el Ministerio de Ciencia y Tecnología (proyecto de investigación ref. DPI C02-01). Nos gustaría agradecer a D. Javier Marqués de la empresa Halcón Cerámicas S.A., a D. José M. Romeo de la empresa Cerypsa Cerámicas S.A. y a D. Luis Rodrigo de la empresa Gres de Valls S.A. por su continuada dedicación a este proyecto. Referencias Box, George E. P., Jenkins, Gwilym M. y Reinsel, Gregory C. (1994). Time Series Analysis, Forecasting and Control, 3a edición, Prentice Hall. Brockwell, P. J., y Davis, R. A. (1987). Time Series: Theory and Methods, Springer- Verlag. Carrión García, Andrés. (2000). Análisis de Series Temporales, tecnicas de previsión. Servicio de Publicaciones Universidad Politécnica de Valencia. Charte, Francisco. (2001). Programación con Delphi 6 y Kylix. Anaya Multimedia. 9