Introducción
La función principal de los inventarios consiste en permitir que en las diferentes etapas de la cadena de suministro se compren productos en tamaños de lote que minimicen la suma de los costos de material, ordenar y mantener inventario. Si un gerente considera sólo el costo de mantener inventario, reducirá el tamaño del lote y el inventario de ciclo. No obstante, las economías de escala en las compras y pedidos, lo pueden motivar a incrementar el tamaño del lote y el nivel de inventario. El gerente debe establecer un equilibrio que minimice el costo total al tomar las decisiones sobre el tamaño del lote.
En la actualidad es universalmente aceptada la idea que el éxito de una cadena de suministro depende en gran medida de decisiones efectivas sobre inventario y pedidos 1. Las organizaciones dependen de profesionales experimentados para tomar decisiones de inventario y pedidos. Con la ayuda de los sistemas de información, las personas deciden cuánto pedir, cuándo pedir y qué cantidad mantener en el inventario 2. La evidencia muestra que los tomadores de decisiones tienden a desviarse de lo prescrito por los modelos cuantitativos (analíticos y de optimización), lo que resulta en costos innecesarios e ineficiencias operativas3.
Tamaño de lote para un solo producto (EOQ)
El gerente de compras quiere minimizar el costo total de satisfacer la demanda y, por tanto, debe establecer el equilibrio apropiado entre los costos cuando toma decisiones sobre el tamaño del lote.
El gerente toma la decisión del tamaño del lote para minimizar el costo total en que la tienda incurre, para lo cual considera tres costos:
- Costo anual del material
- Costo anual de ordenar
- Costo anual de mantener inventario
Debido a que el precio de compra es independiente del tamaño del lote, tenemos
\[\text{Costo anual del material = CD}\]El número de pedidos debe ser suficiente para satisfacer la demanda anual D. Dado el tamaño de lote de Q. Tenemos:
\[\text{Número de pedidos por año = }\frac{D}{Q}\] Debido a que se incurre en el costo de ordenar S por cada pedido colocado, inferimos que: \[\text{Costo anual de ordenar = }\left(\frac{D}{Q}\right)S\]Dado un tamaño de lote Q, tenemos un inventario promedio de Q/2. El costo anual de mantener inventario es, por tanto, el costo de mantener Q/2 unidades en un año y está dado por:
\[\text{Costo anual de mantener = }\left(\frac{Q}{2}\right)h\] El costo total anual, TC, es la suma de los tres costos y está proporcionado por:
\[\text{Costo total anual, TC = }CD+\left(\frac{D}{Q}\right)S =\left(\frac{Q}{2}\right)h \]Se obtiene al tomar la primera derivada del costo total respecto a Q y haciéndola igual a O.Al tamaño óptimo del lote se le conoce como cantidad económica de pedido (EOQ, del inglés economic order quantity), se denota como Q* y está dado por la siguiente ecuación:
\[\text{Tamaño óptimo de pedido, }Q^* = \sqrt\frac{2DS}{h}\]
Problemática
Uno de los modelos de inventarios más estudiados en la literatura es el problema del vendedor de periódico introducido por Arrow 4 en 1951. En este modelo de inventario, los responsables de la toma de decisiones realizan pedidos de productos que no se pueden reponer durante la temporada de ventas y se vuelven obsoletos al final de la temporada. Schweitzer & Cachon 5 fueron los primeros en analizar las decisiones humanas en el modelo de vendedor de periódico e identificar el efecto de anclaje, este efecto se refiere al comportamiento observado donde los decisores ordenan cantidades que están entre el q óptimo y la media de la demanda. Este efecto ha sido replicado bajo diferentes configuraciones y condiciones al modelo original.
El modelo de cantidad económica de pedido (EOQ) es un enfoque clásico de gestión de inventario que prescribe cuánto ordenar y cuándo ordenar, de manera que la suma del costo de mantener el inventario y el costo de ordenar se minimice 6. Es un entorno de ordenación de períodos múltiples que tiene un amplio espacio para la contribución en las operaciones de comportamiento. El único trabajo experimental en este espacio investiga el efecto de métricas de desempeño equivalentes en las decisiones de inventario 7. Informan que las decisiones de inventario se ven afectadas significativamente por la métrica de inventario empleada. Dado que el problema de los vendedores de noticias ha inspirado tal abundancia de proyectos de investigación conductual, se desea llamar la atención sobre la tremenda oportunidad que existe para aplicar un enfoque conductual a este modelo de inventario clásico ampliamente estudiado 8.
Objetivos
En el concepto tradicional de Operations Management se obvia el factor del comportamiento humano y las desviaciones individuales, idealizando al tomador de decisiones como infaliblemente racional 9. Ante la necesidad de explorar el efecto que tienen los sesgos de comportamiento en los procesos operativos, nace la disciplina de Behavioral Operations, que estudia las características y atributos del comportamiento humano que impactan en el diseño, gestión y mejora de procesos operativos 10. La presente tesis busca ampliar los conocimientos dentro de Behavioral Operations que aborde el efecto de los sesgos de comportamiento humano en un trade-off entre cantidad de pedido vs costos logísticos en un modelo EOQ.
Objetivo Principal
El objetivo general de la presente tesis es Investigar de qué manera las personas ajustan su decisión de establecer una cantidad de pedido en un modelo EOQ en base al costo de mantenimiento de inventario y la decisión de otras personas.
Objetivos Secundarios
Específicamente el objetivo general se logrará:
Operacionalizar las variables para que puedan ser medidas en un contexto que simule un modelo EOQ mediante una interfaz computacional.
Testear la interfaz mediante una prueba piloto con una muestra no representativa.
Recolectar datos en un entorno controlado mediante un experimento de laboratorio.
Analizar la correlación entre las variables con el uso de herramientas estadísticas.
Diseño de experimento
Para el presente estudio se manipula el costo de mantener inventario (h) en 4 niveles, en consecuencia se genera un nuevo Q* partiendo del valor original para la cantidad óptima de pedido:
\[\text{Cantidad optima de pedido, }Q^* = \sqrt\frac{2DS}{h}\]Para el caso donde h se duplica una nueva cantidad de pedido se calcula de la siguiente manera. Primero se reemplaza h por 2h:
\[Q^*_n = \sqrt\frac{2DS}{2h}\] Extraemos la raiz de 1/2:
\[Q^*_n = \sqrt\frac{1}{2} \sqrt\frac{2DS}{h}\] Reemplazamos el valor de Q* original:
\[Q^*_n = \sqrt\frac{1}{2}\cdot Q^*\] Racionalizamos el denominador:
\[Q^*_n = \frac{\sqrt{2}}{2}\cdot Q^*\]
Escenarios
| \[\text{Escenario}\] | \[\text{Costo de mantener inventario}\] | \[\text{Valor de }Q^*_n\] |
|---|---|---|
| 1 | Se triplica | \[\frac{\sqrt{3}}{3}\cdot Q^*\] |
| 2 | Se duplica | \[\frac{\sqrt{2}}{2}\cdot Q^*\] |
| 3 | Se reduce a la mitad | \[2\cdot Q^*\] |
| 4 | Se reduce a un tercio | \[3\cdot Q^*\] |
De acuerdo con Sekaran 11 un modelo conceptual describe las ideas sobre como los conceptos (variables) se relacionan entre sí. Con un diagrama esquemático del modelo conceptual se puede visualizar las relaciones entre variables y así teorizar mediante hipótesis el resultado de estas interacciones.
|
Variable Independiente |
Nivel |
|---|---|
|
Costo de mantener inventario |
C1 = El costo de mantener inventario se triplica. |
| C2 = El costo de mantener inventario se duplica. | |
| C3 = El costo de mantener inventario se mantiene. | |
| C4 = El costo de mantener inventario reduce a la mitad. | |
| C5 = El costo de mantener inventario se reduce a un tercio. | |
|
Información de pares |
I1 = Se muestra información de los pares. |
| I2 = No se muestra información de los pares. |
Hipótesis
De acuerdo con la Tabla anterior se describen los valores posibles para las variables independientes y la variable dependiente. Se plantean una hipótesis para cada variable independiente:
Hipótesis 1 – Aversión al riesgo,, Un mayor costo hará que los decisores no se arriesguen a ordenar cantidades mayores a la cantidad de orden óptima.
Hipótesis 2 – Sobre confianza, Un menor costo hará que los decisores se arriesguen a ordenar mayores cantidades a la cantidad de orden óptima.
Hipótesis 3 – Efecto arrastre, La decisión de los participantes será influencia por la decisión de los jugadores artificiales debido al sesgo de anclaje.
Metodología
Indagación
En esta etapa el participante deberá responder preguntas demográficas y de atributos, con el objetivo de obtener características de la muestra y el ID de cada participante para evitar duplicados en la muestra.
nombre = str(input("¿Cuál es su nombre?: "))
sexo = str(input("¿De qué sexo es? (H/M): "))
edad = int(input("¿Cuál es su edad?: "))
pais = str(input("¿De qué país es?: "))
carrera = str(input("¿Qué carrera estudió?: "))Reflexión cognitiva
El Test de Reflexión Cognitiva o CRT (Cognitive Reflection Test) es introducido inicialmente en el estudio de Frederick como una medida de la capacidad cognitiva, en su investigación el puntaje sirve como predictivo en pruebas sobre toma de decisiones como “Expected Utility” y “Prospect Theory”.
print ("Un bate y una pelota cuestan 22 dólares en total. El bate cuesta 20 dólares más que la pelota. \n¿Cuántos dólares cuesta la pelota?")
rc1 = input("Respuesta 1: ")
print ("Si se necesitan 5 máquinas 5 minutos para hacer 5 zapatos, ¿cuántos minutos tomaría 100 máquinas hacer 100 zapatos?")
rc2 = input("Respuesta 2: ")
print ("En un lago, hay un parche de almohadillas de lirios. Todos los días, el parche duplica su tamaño. Si el parche tarda 48 días en cubrir todo el lago, ¿cuántos días tardaría el parche en cubrir la mitad del lago?")
rc3 = input("Respuesta 3: ")Inmersión
| \[\text{Escenario}\] | \[\text{Costo de mantener inventario}\] | \[\text{Valor de }Q^*_n\] |
|---|---|---|
| 1 | Se triplica | \[\frac{\sqrt{3}}{3}\cdot Q^*\] |
| 2 | Se duplica | \[\frac{\sqrt{2}}{2}\cdot Q^*\] |
| 3 | Se reduce a la mitad | \[2\cdot Q^*\] |
| 4 | Se reduce a un tercio | \[3\cdot Q^*\] |
| Escenario | Costo de mantener inventario | Formula |
|---|---|---|
| 1 | Se triplica | |
| 2 | Se duplica | |
| 3 | Se reduce a la mitad | |
| 4 | Se reduce a un tercio |
Cantor, D.E. and Katok, E. (2012), “Production smoothing in a serial supply chain: a laboratory investigation”, Transportation Research Part E: Logistics and Transportation Review, Vol. 48 No. 4, pp. 781-794, doi: 10.1016/j.tre.2012.01.005.
↩︎Williams, B.D. and Tokar, T. (2008), “A review of inventory management research in major logistics journals: themes and future”, International Journal of Logistics Management, Vol. 19 No. 2,pp. 212-232.
↩︎Becker-Peth, M. and Thonemann, U.W. (2018), “Behavioral inventory decisions: the newsvendor and other inventory settings”, in Donohue, K., Leider, S. and Katok, E. (Eds), The Handbook of Behavioral Operations, 1st ed., Hoboken, NJ.
↩︎Arrow, K., Harris, T. and Marschak, J. (1951), “Optimal inventory policy”, Econometrica, Vol. 19 No. 3,pp. 250-272.
↩︎Schweitzer, M.E. and Cachon, G.P. (2000), “Decision bias in the newsvendor problem with a known demand distribution: experimental evidence”, Management Science, Vol. 46 No. 3, pp. 404-420.
↩︎Erlenkotter, D. (1990), “Ford whitman Harris and the economic order quantity model”, Operations Research, Vol. 38 No. 6, pp. 937-946, doi: 10.1016/S0001-2092(07)61304-0..
↩︎Stangl, T. and Thonemann, U.W. (2017), “Equivalent inventory metrics: a behavioral perspective”, Manufacturing and Service Operations Management, Vol. 19 No. 3, pp. 472-488, doi: 10.1287/msom.2017.0620.
↩︎Erlenkotter, D. (1990), “Ford whitman Harris and the economic order quantity model”, Operations Research, Vol. 38 No. 6, pp. 937-946,doi: 10.1016/S0001-2092(07)61304-0
↩︎Elliot Bendoly, Karen Donohue, Kenneth L. Schultz, “Behavior in operations management: Assessing recent findings and revisiting old assumptions”, ELSEVIER, vol 24, pp 737-752, 2006.
↩︎C. H. Loch and Y. Wu, “Behavioral Operations Management”, Found. Trends Technol. Inf. Oper. Manag., vol. 1, no. 3, pp. 121–232, 2005.
↩︎Uma Sekaran y Roger Bougie, Research methods for business: a skill-building approach, Chichester: Wiley, 2016.
↩︎