Los modelos de decisión para optimizar los niveles de inventario son uno de los elementos centrales de la gestión de operaciones. La mayoría de los modelos asumen que quienes toman las decisiones son completamente racionales y maximizan las ganancias esperadas. Sin embargo, investigaciones recientes han desafiado estos supuestos. Estos estudios prueban si los tomadores de decisiones humanos en realidad maximizan las ganancias esperadas y buscan sesgos de decisión a los que los tomadores de decisiones podrían ser propensos.
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.
Los avances recientes en la tecnología de la información hacen posible que los tomadores de decisiones rastreen la información en tiempo real y obtengan feedback retroalimentación sobre sus decisiones. Desde un sentido normativo, un aumento en la frecuencia de la retroalimentación y la capacidad de realizar cambios debería conducir a un mejor desempeño, ya que los tomadores de decisiones pueden responder más rápidamente a los cambios en el entorno y ver las consecuencias de sus acciones. Al mismo tiempo, existen razones para creer que la retroalimentación más frecuente a veces puede conducir a una disminución en el rendimiento4.
Investigaciones anteriores han examinado cómo la fuerza de la retroalimentación puede ayudar o perjudicar el desempeño y el aprendizaje (Hogarth y Marquis, 1991)5, cómo los retrasos entre las decisiones y la retroalimentación perjudican el desempeño (Sterman, 1989)6, cómo las personas aprenden con y sin retroalimentación (Weber, 2003)7, cómo la retroalimentación ruidosa inhibe el aprendizaje (March, 1999)8 y cómo los incentivos impactan en el rendimiento y el aprendizaje (Hogarth, 1991)9, pero se ha examinado poco cómo la La presentación de información de retroalimentación afecta la toma de decisiones. En particular, ha habido pocos intentos de comprender cómo la frecuencia de retroalimentación afecta el rendimiento.
El problema del vendedor de noticias es uno de los modelos básicos estudiados en la gestión de inventarios y es aplicable a una variedad de entornos, incluidos el comercio minorista y la fabricación 10. El modelo estándar de Newsvendor considera a un decisor quien debe determinar la cantidad de pedido Q en multiplos periodos de venta. El precio de venta del producto es p, y el precio de venta unitario es Q. La demanda del producto D es estocástica con una función de densidad f(x).
Si el vendedor pidió Q unidades y la demanda fue de D pueden ocurrir tres escenarios:
\[c_u = p - c_a\]
\[c_0 = c_a\]
Sea D una demanda aleatoria continua de función de densidad f(X) y función acumulada F(x) donde:
\[P(D\leq x) = \int_{0}^{x}f(x)dx = F(x)\] Las unidades vendidas serán el mínimo entre la demanda D y la cantidad de inventario Q, así también el costo de adquisición será solamente asociado a las Q unidades de inventario. Luego para determinar la ultilidad esperada debemos analizar los valores que puede tomar D con la probabilidad de que lo anterior ocurra (nótese que D no puede ser negativo).
\[E[U(Q)] = \int_{0}^{\infty}p\cdot min(Q,x)f(x)dx-\int_{0}^{\infty}c_a\cdot Q\cdot f(x)dx\] La cantidad de pedido que maximiza los beneficios esperados es (Arrow,1951)11.
\[q^*=F^{-1}\left(\frac{p-c}{p}\right)\] Donde F es la distribución de la demanda. Además la relación entre el understock cost y overstock cost se conoce como ratio crítico (RC) y se denota por la siguiente ecuacuación:
\[q^*=F^{-1}\left(\frac{c_u}{c_u+c_0}\right)\]
De acuerdo con Sekaran 12 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. |
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.
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?: "))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: ")#Función para el cálculo de Q óptmo
def QOP(D,S,H):
Q = round(pow(2*D*S/H,0.5))
return (Q)Ejemplo en la ultilización de la función QOP para los siguientes valores:
QOP(12000,4000,100)## 980#Función para el cálculo de F óptmo
def FOP(D,S,H):
F = round(pow(D*H/(2*S),0.5))
return (F)Ejemplo en la ultilización de la función FOP para los siguientes valores:
FOP(12000,4000,100)## 12Cantor, 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.
↩︎Lurie, N. H., & Swaminathan, J. M. (2009). Is timely information always better? The effect of feedback frequency on decision making. Organizational Behavior and Human Decision Processes.
↩︎Hogarth, R. M., Gibbs, B. J., McKenzie, C. R., & Marquis, M. A. (1991). Learning from feedback: Exactingness and incentives. Journal of Experimental Psychology: Learning, Memory & Cognition, 17, 734–752.
↩︎Sterman, J. D. (1989b). Modeling managerial behavior: Misperceptions of feedback in a dynamic decision making experiment. Management Science,35, 321–339.
↩︎Camerer, C. (1997). Progress in behavioral game theory. Journal of Economic Perspectives, 11,167–188.
↩︎March, J. G. (1999). Exploration and exploitation in organizational learning. Organization Science, 2, 71–87.
↩︎Hogarth, R. M., Gibbs, B. J., McKenzie, C. R., & Marquis, M. A. (1991). Learning from feedback: Exactingness and incentives. Journal of Experimental Psychology: Learning, Memory & Cognition, 17, 734–752.
↩︎Swaminathan, J. M., & Tayur, S. R. (2003). Models for supply chains in e-business.Management Science, 49, 1387–1406.
↩︎Arrow, K., Harris, T., & Marschak, J. (1951). Optimal inventory policy. Econometrica, 19 (3), 250–272.
↩︎Uma Sekaran y Roger Bougie, Research methods for business: a skill-building approach, Chichester: Wiley, 2016.
↩︎