TRABAJO DE GRADO -...

TRABAJO DE GRADO

INTEGRACIÓN DE UNA POLÍTICA DE LOGÍSTICA INVERSA EN UNA ESTACIÓN

CROSS DOCKING COMO ESTRATEGIA DE SOSTENIBILIDAD EMPRESARIAL DE UNA

CADENA DE SUMINISTRO INTELIGENTE

José Ballesteros Muñoz Código: 20121196016

TUTOR

P. PH. D. Jairo Humberto Torres

Maestría en Ingeniería Industrial

Facultad de Ingeniería

Universidad Distrital Francisco José de Caldas

Bogotá, Julio del 2017

Integración de una Política de Logística Inversa en una Estación Cross Docking como estrategia de Sostenibilidad Empresarial de una Cadena de Suministro Inteligente

2017

2

Dedicatoria

A mi Madre

A mi Padre

A mi Hermano

A quienes me brindaron su apoyo y su sabiduría….

A quienes creyeron……

A quienes sueñan con un mundo mejor….


2017

3

Agradecimientos

A cada uno de mis Maestros por su paciencia y dedicación….

A quienes me mostraron el mundo en la manera en que lo puedo entender y lo puedo cambiar….


2017

4

Índice

Ficha Técnica ................................................................................................................................ 9

Resumen ....................................................................................................................................... 9

Abstract ........................................................................................................................................ 9

Objetivo General ........................................................................................................................ 10

Objetivos Específicos .................................................................................................................. 10

Justificación ................................................................................................................................ 11

Definición del problema a resolver.............................................................................................. 12

Planteamiento de la Hipótesis ..................................................................................................... 12

Beneficios a obtener con el desarrollo de este proyecto ............................................................... 12

1 Cadena de Suministro Inteligente ........................................................................................... 15

1.1 Definición del Marco teórico de CSI ................................................................................ 20

1.1.1 La Cadena Logística......................................................................................................... 20

1.1.2 Logística Inversa y Los Flujos de Retornos ..................................................................... 21

1.1.3 La cadena de Suministro .................................................................................................. 23

1.2 Revisión general entorno a los desafíos y competencias de las CSI. .................................. 24

1.2.1 Desafíos de la Cadena de Suministro Inteligente............................................................. 24

1.2.2 Competencias de la Cadena de Suministro Inteligente. ................................................... 26

1.3 Definición de Marco Conceptual entorno a cadenas logísticas, estación Cross Docking y

cadenas de suministro. ................................................................................................................ 28

1.3.1 Cadena de suministro ....................................................................................................... 28

1.3.2 Cadena de Suministro Inteligente .................................................................................... 28

1.3.3 Logística Inversa .............................................................................................................. 28

1.3.4 Sistemas Cross Docking................................................................................................... 29

1.3.5 Estrategias competitivas y de cadenas de suministro....................................................... 30

1.4 Estado del arte de las cadenas de suministro y logística inversa ...................................... 32

1.4.1 Panorama Global de las Cadenas de Suministro .............................................................. 32

1.4.2 Investigaciones previas en cadena de Suministro y Logística Inversa ............................ 33

2 Estrategia de Integración ........................................................................................................ 44

2.1 Estrategia de Integración de las CSI ................................................................................ 44


2017

5

2.2 Esquema de Flujos Directos e Inversos de la estrategia de la CSI. ................................... 50

Modelo Teórico Flujo Inverso ..................................................................................................... 52

2.3 Definición del Modelo Teórico. ........................................................................................ 53

2.3.1 Criterio del Modelo .......................................................................................................... 53

2.3.2 Parámetros ........................................................................................................................ 53

2.3.3 Conjuntos Referenciales .................................................................................................. 55

2.3.4 Variables de decisión del modelo teórico ........................................................................ 56

2.3.5 Función objetivo .............................................................................................................. 59

2.3.6 Conjunto de Restricciones (Flujo Directo) ...................................................................... 60

2.3.7 Conjunto de Restricciones (Flujo Inverso) ...................................................................... 63

2.3.8 Restricciones Lógicas del Modelo logístico .................................................................... 65

Parte III: Prueba Piloto .................................................................................................................. 66

3 Prueba Piloto .......................................................................................................................... 66

3.1 Diagrama de proceso – Modelo logístico TG .................................................................... 66

3.2 Análisis de Entrada.......................................................................................................... 67

3.2.1 Objetivo del Análisis ........................................................................................................ 67

3.2.2 Descripción del modelo de aplicación ............................................................................ 67

3.2.3 Alcance de la prueba piloto .............................................................................................. 68

3.2.4 Procedimiento de aplicación ............................................................................................ 69

3.3 Modelamiento en GAMS ................................................................................................. 70

3.4 Análisis de Salida ............................................................................................................. 71

3.4.1 Valor de la función Objetivo:........................................................................................... 71

3.4.2 Variables de decisión (Flujo Directo) .............................................................................. 72

3.4.3 Variables de decisión (Flujo Inverso) .............................................................................. 75

3.4.4 Análisis de Resultados ..................................................................................................... 78

3.4.5 Análisis de Sensibilidad ................................................................................................... 79

3.4.6 Ahorros Proyectados del Modelo TG – 2017. ................................................................. 83

PARTE IV: Conclusiones y Recomenndaciones ............................................................................. 84

4 Conclusiones ........................................................................................................................... 84

4.1 Recomendaciones ............................................................................................................. 85

5 Publicacion.............................................................................................................................. 86


2017

6

5.1 listado de anexos .............................................................................................................. 86

REFERENCIAS BIBLIOGRAFICAS ............................................................................................ 87

Índice de Figuras

Fig. 1: Encuesta a Gerentes de cadenas de suministro acerca de la implementacion de politicas

verdes ............................................................................................................................................. 16

Fig. 2: Categorización de la implementación de estrategias de sostenibilidad ambiental en las .. 17

Fig. 3: Razones de Implementacion de logistica Inversa .............................................................. 18

Fig. 4: Evolucion de los conceptos englobados dentro de la gestion logistica ............................. 21

Fig. 5: Canal Directo y Canal Inverso de Una cadena de Suministro ........................................... 23

Fig. 6: Competencias y desafíos de la cadena de suministro inteligente y ................................... 27

Fig. 7: El esquema CrossDocking en flujo Directo....................................................................... 30

Fig. 8: Estrategia competitiva de la cadena de suministro ............................................................ 31

Fig. 9: Structure of a reverse Cross-Docking system for unsold products. ................................... 35

Fig. 10: A simple network of Multi-product, multi-stage ............................................................. 36

Fig. 11: Representación de la cadena de suministro para el reciclaje de materiales ..................... 37

Fig. 12: A hybrid 3-echelon logistic network used on for integrated............................................ 38

Fig. 13: Model Flow ...................................................................................................................... 39

Fig. 14: Red inversa de productos de la línea de avicultura en Solla............................................ 42

Fig. 15: Estrategia de Integración en SCMI. ................................................................................. 50

Fig. 16: Modelo TG....................................................................................................................... 66

Fig. 17: Análisis de entrada para GAMS ...................................................................................... 69

Fig. 18: Resultados GAMS – Función Objetivo ........................................................................... 72

Índice de tablas

Tabla 1: Descripción de términos de la función objetivo ............................................................. 60

Tabla 2 : Medios de Transporte Disponibles ................................................................................ 68

Tabla 3: Recursos para Modelado en GAMS ............................................................................... 71

Tabla 4: Resultados GAMS – Variable X (i, j, k) ........................................................................ 72

Tabla 5: Resultados GAMS – Variable Y (j, w, k) ...................................................................... 73

Tabla 6: Resultados GAMS – Variable V (i, j, k) – VV (j, w, k) ................................................. 74

Tabla 7: Resultados GAMS – Variable Xinv (t, q, k) .................................................................. 75

Tabla 8: Resultados GAMS – Variable Yinv (q, a, k)................................................................. 76

Tabla 9: Resultados GAMS – Variable Vinv (t, q, k) – VVinv (q, a, k) ...................................... 77

Tabla 10: Escenarios – Modelos CSI ........................................................................................... 79


2017

8

Tabla 11: Análisis de sensibilidad – Resultados GAMS .............................................................. 81

Tabla 12: Proyección 2017 – Modelo TG .................................................................................... 83


2017

9

Ficha Técnica

Título: Integración de una política de logística inversa en una estación Cross Docking como

estrategia de sostenibilidad empresarial de una cadena de suministro inteligente.

Resumen

En el curso del presente trabajo se logró establecer un modelo lógico que permite caracterizar el

enfoque de cadenas de suministro inteligentes y las cuales representan un punto de

transformación de acuerdo a los avances tecnológicos y la diversificación de los mercados

globales hacia donde la administración de las cadenas de suministro actualmente desean migrar, y

la posibilidad de brindar a gerentes de cadenas de suministro, estrategias que permitan hacer

frente a los nuevos retos de la logística en cuanto a la complejidad que afrontan las operaciones,

la creciente demanda y la necesidad de sostenibilidad ambiental de los diferentes productos y

servicios. Como parte de la metodología se hizo una revisión de los principales enfoques de la

administración de la cadena de suministro a través de investigaciones realizadas principalmente

por la compañía multinacional IBM sobre esta temática entregando un modelo base que permite

caracterizar y agrupar la totalidad de variables a considerar en una cadena de suministro

inteligente y que a través de políticas de logística inversa se encuentra en condiciones de lograr

una reducción importante en costos y una ventaja competitiva significativa en el mercado.

Abstract

In the course of the present work a logical model was established that allows to characterize the

approach of intelligent supply chains and which represent a point of transformation according to

the technological advances and the diversification of the global markets towards where the

administration of the chains Supply chain managers, strategies that allow them to face the new

challenges of logistics in terms of complexity faced by operations, growing demand and the need

for The different products and services. As part of the methodology, a review of the main

approaches to supply chain management was made through research carried out mainly by the

multinational company IBM on this subject, providing a base model that allows characterizing

and grouping all the variables to consider In an intelligent supply chain and through policies of

reverse logistics is able to achieve a significant reduction in costs and a significant competitive

advantage in the market


2017

10

Objetivo General

Diseñar un modelo que represente el comportamiento general de una cadena de suministro

inteligente, a partir de una política de logística inversa en una estación Cross Docking,

teniendo en cuenta el flujo bidireccional de materiales que son factibles de recuperación en

el mercado.

Objetivos Específicos

- Hacer una revisión general acerca de las prácticas existentes y aplicaciones entorno a

cadenas de suministro inteligente, cadenas logísticas, Cross Docking, logística inversa

como estrategia, para hacer frente al desafío de sostenibilidad ambiental.

- Caracterizar el flujo de operaciones generales de una estación Cross Docking en una

cadena de suministro mediante un modelo lógico al incluir una política de

sostenibilidad basada en la recuperación de materiales del mercado al proveedor.

- Determinar el comportamiento del modelo propuesto en una prueba piloto mediante el

uso de datos experimentales y complementarios de una cadena de suministro del sector

logístico al integrar una política de logística inversa.

- Analizar la viabilidad de aplicación del modelo propuesto al integrar la política de

logística inversa a la cadena de suministro mediante una estación Cross Docking a

través de los resultados preliminares de la prueba piloto.


2017

11

Justificación

Hacer frente a la competitividad y mejorar el desempeño de las operaciones en las actuales

cadenas de suministro en Colombia son prioridades sobre las que actualmente organizaciones

invierten sus esfuerzos mediante sus líderes y especialistas.

Los actuales impactos ambientales entre ellos el calentamiento global, constituyen factores que

motivan la búsqueda de estrategias que permitan adoptar un compromiso con el uso responsable

de los recursos naturales.

Estas razones han motivado el interés por profundizar en el estudio de la gestión de operaciones

en la cadena de suministro inteligente a través de la logística inversa y los sistemas Cross

Docking como mecanismos integradores.

El concepto de logística inversa orientado a las cadenas de suministro definido como el proceso

de planificación, desarrollo y control eficiente del flujo de materiales, productos e información

desde el lugar de origen hasta el de consumo, de manera que satisfagan las necesidades del

consumidor, recuperando el residuo obtenido y gestionándolo de modo que sea posible su

reintroducción en la cadena de suministro (Jarrin & Ramirez, 2012). El no incorporar políticas de

logística inversa que tenga en cuenta estos factores ha significado el uso no adecuado de los

recursos disponibles que son limitados y que en la actualidad ya se encuentran escaseando en

algunas regiones del mundo.

De acuerdo a lo anterior surge la necesidad de buscar alternativas que permitan mitigar los

impactos del uso no adecuado de los recursos disponibles; la presente investigación propone

hacer uso de herramientas y mecanismos analíticos que permitan hacer frente al desafío de

sostenibilidad, mediante un esquema de costos verdes, que brinde un enfoque competitivo y

diferencial en el mercado de cadenas de suministro (Cifuentes & Moncada, 2012).

Los sistemas Cross Docking en flujo inverso como estratégica de clasificación y recuperación de

materiales del mercado hacia el productor, constituyen una oportunidad que no ha sido estudiada

en Colombia a la luz de las técnicas de programación matemática con la finalidad de buscar el

máximo en los niveles de rentabilidad y un esquema de costos verdes que incluya el

aprovechamiento de materiales recuperados del mercado. Esta oportunidad de estudio se propone


2017

12

como una estrategia de sostenibilidad que pueden adoptar las industrias de cadena de suministro

como aporte a la construcción de las competencias que requieren para hacer frente a los desafíos

de complejidad de las operaciones actuales.

Definición del problema a resolver

La falta de una técnica analítica que permita integrar políticas de logística inversa en cadenas de

suministro y que permitan hacer frente a los desafíos de la logística globalizada en cuanto a

sostenibilidad ambiental. Los modelos actuales de toma de decisiones deben ser adaptados al

conjunto de necesidades que el mercado exige. Los modelos lógicos verdes, deben lograr hacer

frente al desafío de sostenibilidad ambiental de las cadenas de suministro inteligentes y deben dar

los argumentos necesarios a los gerentes de cadenas de suministro, para fijar los nuevos rumbos

de sus compañías.

Planteamiento de la Hipótesis

El diseño de un modelo lógico adaptado a las necesidades de cadena de suministro

inteligente a través de logística inversa ayudará a hacer frente a los desafíos de

sostenibilidad ambiental de las empresas, afectando positivamente los niveles de costos y

constituyendo un factor diferencial en el mercado de cadenas de suministro.

Además, si el diseño del modelo lógico, es aplicado contemplando sistemas Cross Docking, la

posibilidad en tener mayor éxito en el aprovechamiento de materiales es mayor y por tanto aun

mayor el beneficio obtenido.

Beneficios a obtener con el desarrollo de este proyecto

El establecimiento de un modelo matemático base que permita integrar variables de logística

inversa en estaciones Cross Docking para hacer frente al desafío de sostenibilidad, son el punto

de partida que favorecerá a los diferentes actores de la siguiente manera:

A los gerentes de cadena de suministro, obtendrán mayor argumentación sobre el

comportamiento óptimo de sus cadenas de suministro y tendrán la oportunidad de integrar los

desafíos que exige el mundo globalizado al mundo del modelamiento matemático.


2017

13

A la comunidad académica, mayor oportunidad de estudio y la oportunidad de dar continuidad a

este proyecto de investigación, buscando nuevas alternativas de aplicación y/o adaptación a la

industria

A la humanidad, Una administración adecuada de los recursos limitados de los que disponemos

actualmente, contribuir a la disminución a los efectos del calentamiento global y la disminución

de los residuos sólidos permitirán una mejor calidad de vida

A el medio ambiente, la preservación de los recursos naturales de los que disponemos

actualmente y su impacto sobre la humanidad y la vida animal.

Metodología de trabajo

Las fases y actividades necesarias para el desarrollo del proyecto de investigación y el alcance de

los objetivos general y específicos del proyecto son las siguientes:

Parte I: Cadenas de suministro Inteligentes

1.1 Definición del Marco teórico de CSI

1.2 Revisión general entorno a los desafíos y competencias de las CSI.

1.3 Definición de Marco Conceptual entorno a cadenas logísticas, estación Cross Docking y

cadenas de suministro.

1.4 Estado del arte de las CSI y logística inversa

Parte II: Estrategia de Integración

2.1 Estrategia de Integración de la CSI

2.2 Esquema de Flujos Directos e Inversos de la estrategia CSI

2.3 Definición del Modelo Teórico

Parte III. Prueba Piloto

3.1 Diagrama de Proceso


2017

14

3.2 Análisis de Entrada

3.3 Modelamiento GAMS

3.4 Análisis de Salida

Parte IV. Conclusiones y Recomendaciones

Parte V: Publicación y Anexos


2017

15

Parte I: Cadena de Suministro Inteligente

1 Cadena de Suministro Inteligente

El mercado global ha obligado a las organizaciones a cambiar radicalmente sus formas de

operación de acuerdo a las expectativas crecientes de los clientes tales como el aumento continuo

de la competencia a escala mundial basada en el tiempo, calidad y la personalización masiva. La

competencia feroz en el mercado actual es guiada por los avances en la tecnología industrial, la

globalización creciente y la inmensa mejora en la disponibilidad de información (Verma, 2012).

El crecimiento actual de las cadenas de suministros a nivel mundial, las mejoras en la

administración de fronteras, la infraestructura, los servicios de transporte y telecomunicaciones,

podrían originar un incremento hasta del 4,7 % en el PIB mundial en la próxima década

(Moavenzadeh, 2013) lo cual evidencia un potencial crecimiento que obliga a los gobiernos

adoptar un enfoque integral que considere la cadena de suministro en su totalidad.

Investigaciones como las realizada por la compañía IBM (Soto & Rovira, 2009), afirma que las

filiales de las empresas de cadena de suministro en el extranjero se han triplicado durante la

última década; entre los años 1996 y 2008 pasaron de 265.000 a 790.000, un crecimiento del

66,46% en tan solo doce años, adicionalmente las actuales cadenas de suministro están

involucrando cada vez más compañías, cerca del 80% de los ejecutivos espera aumentar sus

relaciones colaborativas con terceras compañías en los próximos diez años. Para hacer frente a

estos desafíos en dicha investigación se denomina como “Cadenas de suministro Inteligentes”,

aquellas que integren un conjunto de competencias claves e involucren estrategias para hacer

frente a los nuevos desafíos del mercado en buscan mejorar la eficiencia en las operaciones

logísticas y hacer frente a los factores de globalidad y competencia que actualmente enfrenta la

industria.

A nivel de sostenibilidad ambiental, una revisión sobre las estadísticas de implementación de este

enfoque, determinan que no existe aún un compromiso evidente con el desafío de sostenibilidad

para algunos líderes y/o directivos, a pesar de que no serán viables las cadenas de suministro que

no tengan en cuenta el medio ambiente, solo un 37% de los directivos lo considera actualmente


2017

16

un desafío (Soto & Rovira, 2009) y genera las acciones de incorporación de estrategias que

incluyan la preservación del medio ambiente de acuerdo a los impactos medio ambientales que se

viven en la actualidad, el cambio climático y el calentamiento global. A continuación, en la Fig. 1

se describen las estadísticas de la investigación realizada por la compañía Multinacional IBM con

respecto a esta temática:

Fig. 1: Encuesta a Gerentes de cadenas de suministro acerca de la implementacion de politicas verdes

63%

57%

51%

39%

36%

29%

27%

25%

El diseño de producto y envasado tiene en cuenta los efectos en el medio ambiente

Las estrategias de suministro incluyen planes para la gestion del CO2, agua, consumo de energia, y residuos

Los objetivos de fabricacion Incluyen metricas de consumo CO2

Se dispone de un programa para minimizar el consumo de CO2 en la distribucion

Los criterios de selección y contratos de Proveedores tienen en cuenta sus capacidades de gestion CO2

Las politicas de externalizacion persiguen reducir las emisiones del CO2

Se favorece la contratacion de operadores logisticos que realicen menores emisiones de CO2

Las empresas transportistas son evaluadas por emisiones de CO2, consumo de enerigia y su estrategia para gestionar estas cuestiones

¿ Hasta que punto ha implementado usted las siguientes practicas "Verdes" o de sostenibilidad del medio ambiente ?

Encuestados que respondieron "Significativo" o " Muy Significativo"

Fuente: “Cadena de suministro Inteligente” (Soto & Rovira, 2009)

De acuerdo a esta información, es evidente el compromiso del 63% de los directivos de cadena de

suministro los cuales respondieron como muy significativo en la implementación de prácticas de

sostenibilidad ambiental, en el diseño de producto y envasado, sin embargo los aspectos que

compromete las actividades de distribución, transporte, la preservación de la energía y el control

de las emisiones de dióxido de carbono (CO2), no constituyen aun un compromiso prioritario en

las estrategias de sostenibilidad, de los principales actores de las cadenas de suministro.

Al realizar la revisión sobre las prácticas de políticas sostenibilidad del medio ambiente en las

principales geografías del mundo, de acuerdo a la misma investigación se obtuvieron los

siguientes resultados los cuales se logran evidencia a continuación en la Fig. 2:


2017

17

Fig. 2: Categorización de la implementación de estrategias de sostenibilidad ambiental en las

Empresas de acuerdo a la ubicación geográfica

Fuente: “Cadena de suministro Inteligente” (Soto & Rovira, 2009)

Las prácticas de sostenibilidad ambiental en las regiones de Norte y Centro América se

categorizan como “muy bajo” de acuerdo a dicha investigación, adicionalmente encontramos en

las regiones de Europa Occidental, Asia y Asia pacifico, como la las operaciones logísticas

basadas bajo parámetros de sostenibilidad ambiental se categoriza en “alto” y “muy alto”, lo cual

indican a simple vista el diferencial existente en el desafío de sostenibilidad de las cadenas de

suministro de la industria de América Latina con respecto al resto de regiones del mundo.

Actualmente en Colombia el panorama sobre el desarrollo de las cadenas de suministro son

acordes con las estadísticas mundiales; según el banco mundial, Colombia se encuentra en el

puesto 64 en el índice de desempeño logístico con una calificación en ascenso de 2.87 puntos1 el

cual nos indica la necesidad de desarrollo de la logística actual contemplando superar

inicialmente la brecha de conectividad (Beltran, 2012) a través de la mejora en la infraestructura

de las carreteras, la modernización de los diferentes puertos marítimos de nuestro país, la

navegabilidad de los ríos y la recuperación de los accesos y corredores ferroviales.

1 El ranking de acuerdo al estudio del desempeño logístico se realiza en una escala de uno a cinco, Tomado de

www.portafolio.com.co (Logística, el reto para los TLC que tiene Colombia, 2014)

en el ranking se miden ingredientes como la eficiencia del proceso de despacho de aduana, la calidad de la infraestructura

relacionada con el comercio y el transporte, la facilidad de acordar embarques a precios competitivos, la calidad de los servicios

logísticos, la capacidad de seguir, rastrear los envíos y la frecuencia con la cual los embarques llegan al consignatario en el tiempo

programado.

http://www.portafolio.com.co/


2017

18

En el ámbito de sostenibilidad ambiental en cadenas de suministro colombianas, el concepto de

logística inversa es relativamente nuevo, sin embargo, existen algunas experiencias de aplicación

con opciones de recuperación (Monroy & M, 2006) como el reciclaje, la reutilización y re-

manufactura. Entre los casos de éxito en Colombia encontramos empresas como MAC S.A,

Ofipaim, Smurfit Carton de Colombia (SCC), Alianza entre Tetra Pack Colombia,

Representaciones Industriales Orion (RIO) y Carronal, Cristaleria Peldar y Michelin Colombia

que representan una muestra del desarrollo en Colombia de la Logística inversa y que fueron

objeto de estudio por estudiantes de la universidad de los Andes (Monroy & M, 2006), en la cual

analizaron factores como: tipos de devoluciones más frecuentes, las razones para la

implementación de la logística inversa en estas industria y las opciones de recuperación de la

industria colombiana.

Los resultados de dicha investigación evidencia la preferencia de estas empresas por realizar la

recuperación de los materiales en la etapa de Post-Consumo, directamente de mano del

consumidor o clientes directos, además evidencian la actividad con mayor frecuencia de

recuperación de materiales la cual se constituye es la actividad del reciclaje y para efectos de

interés, se evidencia las razones principales de la decisión de implementar logística inversa en

estas industrial colombianas las cuales se describen a continuación:

Fig. 3: Razones de Implementacion de logistica Inversa

29%

24%

14%

14%

10%

5%

5%

0%

ECONOMICAS

AMBIENTALES

RESPONSABILIDAD SOCIAL

RECUPERACION DE MATERIAS PRIMAS

SERVICIO AL CLIENTE

IMAGEN CORPORATIVA

EXPANDIR EL MERCADO

COMPETENCIA

EMPRESAS ENCUESTADAS

RAZONES DE IMPLEMENTACION DE LOGISTICA INVERSA EN EMPRESASCOLOMBIANAS

Fuente: “Logistica Reversa: Retos para la Ingenieria Industrial” (Monroy & M, 2006).


2017

19

De acuerdo a los resultados de este estudio, las razones que mayor motivan a las industrias a

tomar la decisión de implementar políticas de logística inversa, son de tipo económicas con un

porcentaje del 29% y ambientales con un 24%; las que menos participación evidencian en el

estudio son ítems relacionados con el crecimiento del mercado con un 5% y competencia con un

0% de las empresas encuestadas. Observamos de esta manera una deficiencia en el desarrollo de

estas dos estrategias en el mercado de cadena de suministros verdes en Colombia, entendiendo

que las razones económicas y ambientales son importantes.

De acuerdo al contexto analizado acerca de la globalización y complejidad de las cadenas de

suministro, es evidente la necesidad de buscar alternativas que permitan hacer frente al desafío de

sostenibilidad de las cadenas de suministro en Colombia. Los factores de competencia sumados a

la necesidad de conservación de medio ambiente representan la razón que motiva la búsqueda de

técnicas analíticas que se adapten al estudio del comportamiento de dichos sistemas y así hacer

frente a uno de los desafíos que deben enfrentar las cadenas de suministro para adoptar el título

de cadenas de suministro inteligentes competitivas y globalizadas.

Los actores que involucran este estudio, están representados por los proveedores de cadena de

suministro, los cuales pueden proporcionar servicios de logística inversa en estaciones Cross

Docking a los productores bajo el enfoque ya descrito. También están dados por miembros del

canal directo (Diaz & Alvarez, 2004) fabricantes tradicionales, comerciantes, y suministradores

de servicios logísticos directos o partes especializadas; comerciantes de materiales secundarios e

instalaciones de reciclaje o recuperación de materiales.

Un ejemplo de este tipo de sistemas lo encontramos en empresas como VIFRA2 que ofrecen

servicios de recogida, clasificación, reacondicionamiento, devolución, reciclaje entre otros en

ESPAÑA y finalmente las industrias manufactureras que con el fin de lograr un factor

competitivo en el mercado y un compromiso de conservación del medio ambiente con un

marcado beneficio en costos, contratan servicios de logística inversa para recuperar estos

materiales y reincorporarlos al ciclo productivo.

2Vifra, empresa de logística y transporte, que además ofrece servicios complementarios que permiten ahorrar tiempo y dinero al

cliente, con el valor añadido de aportar la suficiente flexibilidad como para enderezar situaciones inesperadas gracias al servicio

de transporte urgente nacional e internacional. Su sede principal se ubica en la ciudad de Barcelona – España.


2017

20

De acuerdo a lo anterior, Investigaciones realizadas acerca de la evolución, desarrollo y

posicionamiento de las cadenas de suministro inteligentes dentro del mercado actual, se sostiene

que las cadenas de suministro que durante los próximos diez años no adopten políticas medio

ambientales dentro de sus prioridades de desarrollo y modernización (Soto & Rovira, 2009), no

serán visibles ni competitivas en el mercado global de la logística de aprovisionamiento de

acuerdo a la tendencia actual que sugiere la concientización de la sociedad y el interés por parte

de las empresas, gobiernos y la sociedad civil de buscar minimizar los impactos de la

contaminación y el calentamiento global a los cuales se enfrenta la población mundial en la

actualidad (Melchor & Santos, 2010).

La gestión medio ambiental (Diaz & Alvarez, 2004), elaborar productos amigables con el medio

ambiente y desarrollar técnicas de recuperación y gestión de los residuos producidos, se ha

convertido en una estrategia para la empresa, constituyendo en muchos casos una ventaja

competitiva de la organización. Por lo anterior se constituye como una estrategia de

sostenibilidad empresarial; sostenible a nivel ambiental y que se integra a nivel de empresa.

1.1 Definición del Marco teórico de CSI

1.1.1 La Cadena Logística

La gestión de la cadena Logística consiste en organizar adecuadamente todo el proceso desde la

extracción de materias primas hasta la entrega del producto terminado al cliente en el lugar

apropiado, el momento oportuno, y en el modo adecuado (Diaz & Alvarez, 2004) sin embargo la

función y gestión de los sistemas logísticos no han sido visto de manera importante en las

empresas en razón a que aparentemente no genera valor al producto y solo se encargan de la

gestión de su movimiento de a través del ciclo logístico, sin embargo este tipo de percepciones

han sido desestimadas con numerosas investigaciones y estudios que han evidenciado el valor

que origina a la empresa la gestión de los sistemas logísticos en la cadena de valor de las

compañías.


2017

21

La logística moderna tiene sus orígenes en las practicas del ejército Americano encaminadas a

mover eficientemente sus tropas durante la segunda guerra mundial (Diaz & Alvarez, 2004), la

logística militar se ha definido como la ciencia que tiene como objetivo proporcionar a las

fuerzas armadas los medios necesarios para la guerra a través del ciclo logístico (Kalenatic &

Lopez, 2008), es de allí de donde surge la necesidad de la gestión de los flujos de materiales con

el fin de encontrar sistemas eficientes desde la entrada de las materias primas en la empresa hasta

la expedición del producto terminado, de manera que así se controla todo el proceso hasta que el

producto es entregado al cliente.

Durante esta misma época, el agotamiento de materias primas y algunos productos, provoco

cambios en la demanda de ciertos productos lo que hizo necesario disponer de inventarios para

cubrir periodos de necesidad. De este modo la gestión de inventarios pasa a convertirse en un

factor de ahorro de costes para la empresa

Fig. 4: Evolucion de los conceptos englobados dentro de la gestion logistica

Prevision de la demanda

Compras

Planificacion de requisitos

Planificacion produccion

Inventarios fabricacion Gestion de materiales

Almacenamiento

Manejo de Materiales Logistica

Empaquetamiento

Inv. Productos Finales

Planificacion distribucion Distribucion Fisica

Secuencias de pedidos

Trasporte

Servicio al cliente

Fuente: Logistica Inversa y Medio Ambiente, (Diaz & Alvarez, 2004)

1.1.2 Logística Inversa y Los Flujos de Retornos

La gestión de los flujos de retornos (Diaz & Alvarez, 2004) productos que ya han sido utilizados

y desechados por su cliente o usuario final, originados por las diversas formas de reutilización de

productos y materiales en los procesos de producción industrial han recibido especial atención en


2017

22

la última década. Sin embargo, la reutilización de materiales no es una práctica relativamente

nueva, dada las ventajas económicas que de ellas se deriva. En la actualidad existen numerosos

motivos que influyen a las organizaciones a implementar políticas verdes, las cuales van desde

razones económicas, sociales, ambientales hasta estratégicas y competitivas.

La logística inversa en las empresas durante los últimos años ha desempeñado un papel

determinante dentro de la gestión de procesos productivos y de distribución generalmente. En la

actualidad existen propuestas que permiten un flujo de materiales y productos del consumidor

hacia el productor, con el fin de poder realizar un aprovechamiento de materiales reutilizables en

un nuevo ciclo productivo. El principal beneficio derivado de estas políticas en las empresas se

traduce en una disminución de costos importante en los procesos de fabricación y una ventaja

competitiva de sostenibilidad en las cadenas de suministro.

La implementación de la logística inversa dentro de las organizaciones (Diaz & Alvarez, 2004)

genera además de un panorama de sostenibilidad una comunicación con los clientes, quienes

perciben con seguridad un producto sostenible, responsable y con el cual se puede comunicar,

dando a conocer sus propuestas, inconformidades y mejoras que desean tener sobre sus

productos. La comunicación con los clientes entra también como uno de los desafíos de las

cadenas de suministro inteligente, y la logística inversa puede ser utilizada como vehículo para

alcanzar este objetivo. A continuación, la figura 5, describe el canal inverso y directo de una

cadena de suministro en la cual se han integrado políticas de logística inversa.


2017

23

Fig. 5: Canal Directo y Canal Inverso de Una cadena de Suministro

Materias

primas

Vertedero

suministrador de componentes Fabricante Vendedor

DistribuidorCliente

Recogedor

Reacondicionamiento

Desensamblajey /o clasificacion

ReutilizacionRecicla

Reparaciones

Fuente: Logistica Inversa y Medio Ambiente (Diaz & Alvarez, 2004)

1.1.3 La cadena de Suministro

Investigaciones alternas sobre cadenas de suministro y logística inversa hacen referencia al

estudio de la amplificación de pedidos en los sistemas de producción y distribución (Holweg &

Disney) el cual fue investigado por primera vez por empresas como PROTEC & GAMBLE

(Salvatore, 2012), gracias al interés de conocer acerca de lo que fue considerado como el Cubo de

Rubick de las cadenas de suministro y las nocivas consecuencias del denominado “efecto látigo”,

que a través de los años ha significado uno de los retos más grandes de los investigadores de las

cadenas de suministro en la búsqueda por mejorarla rentabilidad de las operaciones de las

empresas.

En un primer intento optaron por buscar alternativas de optimización que permitieran disminuir

este efecto en gran medida; sin embargo hacia los años 90 el ambiente colaborativo ha

representado una alternativa eficiente a la problemática (Salvatore, 2012) y ha tomado una

constante fuerza con la implementación de las TICS y por lo que es considerado como el “Santo

Grial de la Logística” los enfoques VMI. (Villa & Torres, 2011)


2017

24

En las cadenas de suministro y la contribución de la estrategia de sostenibilidad de la Logística

inversa, el ambiente colaborativo constituye una base fundamental para cada uno de los

integrantes o eslabones de la cadena, quienes deben tomar decisiones acerca de qué tipo de

materiales deben ser re-incorporados a la cadena de suministro, porque medios de transporte, y el

método de clasificación en la estación Cross Docking. Lo anterior se lleva a cabo bajo parámetros

de sincronización.

IBM durante años han desarrollado investigaciones acerca del mejoramiento de las cadenas de

suministro, sustentando propuestas que van desde el planteamiento de estrategias de competencia

para la correcta administración de las cadenas de suministro, a través del estudio de las

principales crisis que han afrontado las diferentes empresas que se enmarcan en las cadenas de

suministro de mayor competitividad como AIRBUS en la crisis de sus aviones A-380, La crisis

de las cadenas de suministro de los COCHES en España, el recorte hasta del 25% en Diez mil

artículos de las tiendas y supermercados CARREFOUR (Soto & Rovira, 2009).

1.2 Revisión general entorno a los desafíos y competencias de las CSI.

1.2.1 Desafíos de la Cadena de Suministro Inteligente.

Los principales desafíos que enfrentan las cadenas de suministro se enfocan directamente sobre la

complejidad, globalidad y diversificación de los productos que en la actualidad circulan en

nuestro mercado. Las empresas por su afán de competitividad e innovación en razón de su

rentabilidad, buscan la apertura de nuevos negocios por medio del abarcamiento de nuevos

mercados, la apertura de nuevas filiales a nivel nacional e internacional, la integración y

fortalecimiento de las relaciones con otras empresas en la búsqueda de nuevas oportunidades de

negocio y la necesidad de buscar una modernización que se traduzca en una mejor percepción de

los clientes, hacia temas de innovación, tiempos de respuesta, calidad del producto, servicio al

cliente y precio (Soto & Rovira, 2009). A continuación, se describen cada uno de los desafíos que

deben enfrentar las cadenas de suministro inteligente de acuerdo a la investigación realizada por

IBM.


2017

25

1.2.1.1 Limitación de costos de la cadena de suministro

De los desafíos más grandes que encuentran las cadenas de suministro en la limitación de los

costos, estos se deben trabajar con agilidad frente a las variabilidades del mercado con el fin de

encontrar una flexibilidad y oportunidad de adaptación frente a las ventas. En el panorama actual

la competitividad de cadena de suministro se debe generar un factor de costos que debe renovarse

constantemente. Una estructura densa a nivel de costos no permite generar tarifas y precios

competitivos hacia el mercado, por lo cual los procesos de costeo de las cadenas de suministro

deben flexibilizar la manera en que se cargan los costos de la organización.

1.2.1.2 Visibilidad de la cadena de suministro

En importancia pertenece al segundo desafío más grande en las cadenas de suministro inteligente,

esta debe hacer frente a la gestión del conocimiento y proceso comunicativo que se tiene sobre la

cadena de suministro con el fin de hacer frente a los problemas que se presenten sobre su

ejecución, debe existir una conectividad, colaboración e integración entre los integrantes de la

cadena de suministro, proveedores, socios, clientes.

1.2.1.3 Gestión del riesgo estratégico

La planificación de los riesgos en la actualidad no es una de las prioridades dentro de las cadenas

de suministro actuales, sin embargo, las cadenas de suministro inteligentes deben gestionar un

plan de riesgo que permita hacer frente a situaciones adversas del entorno.

1.2.1.4 Clientes exigentes

Escuchar la demanda de los clientes, profundizar e interactuar con ellos. Establecer lazos de

comunicación que permitan fortalecer y consolidar relaciones buscando cubrir el total de sus

necesidades, las cadenas de suministro actuales en su mayoría solo se preocupan por establecer

relaciones con sus proveedores, posicionar las relaciones con los clientes actúa como factor clave

de éxito de una cadena de suministro inteligente.


2017

26

1.2.1.5 Globalización de la cadena de suministro

Dentro de la globalización como desafío se encuentra el problema de costos, los cuales no han

conseguido su objetivo de reducción. Con la globalización en las cadenas de suministro llega la

complejidad, así mismo la necesidad de hacer frente a los nuevos retos con propuestas y

estrategias que permitan un amplio campo de soluciones. De los aspectos más grandes que se

enfrentan en la globalización, es la necesidad de modernización de las cadenas de suministro, lo

que se traduce en la necesidad de inversión y posteriormente en la necesidad de rentabilidad y

utilidades.

1.2.1.6 Sostenibilidad Ambiental

Las cadenas de suministro actuales en su mayoría no incorporan dentro de sus procesos logísticos

y operativos programas verdes que permitan sostenibilidad con el medio ambiente.

Investigaciones como las de IBM (2008) afirman que tan solo un 37% de los directivos de las

cadenas de suministro consideran el medio ambiente como un desafío que enfrentar dentro de sus

políticas de cadena de suministro, sin embargo en un futuro no muy lejano las cadenas de

suministro que no consideren este factor, no serán viables ni competitivas en el mercado. (Soto

& Rovira, 2009)

El desafío de sostenibilidad marca la pauta de profundización acerca de la estrategia a plantear

dentro del proyecto investigativo, a continuación se profundizara en esta temática por medio de

los aspectos de la LOGISTICA INVERSA.

1.2.2 Competencias de la Cadena de Suministro Inteligente.

De acuerdo al contexto de cadena de suministro inteligente planteado por IBM, Las tendencias

actuales sugieren en las cadenas de suministro inteligentes una serie de competencias que deben

ser desarrolladas con el fin de hacer frente a las operaciones actuales, estas se componen de las

siguientes:

- Estrategia

- Planificación

- Ciclo de vida del producto


2017

27

- Suministro de materiales

- Gestión de operaciones

- Logística

- Tecnología

Para el proyecto investigativo abordaremos el estudio de competencias en gestión de operaciones

y logística.

A continuación, la Figura 6, refleja las áreas de competencia de la cadena de suministro y los

desafíos presentes en el actual mundo globalizado, de esta manera se destaca la necesidad de

implementar la estrategia como mecanismo que permita mediante las competencias de

investigación de operaciones y logística hacer frente a un desafío de sostenibilidad ambiental, que

servirá a su vez de ventaja competitiva en el mercado de las operaciones de cadena de suministro.

Fig. 6: Competencias y desafíos de la cadena de suministro inteligente y

Su relación con la estrategia de Integración

Fuente: Autor


2017

28

1.3 Definición de Marco Conceptual entorno a cadenas logísticas, estación Cross Docking

y cadenas de suministro.

1.3.1 Cadena de suministro

La cadena de suministro se define como aquella formada por todas aquellas partes involucradas

de manera directa o indirecta en la satisfacción de una solicitud de un cliente, que incluye no

solamente al fabricante y al proveedor, sino también a los transportistas, almacenistas,

vendedores al detalle e incluso a los mismos clientes (Chopra, 2008). El Global Supply Chain

Fórum de 1998 definió como gestión de la cadena de suministro a la integración desde el

consumidor final hasta los primeros proveedores, de los procesos de negocio clave que

proporcionan los productos, servicios, e información que aportan valor al consumidor final

(Vicedo, 2007).

1.3.2 Cadena de Suministro Inteligente

Las cadenas de suministro inteligentes, se definen como aquellas que integran un conjunto de

competencias, las cuales se enfocan en: estrategia y planeación, tecnología, ciclos de vida de

productos, suministros de materiales y a su vez contemplan, hacer frente a desafíos de

complejidad y globalización de las operaciones logísticas actuales como los son: limitación en

costos, gestión del riesgo, clientes exigentes y visibilidad de la administración de la cadena de

suministro frente al mercado global, teniendo en cuenta un marco estratégico competitivo frente

a otros sistemas logísticos de cadena de suministro que no integra estas competencias ni

contemplan hacer frente a estos desafíos.

1.3.3 Logística Inversa

La logística Inversa se define como la parte de la gestión de cadena de suministro que planifica,

implementa y controla eficiente y eficazmente el flujo y almacenaje de bienes, servicios de

información relacionada, desde el punto de origen hasta el punto de consumo y viceversa para

poder cumplir con los requerimientos de los clientes (Ribas, 2007). otros autores la definen como

una cadena de suministro que es rediseñada para gestionar eficientemente el flujo de productos


2017

29

destinados al re-procesamiento, la reutilización, el reciclaje o la destrucción, usando

correctamente todos los recursos (Diaz & Alvarez, 2004).

La estrategia pretende integrar la logística inversa como factor de sostenibilidad ambiental en la

cadena de suministro inteligente, fijando una política de recuperación de materiales reutilizables

en los puntos de consumo y retornándolos inicialmente a una estación Cross Docking en la cual

se propone una proceso de clasificación y separación de estos materiales con la finalidad de ser

devueltos al producto y/o generador en condiciones de reutilización, de esta manera se da crédito

al concepto de logística inversa, como un rediseño de la cadena de suministro para la gestión

eficiente del flujo de materiales y productos.

1.3.4 Sistemas Cross Docking.

En la logística moderna, uno de los desafíos a los que se han enfrentado los productores, es la

reducción de sus costes y tiempo de distribución hacia sus clientes y/o sub-distribuidores. La

estación Cross Docking surge como una propuesta que permite crear una estación

estratégicamente localizada (Kalenatic & Lopez, 2008) hacia donde los productores pueden

enviar sus pedidos y posteriormente luego de un proceso de distribución de estos pedidos puede

ser reembarcados junto con productos de otros fabricantes hacia un mismo destino o un mismo

cliente.

La utilización de las estaciones Cross Docking ofrecen una reducción importante en la cantidad

de flujos de transporte desde el centro de producción al centro de acopio y posteriormente al

centro de consumo; Estos beneficios se traducen a su vez en una reducción importante en los

tiempos de entrega y una reducción de costos de distribución. La investigación se enfoca sobre

las ventajas que ofrece actualmente el Cross Docking para los procesos de distribución y el uso

adicional del Cross Docking en flujo inverso para la recuperación y clasificación de materiales

reutilizables.


2017

30

Fig. 7: El esquema CrossDocking en flujo Directo

Cliente

Productor / Proveedor

Estacion Cross Docking

Flujo Directo Consolidado

A

B

C

D

A

B

C

D

A

B

C

D

A

B

C

D

CLA

SIFI

CA

CIO

N

REC

EPC

ION

DE

PR

OD

UC

TO

EMP

AQ

UE

ESQUEMADE DISTRIBUCION DE MERCANCIAS EN SISTEMAS CROSS DOCKING

Fuente: Autor

1.3.5 Estrategias competitivas y de cadenas de suministro.

La estrategia competitiva de una cadena de suministro se define, en relación con sus

competidores (Chopra, 2008), el grupo de necesidades del cliente que esta busca satisfacer con

sus productos y servicios. La demanda actual de estrategias sostenibles en el marco ambiental, de

productos y servicios constituye una estrategia propia de estudio de las cadenas de suministro

inteligentes en la búsqueda de mecanismos que permitan abarcar clientes exigentes.

A continuación, la figura 6 representa en enfoque de las estrategias competitivas de la cadena de

suministro


2017

31

Fig. 8: Estrategia competitiva de la cadena de suministro

Fuente: Administración de la cadena de suministro (Chopra, 2008)

La estrategia de integración de la política de Logística inversa en cadenas de suministro,

necesariamente marca pautas estratégicas en el ámbito empresarial que pueden definir estrategias

organizacionales al interior de las áreas y que contribuyen al logro global de la integración,

principalmente encontramos: Estrategia de productos, Estrategia de procesos, estrategia de

tecnología, estrategia de capacidad, estrategia de localización, estrategia de distribución de

planta, estrategia de calidad, estrategia de planificación y control, estrategia de aprovisionamiento

y estrategia de personal. Estas estrategias marcadas en paralelo con estrategias de Marketing y

desarrollos de productos nuevos, contribuyen al logro de la estrategia competitiva de la

organización, (Chopra, 2008). Sin embargo, en el marco de la Logística inversa, todas estas

estrategias deben agregar actividades orientadas al uso responsable de los recursos, a velar por su

proceso de recuperación y reciclaje.

De acuerdo a lo anterior, se posible visualizar un mercado de sellos verdes en los productos,

certificaciones ambientales, y una preocupación por el medio ambiente que enmarcan además de

una conciencia naturalista, una estrategia diferenciadora atractiva para los consumidores de

acuerdo a los panoramas ambientales que a nivel mundial la población afronta. El medio

ambiente es ya una preocupación común que poco a poco va modificando nuestro sistema de


2017

32

valores, nuestra conducta como ciudadanos, y la de las empresas como ocupantes que son del

mismo escenario (Diaz & Alvarez, 2004).

1.4 Estado del arte de las cadenas de suministro y logística inversa

En las políticas actuales de cadena de suministro, existe preocupación por factores de

competitividad empresarial centrados en la optimización de recursos, la reducción de costes, la

gestión del riesgo, la visibilidad, entre otros.

1.4.1 Panorama Global de las Cadenas de Suministro

Las organizaciones para hacer frente a los desafíos de globalización y complejidad de las

operaciones, actualmente escalan en los niveles evolutivos en la medida que haga mejor uso de

las tecnologías de la información (Peña & Zumelzu, 2006) Una organización que trascienda al

nivel cinco conectividades completas de la Red será una organización competitiva y enfocada a

la Ciber-tecnología como facilitador de la cadena de valor para lograr la optimización de la red.

En las cadenas de suministro actuales la conectividad completa entre los eslabones, generan un

potencial diferenciador importante que permite que estrategias de sostenibilidad ambiental

obtengan un mejor resultado cuando se apoya en tecnologías de la información.

La implementación de tecnologías de la información no es de los únicos desafíos a los que se

enfrentan las cadenas de suministro para alcanzar sus políticas de sostenibilidad; en la actualidad

encontramos un mundo globalizado el cual enfrenta problemas medio ambientales dado los altos

niveles de contaminación a raíz de los diversos factores de la industria. El calentamiento global

(Svensson, 2008) de acuerdo al informe de cambios climáticos The Physical Science Basis,

obligara más pronto o más tarde a la sociedad global; naciones unidas, unión europea, acuerdos

de comercio regionales y gobiernos, a imponer prácticas de gestión de la cadena sostenible, lo

cual afectara el concepto actual de administración de cadena de suministro

Durante décadas se han llevado a cabo investigaciones que han permitido un fuerte desarrollo de

la logística de aprovisionamiento y suministro, el siglo XX fue sin lugar a dudas testigo de un sin

número de cambios estructurales en la industria de la logística como son las aperturas de las

economía en China e India, la integración de las políticas de la Unión Europea y la


2017

33

desregularización de la industria del transporte en Norte América lo cual ha significado el

crecimiento de la demanda de los servicios logísticos a escalas mundiales (Leal & Perez, 2009)

sin embargo una de las tendencias que cada día toma fuerza dentro del desarrollo y sostenibilidad

de las cadenas de suministros son la integración de políticas ambientales que demuestren un

compromiso con el uso responsable de los recursos naturales. De acuerdo a estas condiciones, la

competencia moderna se ha convertido en la competencia entre las empresas y sus cadenas de

suministro, las organizaciones se han visto forzadas a replantear sus operaciones, alianzas,

asociaciones y estrategias para enfrentar estos y otros cambios (Verma, 2012). De igual modo

encontramos algunas tendencias que con el paso de los años han cobrado fuerza, y probablemente

para el año 2020 sea un factor diferenciador entre los diferentes modelos de negocios a nivel

mundial (Ceniga & Sukalova, 2015), a continuación, mencionamos algunos:

Para los clientes: Los factores de sostenibilidad son cada vez de mayor importancia dentro del

marco estratégicos de sus compañías, un factor clave, será la necesidad incluir indicadores de

medición y de seguimiento a su huella ambiental

Para los Inversores: Esperan que las empresas contemplen programas sostenibles y que

demuestren un uso adecuados de los recursos naturales, que evidencien la intención de mitigar el

impacto ambiental

Para los líderes políticos: Existirá legislación cada vez más estricta. Existirá apoyo de los entes

gubernamentales a la lucha contra la disminución de los impactos ambientales.

Alianzas de la Industrial: Existirán cada más mayor alianzas entre países e industrias que busquen

establecer pactos, normas y nuevas formas de pensar hacia el ámbito sostenible. Aquellas

industrias que no se vinculen dentro de estos acuerdos tenderán a desaparecer.

1.4.2 Investigaciones previas en cadena de Suministro y Logística Inversa

Investigaciones previas en logística inversa sobre redes de retornos en cadenas de suministro,

encontramos en primera instancia un sistema de gestión de residuos sólidos (Diaz & Alvarez,

2004), incluyendo la recogida, transporte, incineración, compostaje, reciclaje y destrucción, el


2017

34

cual mediante un modelo de asignación de localización multi-objetivo y algunas heurísticas,

planifican el sistema de gestión de residuos, generando como resultado el número y la

localización de las plantas de destrucción de residuos sólidos, especificación de la tecnología

adoptada y la cantidad de residuo procesado.

Entre otros estudios encontramos un modelo de programación lineal entera para el reciclaje de

subproductos industriales que es aplicado en la industria de acero Alemana; las Acerías necesitan

decidir que procesos de reciclaje dentro de las cadenas de producción son favorables desde el

punto de vista económico. El modelo está basado en el problema de localización de almacenes

multinivel (Diaz & Alvarez, 2004) modificado para la estructura especial del problema.

Otros estudios desarrollados, encontramos el diseño de un modelo basado en la programación

lineal por objetivos para minimizar los beneficios y las tasas de reciclaje y reutilización de los

materiales que componen los productos, y las estrategias adoptadas en Japón desde el año 2000,

donde los fabricantes de dispositivos eléctricos deben reciclar sus propios productos, motivados

en gran medida, por el problema de saturación de los vertederos.

Compañías como la multinacional IBM en Japón está animando a sus clientes a devolver sus

viejos ordenadores al adquirir uno nuevo. Dependiendo de la edad y del valor del sistema, el

cliente recibirá una determinada cantidad de dinero. Los procesadores y los discos duros de los

ordenadores retornados podrían ser utilizados y los ordenadores podrían volver a la tienda para su

venta. Este último enfoque enmarca una estrategia competitiva en el mercado y determina una

significativa disminución de costes de producción de estos componentes, al ser re-

manufacturados o actualizados y no producidos nuevamente (Diaz & Alvarez, 2004).

A nivel integral en cuanto a cadenas de suministro, logística inversa y Cross Docking se han

podido determinar algunos estudios como los propuestos por estudiantes de la universidad de los

andes en Colombia, en los cuales su punto de vista se enfoca en los productos no vendidos por

los centros de consumo y que pueden ser re-incorporados a la red logística inversa, lo anterior a

la luz de una investigación que afirma no existir una estrategia que permita contemplar estos

escenarios (Soto, Thiell, & Colome, 2017). En razón a lo anterior describen un modelo logístico

de retornos mediante una estación Cross Docking, que enfatiza el flujo inverso de productos para

un posterior proceso de re-venta. El modelo logístico se caracteriza por garantizar estas


2017

35

operaciones en la estación cross docking teniendo en cuenta la utilización de los medios de

transporte a nivel óptimo, generando el mínimo costo y con un margen de ahorro de los no

vendidos (unsold) y redistribuidos en la red logística.

A continuación, la figura 9 describe el modelo propuesto para llevar a cabo la estrategia de

recuperación:

Fig. 9: Structure of a reverse Cross-Docking system for unsold products.

Fuente: Reverse Cross-Docking (Soto, Thiell, & Colome, 2017)

Por otro lado, y ahora más enfocados en la logística inversa encontramos investigaciones como la

publicada en el Journal of Manufacturing System por dos estudiantes IRANIS, los cuales en su

investigación titulada “An optimization model for reverse logistics network under stochastic

environment by using genetic algorithm” plantean un importante modelo de optimización para

redes logísticas inversas, partiendo de la importancia global que debemos darle a los procesos de

recuperación y reciclaje debido a razones económicas, ambientales y legislativas y que

adicionalmente plantean la necesidad de hacer frente a desafíos de incertidumbre en términos de

capacidades, demandas y cantidades de productos existente en términos de logística inversa. En

razón a lo anterior proponen un modelo programación lineal de números mixtos probabilísticos

para el diseño de la red logística inversa.


2017

36

La importancia de esta investigación se evidencia en la posibilidad de realizar estimaciones en

términos de recurso necesario para los procesos de recuperación, tratamiento y reciclaje de

productos o insumos en flujo inverso. Actualmente los modelos existentes plantean la necesidad

de hacer uso de un porcentaje de su capacidad actual, sin embargo, es necesario dimensionar una

red logística inversa para el mejor aprovechamiento de recursos. A continuación, la figura 10,

describe la red de logística inversa propuesta en dicha investigación:

Fig. 10: A simple network of Multi-product, multi-stage

reverse logistics Network

Fuente: An optimization model for reverse logistics network under

stochastic environment by using genetic algorithm

(Roghanian & Pazhoheshfar, 2014)

La figura número 10, representa la propuesta generada por los autores para establecer el modelo

de optimización de logística inversa haciendo uso de algoritmos genéticos, pero no solo estos

autores quienes han investigado acerca de modelos estocásticos para cadenas de suministro,

podemos encontrar modelos similares orientados temáticas de liquidez y riesgo en cadenas de

suministros con sistemas inversos. Un estudio publicado en el año 2013, “Un modelo de Markov

sobre los efectos de la liquidez en los procesos de logística inversa” el cual principalmente

analiza un numero de retornos independientes en un periodo de tiempo utilizando un modelo con

estados de transición y estados absorbentes y que contemplan las probabilidades de pasar de un


2017

37

estado al otro y que posteriormente son llevadas a una matriz de transición. El objetivo es

determinar el impacto de los volúmenes de retornos en la red logística inversa permitiendo como

en la investigación anterior, realizar un proceso de planeación en cuanto a recursos y capacidades

de operación. (Avila Cano & Cabarcas, 2011)

Una vez analizada esta investigación con parámetro de incertidumbre, pasamos a otras

investigaciones de modelos en la logística inversa en cadenas de suministro para la recuperación

de materiales, es el caso del modelo multi-objetivo no lineal mixto, presentados por tres

estudiantes cubanos quienes integran en el modelo varios objetivos económicos y ecológicos para

apoyar las decisiones estratégicas enfocadas a proceso de localización de instalaciones, diseño de

flujo en redes para el transporte de materiales y selección de medios de transporte. Este modelo

evalúa el impacto ambiental mediante un conjunto de indicadores los cuales son clave para la

toma de decisiones, como resultado de dicha investiga realizan una prueba piloto en una cadena

de suministro con varios tipos de plásticos (polietilenos Tereftalatos y polietilenos PEL).

(Cespon, Castro, & Rodriguez, 2016), Los elementos de la red se muestran a continuación en la

figura 11:

Fig. 11: Representación de la cadena de suministro para el reciclaje de materiales

Fuente: (Cespon, Castro, & Rodriguez, 2016)


2017

38

La función objetivo utilizada para dicha prueba se compone de tres objetivos fundamentales: La

satisfacción del cliente, la reducción de los costos de operación y la reducción del impacto

ambiental del Sistema. Como resultados el modelo no genera una solución óptima, sino un

conjunto de soluciones optimas que posteriormente son analizadas y construidas en lo que se

conoce como la frontera de paretto, o funciones paretto- Optimas.

Otras investigaciones de gran relevancia en logística inversa, encontramos la realizada también

por estudiantes cubanos quienes proponen una red logística hibrida caracterizada por el uso

combinado del almacenamiento del fabricante y del almacenamiento del distribuidor para los

flujos directos e inversos con el fin de satisfacer las demandas de los productos a través de

transporte y con el objetivo de recuperar los productos reciclables de los clientes. Esta con una

principal aplicación a cadenas de suministro de escalones múltiples. (Dondo & Mendez, 2016)

El esquema se logra evidenciar a continuación en la figura 12:

Fig. 12: A hybrid 3-echelon logistic network used on for integrated

forward and backwards distribution and recovery activities

Fuente: (Dondo & Mendez, 2016)

La solución del modelo genera el cálculo de los flujos que deben realizar los medios de transporte

en cada uno de los escalones de la red logística, teniendo en cuenta que en los primeros niveles se

encuentras aquellos vehículos que poseen mayor capacidad de carga por tener como origen los

centros de producción y los vehículos de menor capacidad que se encuentra en la distribución de

clientes. En razón a lo anterior debe existir un equilibrio entre los flujos directos e inversos para


2017

39

que la utilización de los medios de transporte se realice a nivel óptimo. (Dondo & Mendez,

2016).

Encontramos otros estudios de gran relevancia que describen aplicación de modelos de logística

inversa en cadenas de suministro como el publicado en el año 2016 titulado “Resolving forward-

reverse logistics multi-period model using evolutionary algorithms”. Este trabajo en sus dos

primeras partes hacen un preámbulo a la significación y contribución de la logística inversa en la

industria manufacturera y de los beneficios que trae con ella aplicar estrategias de sostenibilidad

para la recuperación de productos y reciclaje de elementos con la utilización de los flujos

inversos. En su tercera parte describe un importante modelo de logística de reversa el cual

corresponde a una modificación y extensión del problema de diseño de la red logística inversa

diseñado por EL-Sayed en el año 2010 y que corresponde a la integración del enrutamiento de

vehículos en una estructura de red modificada, y los flujos que contemplan los centros de

reciclaje y reparación.

El objetivo principal del modelo propuesto es maximizar los beneficios en un entorno de logística

inversa, considerando las restricciones de vehículos y minimizando los costos de transporte. A

continuación, la figura 13 describe el comportamiento de los flujos del modelo propuesto.

Fig. 13: Model Flow

Fuente: (Kumar, Brady, Garz, & Simpson, 2016)


2017

40

La solución del modelo utilizando técnicas combinatorias, podría ser una tarea bastante compleja,

por ello la investigación hace el uso de técnicas evolutivas NP-HARD para resolver el modelo.

Las técnicas empleadas son Sistema Inmune artificial (AIS) y la optimización de enjambre de

Partículas (PSO). La investigación al final concluye con una solución óptima y realiza un

comparativo entre las técnicas mencionadas con anterioridad con el fin de identificar la de mayor

desempeño y solución.

Actualmente en Colombia, existen investigaciones como la realizada por la universidad de los

Andes (Monroy & M, 2006), en las cuales se mide la percepción de la implementación de la

logística inversa en empresas colombianas y los principales motivos por los cuales las empresas

se motivan a implementar políticas de logística inversa actualmente. Como principales hallazgos

se evidencia que en Colombia los factores competitivos no son predominantes dentro de estas

motivaciones, como sí lo son en otras regiones del mundo de acuerdo a este estudio. De igual

modo en busca de las percepciones del ámbito de la logística inversa encontramos una

publicación realizada en el 2013 en la revisa de la universidad de la Salle en Colombia titulada:

“Importancia de la logística inversa para un desarrollo sostenible en Colombia” el cual

describe ampliamente cual es la visión de la logística y de las operaciones manufactureras en

Colombia para el año 2032, y como los procesos de internacionalización de la economía se

traduce en la necesidad de la implementación de una política nacional de productividad y

logística como instrumento de competitividad en el ámbito internacional.

En razón a lo anterior se da una mirada a la logística inversa como estratégica de competitividad

y la cual se analiza desde los conceptos de expertos como Krugman(2007), Chudnovsky (1990),

Klaus y Wolfan (1990), Porter (1992) entre otros y de la cual se establece como países Europeos,

China, Canadá y Estados unidos han adoptado estas políticas ambientales basadas en la logística

inversa, no solo por disposiciones legislativas si no por ver en ella una factor competitivo y una

exigencia de los consumidores. Las empresas que en los próximos años no adopten estas

estrategias para la preservación del medio ambiente están condenadas a desaparecer. (Cely, 2013)

Por ello empresas como la multinacional IBM de la cual hace parte la presente investigación, ha

relacionado dentro de sus competencias de cadena de suministro inteligente las estrategias de


2017

41

sostenibilidad ambiental, haciendo referencia a la desaparición de las cadenas de suministro que

en los próximos años si no adopten este tipo de estrategias. (Soto & Rovira, 2009)

Una vez analizado lo anterior se determina en dicha investigación que la logística inversa en

Colombia ha venido tomando fuerza gradualmente, sin embargo, a pesar de que existen algunas

compañías que se oponían a cumplir con las exigencias establecidas, han empezado a reconocer

las ventajas competitivas que se pueden derivar de su implementación. Una de las principales

estrategias que han venido adoptando las empresas en Colombia son la implementación de

normas como la ISO 14001 lo que ha permitido que integren los aspectos medio ambientales en

el sistema de gestión de calidad. Otras compañías han adoptado la estrategia de implementar un

sistema de logística inversa efectivo que dé respuesta al ámbito competitivo a y las exigencias del

nuevo mercado global (Cely, 2013)

De otra parte en el mismo recorrido encontramos investigaciones realizadas por la universidad

Militar Nueva Grada de Colombia, titulada: “análisis de la función inversa de la logística en el

proceso de distribución industrial en la línea de avicultura en SOLLAS.A.: recomendaciones

de mejoramiento” (Cifuentes & Moncada, 2012), donde se analiza principalmente las

condiciones actuales de la empresa SOLLA S.A para la implementación de un sistema de

logística inversa y de lo cual se propone un modelo de programación lineal en el cual se

gestionen los flujos directos e inversos de la cadena de suministro a la empresa, como ventaja

competitiva y mejoramiento al sistema logístico en general.

A continuación, en la figura 14, se puede evidenciar los flujos inversos de la cadena de

suministro SOLLA S.A y los cuales fueron objetos de estudio para el caso de aplicación.


2017

42

Fig. 14: Red inversa de productos de la línea de avicultura en Solla.

Fuente: (Cifuentes & Moncada, 2012)

Como conclusión general de la investigación, se logra determinar la integración de la política de

medio ambiente al sistema de costos de la cadena de suministro de la compañía SOLLA S.A y se

logra establecer un mecanismo lógico que permitirá la reducción de costes y el mejor

aprovechamiento de los recursos, los cuales corresponden a los principales objetivos que buscan

demostrar las investigaciones que hemos revisado en el estudio del estado del arte de la presente

investigación.

Otros estudios los vemos enfocados a la industria del plástico en Colombia, de donde parte un

estudio en el año 2015 titulado: “Reverse logistics in the plastics subsector: Main facilitators

and barriers” , el cual hace un recorrido en su primera parte sobre la importancia de la

incorporación de las estrategias sostenibles en industrias del mundo y describen como en la

actualidad existe sin fin de investigaciones que tienen mayor enfoque a los desechos electrónicos

y al uso de los recursos naturales. Esta investigación hace un énfasis especial en la industria del

plástico enfocado en la industria PYMES, que según ellos son empresas que están en proceso de

desarrollo y de las cuales hay mayor facilidad de incorporación de estrategias de sostenibilidad

ambiental a través de la logística inversa. Posteriormente a través de un proceso de indagación

mediante la aplicación de cuestionarios logran recopilar información que les permite determinar

cuáles son las barreras de entrada de la logística inversa para la incorporación de estrategias en la

industria colombiana y cuáles son las propuestas que de ellas se pueden derivar. Este estudio se


2017

43

concentra más en determinar el panorama actual de la cultura de sostenibilidad en el país. (Peña,

Osorio, Vidal, Torres, & Marmolejo, 2015)

En Colombia principalmente los estudios realizados acerca de la logística inversa en las cadenas

de suministros como se ha observado, hacen referencia a la caracterización del panorama actual

de esta temática en el país, motivaciones, barreras de entrada, desarrollo y la prospectiva para los

próximos años. Principalmente encontramos las siguientes:

“Inverse logistics a process with environmental and productivity impacts”, la cual busca

analizar la logística inversa desde un marco conceptual, de procesos y aplicaciones a nivel

nacional e internacional (Gomez, 2010), “Nuevos Beneficios de la logística inversa para

empresas europeas y colombianas” la cual realizan un recorrido por algunas empresas Europeas

en el marco del desarrollo y acoplamiento a la normativa medio ambiental y expone las

actividades de logística inversa a desarrollar enfocada al cumplimiento y al ámbito de

competitividad. A su vez este análisis incluye empresas colombianas que comienzan a incorporar

la logística inversa como una fuente de ventajas competitivas (Ramirez, 2007).

De acuerdo a los estudios analizados, se determina la necesidad de promover investigaciones que

permitan integrar este tipo de estrategias a las nuevas complejidades de las cadenas de suministro,

problemática que se está presentando actualmente dentro de los factores de competencia de las

cadenas de suministro y que es determinante dentro de la prospectiva de la logística globalizada.

De acuerdo a la revisión del estado del arte podemos determinar que a nivel mundial se han

realizado algunas investigaciones de gran valor y se han generado algunas propuestas de modelos

de logística inversa que se constituyen como factor de competitividad en las empresas, en

Colombia los estudios se constituyen en mayor cantidad a nivel perceptivo y de panorama

general, lo que deja la puerta abierta a que se puedan constituir propuestas más específicas en el

marco de aplicación como se pretende en el presente proyecto de grado.


2017

44

Parte II: Estrategia de Integración

2 Estrategia de Integración

2.1 Estrategia de Integración de las CSI

La estrategia de integración de la política de logística inversa se plantea de la siguiente manera en

cada uno de los eslabones de la cadena de suministro:

Nodos Origen (Proveedores / Centros de producción): En los cuales se concentra la

manufactura de productos y/o suministro de productos o insumos si se identifican como

proveedores, en el cual se hace uso de materiales para empaque de productos que posteriormente

saldrán a distribución. Los centros de producción y/o proveedores, en el instante que la red

logística actúa en sentido inverso, es transformado en centros de consumo de materiales

recuperados o proveedores, con quienes se acuerdan una política de retorno de materiales re-

utilizables con el ánimo de buscar un descuento / ahorro en las compras. En el modelo se

evidencia con los indicadores PP1... ∀ 𝒊 = 𝟏, 𝟐, 𝟑 … . 𝒏 en flujo directo y PPP1 ∀ 𝒂 =

𝟏, 𝟐, 𝟑 … . 𝒑 en flujo inverso.

Nodos Destino (Centros de consumos): Hacen parte de los puntos donde se concentrará como

punto final cada uno de los productos / Insumos distribuidos a través de la red logística. Los

centros de consumo en el instante que la red logística actúa en sentido inverso, es transformado

en Nodos Origen que ofertan materiales recuperados. En el modelo se evidencia con los

indicadores CCC1 ∀ 𝒘 = 𝟏, 𝟐, 𝟑 … . 𝒎 en flujo directo y C1 ∀ 𝒕 = 𝟏, 𝟐, 𝟑 … . 𝒘 en flujo

inverso.

Estación Cross Docking / Centro de Acopio: Hace parte de la red logística donde se

concentrarán los flujos directos e inversos de productos e insumos y que a su vez concentrara el

corazón de la estrategia de clasificación tanto de productos, como de materiales recuperados que

retornarán a los Nodos origen. (Centros de consumo en Logística inversa). El modelo propuesto

estima la posibilidad de crear más de una (1) estación Cross Docking, y los cuales conservan una

capacidad de procesamiento, por lo cual estiman una oferta y una demanda de materiales/


2017

45

productos. En el modelo se evidencia con los indicadores CC1 ∀ 𝒋 = 𝟏, 𝟐, 𝟑 … . 𝒈 en flujo

directo y H1 ∀ 𝒒 = 𝟏, 𝟐, 𝟑 … . 𝒐 en flujo inverso

Demanda: En el modelo propuesto, el factor demanda se puede evidenciar desde los nodos

origen, nodos destino y centro Cross Docking. Lo anterior hace parte de la teoría de flujos que se

propone, en donde se debe cumplir con los volúmenes (en las unidades definidas) en el plan de

transporte directo o inverso.

A continuación, se describen os tipos de demanda estructurados en los parámetros del modelo:

Demanda en CD (Centro Cross Docking)

𝒅𝒓(𝒋) = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑑𝑒 𝐼𝑛𝑠𝑢𝑚𝑜𝑠 𝑒𝑛 𝑘𝑔 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑎𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "j"

𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑐𝑎𝑟𝑔𝑎.

𝒅𝒓𝒊𝒏𝒗(𝒒) = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑒𝑛 𝐾𝑔 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑎𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "q"

𝑒𝑛 𝑓𝑙𝑢𝑗𝑜 𝑖𝑛𝑣𝑒𝑟𝑠𝑜 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑐𝑎𝑟𝑔𝑎

La demanda 𝒅𝒓(𝒋) garantizará que los flujos en los medios de transporte ingresen al centro Cross

Docking donde se realizará el proceso de consolidación y des-consolidación, para el posterior re-

embarque a los nodos destino. La demanda 𝒅𝒓𝒊𝒏𝒗(𝒒) garantiza la misma operación en flujo

inverso.

Demanda en Nodos destino / Origen

𝒅𝒓𝒓(𝒘) = 𝐾𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑑𝑒𝑚𝑎𝑛𝑑𝑎𝑑𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑜𝑠 𝑁𝑜𝑑𝑜𝑠 𝐷𝑒𝑠𝑡𝑖𝑛𝑜"𝑤"

𝒅𝒓𝒓𝒊𝒏𝒗(𝒂) = 𝐾𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑑𝑒𝑚𝑎𝑛𝑑𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 "a"

𝑝𝑎𝑟𝑎 𝑠𝑢 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛.

La demanda 𝒅𝒓𝒓(𝒘) corresponden a la demanda de insumos / proveedores que se debe suplir en

nodo destino en flujo directo, tomando como nodo origen el centro Cross Dockig “j”. La

demanda, 𝒅𝒓𝒊𝒏𝒗(𝒂) garantiza la misma operación en flujo inverso

Oferta: En el modelo propuesto, el factor oferta se puede evidenciar desde los nodos origen,

nodos destino y centro Cross Docking. Lo anterior hace parte de la teoría de flujos que se


2017

46

propone, en donde se debe cumplir con los volúmenes (en las unidades definidas) en el plan de

transporte directo o inverso.

Los tipos de oferta que encontramos estructurados en los parámetros del modelo son:

Oferta en CD (Centro Cross Docking)

𝒐𝒇(𝒋) = 𝑂𝑓𝑒𝑟𝑡𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑒𝑛 𝐾𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜𝑠 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠 𝑒𝑛 𝐶𝐷 j𝑝𝑎𝑟𝑎 𝑠𝑢𝑝𝑙𝑖𝑟 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 "𝑤"

𝒐𝒇𝒊𝒏𝒗(𝒒) = 𝑂𝑓𝑒𝑟𝑡𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑒𝑛 𝑘𝑔 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠 𝑒𝑛 𝐶𝐷 "q" 𝑝𝑎𝑟𝑎 𝑟𝑒𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑟 𝑎 𝑙𝑜𝑠 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟𝑒𝑠"𝑎"𝑝𝑎𝑟𝑎 𝑠𝑢 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛 𝐹𝑙𝑢𝑗𝑜 𝐼𝑛𝑣𝑒𝑟𝑠𝑜

La oferta 𝒐𝒇(𝒋) garantizara que los flujos en los medios de transporte salgan del centro Cross

Docking de acuerdo a la capacidad del mismo para el procesamiento, consolidación y des-

consolidación para el posterior re-embarque a los nodos destino “w”. La oferta 𝒐𝒇𝒊𝒏𝒗(𝒒)

garantiza la misma operación en flujo inverso.

Oferta en Nodos destino / Origen

𝑪𝑶(𝒊) = 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑜𝑓𝑒𝑟𝑡𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 "𝑖"

𝑪𝑶𝒊𝒏𝒗(𝒕) = 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑜𝑓𝑒𝑟𝑡𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑡𝑖𝑛𝑜𝑠 (𝑡) 𝑒𝑛 𝑓𝑙𝑢𝑗𝑜 𝑖𝑛𝑣𝑒𝑟𝑠𝑜

La oferta 𝑪𝑶(𝒊) representa la capacidad de los nodos orígenes (Centros de producción y/o

Proveedores y que mediante los medios de transporte transportan las unidades demandadas al

centro cross docking de acuerdo al proceso de optimización que genera un plan de cantidades a

transportar a mínimo costo. La oferta 𝑪𝑶𝒊𝒏𝒗(𝒕) garantiza la misma operación en flujo inverso.

Medios de transporte: son aquellos que hacen posible la ejecución de la estrategia y que

obtendrán el mejor aprovechamiento en el modelo de integración. La utilización de la capacidad

disponible de los medios de transporte en flujo inverso para el transporte de materiales

recuperados de los centros de consumo que posteriormente viajan hacia la plataforma Cross


2017

47

Docking para su clasificación y que posteriormente viajan hacia los centros de producción/

Proveedores para su re-utilización, son considerados como la estrategia competitiva que permitirá

hacer frente a los desafíos de sostenibilidad propuestos en el proyecto de investigación. En el

modelo se evidencia con los indicadores MT ∀ 𝒌 = 𝟏, 𝟐, 𝟑 … . 𝒍, tanto en flujo directo como

flujo inverso.

Parámetros asociados a los Medios de transporte

𝑪𝒄𝒌 = 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑔𝑎 𝑑𝑒𝑙 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑡𝑖𝑝𝑜 𝑘

𝑼𝒌 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑝𝑟𝑒𝑝𝑎𝑟𝑎𝑐𝑖𝑜𝑛 𝑦 𝑎𝑙𝑖𝑠𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑢𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑡𝑖𝑝𝑜 𝑘

𝑪𝒖𝒅𝒌 = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑑𝑒𝑙 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑡𝑖𝑝𝑜 𝑘

𝑪𝒅𝒌 = 𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠 𝑑𝑒𝑙 𝑡𝑖𝑝𝑜 𝑘

𝑵𝒎𝒂𝒙𝑲 = 𝑁𝑢𝑚𝑒𝑟𝑜 𝑚𝑎𝑥𝑖𝑚𝑜 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑢𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑡𝑖𝑝𝑜 𝑘

El modelo contempla parámetros de medios de transporte asociados a la capacidad y

disponibilidad de los mismos, para generar el plan de viajes tanto en flujo directo como en flujo

inverso.

El parámetro 𝑪𝒄𝒌, principalmente permite al modelo reconocer la capacidad de carga de cada

uno de los medios de transporte disponibles para la distribución. El parámetro 𝑼𝒌 , permite

asociar costos de preparación y alistamiento de medio de transporte los cuales son característicos

de un modelo logístico donde se contemplen actividades de consolidación y des-consolidación en

centros Cross Docking. El parámetro 𝑪𝒖𝒅𝒌 permite asociar el costo por unidad de distancia del

vehículo, teniendo en cuenta los recorridos en el plan de transporte y costos asociados a él

(Combustible, Peajes, mantenimiento etc.), es necesario determinar un costo promedio por unidad

de distancia a recorrer para que el modelo lo pueda reconocer. Finalmente, el parámetro 𝑪𝒅𝒌,

corresponde a la cantidad de vehículos que se tienen disponibles por cada tipo y 𝑵𝒎𝒂𝒙𝒌 que

corresponde a la cantidad máxima de viajes posibles a realizar.


2017

48

Parámetros de costo

Los parámetros de costos, se construyen a través ya establecidos, tanto de demanda, oferta y

medios de transporte. Estos parámetros permiten calcular costos totales asociados al plan de

viajes y de acuerdo a un proceso iterativo, generar el mejor resultado (costo mínimo)

En los parámetros de costos del modelo, encontramos los siguientes:

𝑪(𝒊) = 𝐶𝑜𝑠𝑡𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 𝑝𝑜𝑟 𝐾𝑖𝑜𝑔𝑟𝑎𝑚𝑜𝑠 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 "𝑖"

Este costo es determinado por el proveedor de insumos y productos o puede estar asociado al

costo de producción, se asociamos los nodos orígenes como centros de producción. En el caso de

los proveedores, es habitual dentro del costos unitarios integrar el costo del proveedor más el

costo de distribución unitario, en el cual este último puede estar dado por kilogramo, unidades o

por kilómetro recorrido.

Para el cálculo de los siguientes parámetros necesarios como entradas del modelo logístico se

debe tener en cuenta la siguiente relación:

Ec. para el cálculo del costo de Viaje

(1)

𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑉𝑖𝑎𝑗𝑒 = 𝑈(𝑘) + 𝐶𝑢𝑑𝑘 + 𝑑(𝑥, 𝑦)

Fuente: Clase Maestría Ing. Industrial – Profesor Msc, Cesar A. López3

Lo anterior teniendo en cuenta lo definido en los parámetros (10), (11) y donde:

𝑑(𝑥, 𝑦) [𝑥1, 𝑦1 𝑥1, 𝑦2𝑥2, 𝑦1 𝑥2, 𝑦2

]

Que corresponde directamente a la distancia a recorrer entre nodos orígenes y nodos destinos en

los medios de transporte.

Teniendo en cuenta lo anterior como entradas del modelo, se definen los siguientes:

𝑪𝑽(𝒊, 𝒋, 𝒌) = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑣𝑖𝑎𝑗𝑒 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 𝑖 ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑎𝑐𝑜𝑝𝑖𝑜 𝑗

3 Clase Maestria Investigación de Operación para la logística – Profesos Cesar A Lopez, Taller 5 y 6.


2017

49

𝑒𝑛 𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 𝑘

𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑉𝑖𝑎𝑗𝑒 𝐶𝑉(𝑖, 𝑗, 𝑘) = 𝑈(𝑘) + 𝐶𝑢𝑑𝑘 + 𝑑(𝑖, 𝑗)

𝑪𝑽𝑽(𝒋, 𝒘, 𝒌) = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑣𝑖𝑎𝑗𝑒 𝑑𝑒𝑠𝑑𝑒 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑎𝑐𝑜𝑝𝑖𝑜 jℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 w


𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑉𝑖𝑎𝑗𝑒 𝐶𝑉𝑉(𝑗, 𝑤, 𝑘) = 𝑈(𝑘) + 𝐶𝑢𝑑𝑘 + 𝑑(𝑗, 𝑤)

𝑪𝑽𝒊𝒏𝒗(𝒕, 𝒒, 𝒌) = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑣𝑖𝑎𝑗𝑒 𝑑𝑒𝑠𝑑𝑒 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑜𝑟𝑖𝑔𝑒𝑛𝑒𝑠 tℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑎𝑐𝑜𝑝𝑖𝑜 q

𝑒𝑛 𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 𝑘 𝑒𝑛 𝐹𝑙𝑢𝑗𝑜 𝐼𝑛𝑣𝑒𝑟𝑠𝑜

𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑉𝑖𝑎𝑗𝑒 𝐶𝑉𝑖𝑛𝑣(𝑡, 𝑞, 𝑘) = 𝑈(𝑘) + 𝐶𝑢𝑑𝑘 + 𝑑(𝑡, 𝑞)

𝑪𝑽𝑽𝒊𝒏𝒗(𝒒, 𝒂, 𝒌) = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑣𝑖𝑎𝑗𝑒 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑎𝑐𝑜𝑝𝑖𝑜 qℎ𝑎𝑠𝑡𝑎 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 a

𝑒𝑛 𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟 𝑘 𝑒𝑛 𝐹𝑙𝑢𝑗𝑜 𝑖𝑛𝑣𝑒𝑟𝑠𝑜

𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑉𝑖𝑎𝑗𝑒 𝐶𝑉𝑉𝑖𝑛𝑣(𝑞, 𝑎, 𝑘) = 𝑈(𝑘) + 𝐶𝑢𝑑𝑘 + 𝑑(𝑞, 𝑎)

Parámetro de Ahorro

El parámetro de ahorro, corresponde principalmente al ahorro unitario que se obtendrá por cada

unidad (Kilogramos, Cantidad de unidades etc.) de insumo o producto que se recupere y que se

logre distribuir en flujo inverso a su origen inicial. En los casos en los cuales los nodos orígenes

corresponden a proveedores, es necesario pactar cual es la política (porcentaje de recuperación)

admitida y que se evidencia como un reconocimiento al costo inicial. Este ahorro debe estar

identificado como valor unitario y en la ecuación objetivo se logrará evidenciar como una

diferencia entre el costo inicial unitario 𝑪(𝒊) y el parámetro de ahorro que se identifica:

𝑨𝑯𝑶𝑹𝑹𝑶(𝒕) = 𝑉𝑎𝑙𝑜𝑟 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 𝑑𝑒𝑙 𝐴ℎ𝑜𝑟𝑟𝑜 𝑝𝑜𝑟 𝐾𝑖𝑙𝑜𝑔𝑟𝑎𝑚𝑜 𝑑𝑒 𝐼𝑛𝑠𝑢𝑚𝑜

𝑅𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜 "𝑡" 𝑃𝐴𝑅𝐴𝑀𝐸𝑇𝑅𝑂 𝐷𝐸 𝐴𝐻𝑂𝑅𝑅𝑂.

A continuación, la figura 9, permite visualizar cada uno de los componentes del modelo teórico

tanto para flujo directos como para flujo inverso.

2.2 Esquema de Flujos Directos e Inversos de la estrategia de la CSI.

Fig. 15: Estrategia de Integración en SCMI.

Fuente: Autor

OFERTA co(i) of(j) OFERTA ofeinv(q) Coinv(t)

DEMANDA Dr(j) drr(w) DEMANDA drrinv(a) drinv(q)

i = 1,2,3….n w=1,2,3…m t=1,2,3…v

a = 1,2,3….p

j= 1,2,3…g q= 1,2,3…o

MT MT MT MT

k=1,2,3..l k=1,2,3..l

k=1,2,3..l k=1,2,3..l

VARIABLES VARIABLES VARIABLES VARIABLES

X (i,j,k) y (j,w,k) Xinv (q,a,k) yinv (t,q,k)

V (i,j,k) VV (j,w,k) Vinv (q,a,k) VVinv (t,q,k)

PP1….n Corresponde a los nodos que abastecedores en flujo directo C1….v

CC1…g Centro de acopio que consolida y re-distribuye hacia nodos destino H1…o Centro de acopio que consolida y re-distribuye hacia nodos destino, en Flujo Inverso

CCC1..w Nodos destinos, los cuales demandan material de nodos abastecedores PPP1..p

MT1…K Tipos de Medio de transporte MT1…K Tipos de Medio de transporte

X (i,j,k) Variables de cantidad en flujo directo Xinv (q,a,k) Variables de cantidad en flujo Inverso de CA a nodos destino

V (i,j,k) Variables de Cantidad de Viajes a programar en Flujo Directo Vinv (q,a,k) Variables de Cantidad de Viajes a programar en Flujo inverso de CA a nodos destino

y (j,w,k) Variables de cantidad en flujo Directo de CA a nodos destino yinv (t,q,k) Variables de cantidad en flujo Inverso de nodos origen a CA

VV (j,w,k) Variables de Cantidad de Viajes a programar en Flujo directo de CA a nodos destino VVinv (t,q,k) Variables de Cantidad de Viajes a programar en Flujo inverso de Nodos origen a CA

MODELO TEORICO FLUJO DIRECTO MODELO TEORICO FLUJO INVERSO

Corresponde a los nodos que abastecedores en flujo Invero. ( Nodos recuperadores de Materiales)

Nodos destinos, los cuales demandan material de nodos abastecedores de Material recuperado en

flujo inverso

PP1

PP2

PP3

CC1

CCC1

CCC2

CCC3

CCC4

CCC5

CCC6

PPP1

PPP2

PPP3

H1

C1

C2

C3

C4

C5

C6

Una vez visualizado el modelo propuesto que incluye la integración de la política de logística

inversa, se logra evidenciar los componentes de cada parte del modelo lógico de acuerdo a cada

uno de los flujos (Directo e inverso), los cuales se describen a continuación:

Modelo Teórico Flujo Directo

Comprende los flujos directos del modelo de cadena de suministro, en él se contemplan las

variables de viaje y cantidades a transportar en cada uno de los trayectos del flujo (Desde los

nodos origen o centros de producción hasta el nodo centro Cross Docking y desde el nodo centro

Cross Docking hasta los nodos destino o centros de consumo). Se puede también evidenciar los

parámetros de oferta de los nodos origen o centros de producción, los parámetros de oferta y

demanda del nodo centro Cross Docking y los parámetros de demanda de los nodos destino o

centros de consumo. La cantidad de nodos en cada punto del modelo (Nodos Origen, Nodo Cross

Docking, Nodos destino) puede variar (Incrementar o disminuir) de acuerdo a la realidad de la

cadena de suministro donde se realice el proceso de optimización.

Los nodos origen (PP1, PP2, PP3,…., PPn) para efectos de aplicación corresponden a centros de

producción (Insumos o productos) que pueden estar distribuidos en diferentes zonas o regiones,

Tipos de proveedores (Insumos o productos) que también pueden estar distribuidos

geográficamente o centros de almacenamiento desde donde se planee realiza el proceso de

suministro a través de toda la cadena logística.

Los nodos Cross Docking (CC1,…., CCg), corresponde a los centros donde se realiza el acopio

del material proveniente de los nodos destino y que en flujo directo sirve como centro de

clasificación, des-consolidación y consolidación de carga (Insumos, Productos), para un posterior

re-embarque a medios de transporte que trasladaran hasta los nodos finales o centros de consumo.

Los nodos destino (CCC1, CCC2, CCC3,….., CCCm), corresponde a los centros o lugares de

consumo. Para efectos de aplicación puede corresponder a tiendas mayoristas, puntos de venta,

centros de almacenamiento con atención al público, etc.).

Los medios de transporte (MT1, MT2,…, MTl), pueden ser configurados de varios tipos de

acuerdo a su capacidad de carga. El modelo posterior al proceso de optimización definirá los

tipos a de vehículo a emplear en cada uno de los flujos).


2017

52

Modelo Teórico Flujo Inverso

Comprende los flujos inversos del modelo de cadena de suministro, en él se contemplan de igual

modo las variables de viaje y cantidades a transportar en cada uno de los trayectos del flujo. En

este caso los nodos orígenes del Modelo teórico flujo directo, se configuran como nodos destinos.

Lo mismo sucede con los nodos destino del modelo teórico flujo directo, que en este caso se

configuran como nodos origen. El centro Cross Docking se mantiene como centro de acopio,

pero con una descripción de actividades distinta a la que se da en flujo directo

Una vez se establece la configuración anterior, se establecen de igual modo como en el modelo

teórico de flujo directo los parámetros de oferta de los nuevos nodos origen o centros de

recepción de material recuperado, los parámetros de oferta y demanda del nodo centro Cross

Docking flujo inverso y los parámetros de demanda de los nodos destino que en la realidad

corresponden a los mismos centros de producción que ahora demandan material recuperado. La

cantidad de nodos en cada punto del modelo (Nodos Origen, Nodo Cross Docking, Nodos

destino) puede variar (Incrementar o disminuir) de acuerdo a la realidad de la cadena de

suministro donde se realice el proceso de optimización. Incluso el modelo permite en el proceso

de optimización que la cantidad de nodos pueda ser distinta entre el modelo de flujo directos y el

modelo de flujo inverso, entendiendo que los centros de recuperación de material, o los

demandantes de material recuperado podrían ser diversos y que su incremento podría beneficiar

el parámetro de ahorro del modelo.

Los nodos origen (C1, C2, C3,…., Cv) para efectos de aplicación corresponden a centros donde

es posible realizar la recepción y consolidación de material recuperado. Generalmente comprende

a los mismos centros de consumo del modelo teórico directo y que adaptan mecanismos para la

recepción de estos materiales, como puntos ecológicos donde el consumidor final puede hacer

llegar estos elementos y podría ser beneficiado de acuerdo con alguna campaña de

concientización ambiental establecida.


2017

53

Los nodos Cross Docking se configuran en flujo inverso (H1,…., Ho), corresponde a los centros

donde se realiza el acopio del material recuperado proveniente de los nodos destino y que en flujo

inverso sirve como centro de reciclaje, clasificación, des-consolidación y consolidación de

material recuperado, para un posterior re-embarque a medios de transporte que trasladaran hasta

los nodos finales o centros de consumo. El papel del centro Cross Docking en flujo inverso es

vital, teniendo en cuenta que sirve como lugar donde se puede seleccionar los materiales que son

recuperables y reutilizables, con el fin de no transportar materiales a los nodos destino que no se

podrá re-incorporar a la cadena de suministro.

Los nodos destino se configuran (PP1, PP2, PP3,….., PPp), corresponde a los centros o lugares

donde se recibe el material recuperado de acuerdo a demanda para su posterior tratamiento y re-

incorporación a la cadena de suministro. Generalmente corresponde a los centros de producción

del modelo teórico directo que son a quienes interesa recibir estos materiales.

Los medios de transporte (MT1, MT2,…, MTl), mantienen la misma configuración del modelo

teórico flujo directo.

2.3 Definición del Modelo Teórico.

2.3.1 Criterio del Modelo

Minimizar los costos asociados al plan de distribución en la cadena de suministro inteligente

mediante el centro Cross Docking, determinando las cantidades óptimas a transportar en los

medios de transporte en flujo directo y flujo inverso.

2.3.2 Parámetros

A continuación se listan los 19 parámetros ya definidos en el apartado anterior y que deben ser

configurados dentro del modelo teórico:

(𝟏) 𝒅𝒓(𝒋) = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑑𝑒 𝐼𝑛𝑠𝑢𝑚𝑜𝑠 𝑒𝑛 𝑘𝑔 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑎𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "j"

𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑐𝑎𝑟𝑔𝑎

(𝟐) 𝒅𝒓𝒊𝒏𝒗(𝒒) =𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑒𝑛 𝐾𝑔 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑎𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 “q” 𝑒𝑛 𝑓𝑙𝑢𝑗𝑜 𝑖𝑛𝑣𝑒𝑟𝑠𝑜 𝑝𝑎𝑟𝑎

𝑝𝑟𝑜𝑐𝑒𝑠𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑐𝑎𝑟𝑔𝑎

(𝟑) 𝒅𝒓𝒓(𝒘) = 𝐾𝐺 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑑𝑒𝑚𝑎𝑛𝑑𝑎𝑑𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑜𝑠 𝑁𝑜𝑑𝑜𝑠 𝐷𝑒𝑠𝑡𝑖𝑛𝑜w


2017

54

(𝟒) 𝒅𝒓𝒓𝒊𝒏𝒗(𝒂)= 𝐾𝐺 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑑𝑒𝑚𝑎𝑛𝑑𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 "a" p𝑎𝑟𝑎 𝑠𝑢 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛. (𝟓) 𝒐𝒇(𝒋)= 𝑂𝑓𝑒𝑟𝑡𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑒𝑛 𝐾𝐺 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠 𝑒𝑛 𝐶𝐷 "j" 𝑝𝑎𝑟𝑎 𝑠𝑢𝑝𝑙𝑖𝑟 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 "w"

(𝟔) 𝒐𝒇𝒊𝒏𝒗(𝒒) = 𝑂𝑓𝑒𝑟𝑡𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑒𝑛 𝑘𝑔 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠 𝑒𝑛 𝐶𝐷 "q" 𝑝𝑎𝑟𝑎 𝑟𝑒𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑟 𝑎 𝑙𝑜𝑠 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟𝑒𝑠"𝑎"𝑝𝑎𝑟𝑎 𝑠𝑢 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛 𝐹𝑙𝑢𝑗𝑜 𝐼𝑛𝑣𝑒𝑟𝑠𝑜

(𝟕) 𝑪𝑶(𝒊) = 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑜𝑓𝑒𝑟𝑡𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 "𝑖"

(𝟖) 𝑪𝑶𝒊𝒏𝒗(𝒕) = 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑜𝑓𝑒𝑟𝑡𝑎 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑡𝑖𝑛𝑜𝑠 "𝑡"

𝑒𝑛 𝑓𝑙𝑢𝑗𝑜 𝑖𝑛𝑣𝑒𝑟𝑠𝑜

(𝟗) 𝑪𝒄𝒌 = 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑔𝑎 𝑑𝑒𝑙 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑡𝑖𝑝𝑜 "𝑘"

(𝟏𝟎) 𝑼𝒌 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑝𝑟𝑒𝑝𝑎𝑟𝑎𝑐𝑖𝑜𝑛 𝑦 𝑎𝑙𝑖𝑠𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑢𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑡𝑖𝑝𝑜 "𝑘"

(𝟏𝟏) 𝑪𝒖𝒅𝒌 = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑑𝑒𝑙 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑡𝑖𝑝𝑜 "𝑘"

(𝟏𝟐) 𝑪𝒅𝒌 = 𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠 𝑑𝑒𝑙 𝑡𝑖𝑝𝑜 "𝑘"

(𝟏𝟑) 𝑵𝒎𝒂𝒙𝑲 = 𝑁𝑢𝑚𝑒𝑟𝑜 𝑚𝑎𝑥𝑖𝑚𝑜 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑢𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑡𝑖𝑝𝑜 "𝑘"

(𝟏𝟒) 𝑪(𝒊) = 𝐶𝑜𝑠𝑡𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 𝑝𝑜𝑟 𝐾𝑖𝑜𝑔𝑟𝑎𝑚𝑜𝑠 𝑑𝑒 𝑖𝑛𝑠𝑢𝑚𝑜𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 "𝑖"

(𝟏𝟓) 𝑪𝑽(𝒊, 𝒋, 𝒌) = 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑣𝑖𝑎𝑗𝑒 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 "𝑖" ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑎𝑐𝑜𝑝𝑖𝑜 "𝑗"

𝑒𝑛 𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 "𝑘"

(𝟏𝟔) 𝑪𝑽𝑽(𝒋, 𝒘, 𝒌)

= 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑣𝑖𝑎𝑗𝑒 𝑑𝑒𝑠𝑑𝑒 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑎𝑐𝑜𝑝𝑖𝑜 "j" ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 "w"


(𝟏𝟕) 𝑪𝑽𝒊𝒏𝒗(𝒕, 𝒒, 𝒌)= 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑣𝑖𝑎𝑗𝑒 𝑑𝑒𝑠𝑑𝑒 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑜𝑟𝑖𝑔𝑒𝑛𝑒𝑠 "t" ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑎𝑐𝑜𝑝𝑖𝑜 "q"

𝑒𝑛 𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 "𝑘" 𝑒𝑛 𝐹𝑙𝑢𝑗𝑜 𝐼𝑛𝑣𝑒𝑟𝑠𝑜

(𝟏𝟖) 𝑪𝑽𝑽𝒊𝒏𝒗(𝒒, 𝒂, 𝒌)= 𝐶𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 𝑣𝑖𝑎𝑗𝑒 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑎𝑐𝑜𝑝𝑖𝑜 "q" ℎ𝑎𝑠𝑡𝑎 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 "a"

(𝟏𝟗) 𝑨𝑯𝑶𝑹𝑹𝑶(𝒕) = 𝑉𝑎𝑙𝑜𝑟 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜 𝑑𝑒𝑙 𝐴ℎ𝑜𝑟𝑟𝑜 𝑝𝑜𝑟 𝐾𝑔 𝑑𝑒 𝐼𝑛𝑠𝑢𝑚𝑜 𝑅𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜 "t"

𝑃𝐴𝑅𝐴𝑀𝐸𝑇𝑅𝑂 𝐷𝐸 𝐴𝐻𝑂𝑅𝑅𝑂.


2017

55

2.3.3 Conjuntos Referenciales

A continuación, se listan los conjuntos referenciales que identifican cada uno de los eslabones de

la cadena de suministro tanto en flujo directos como en flujo inverso.

Flujo Directo

𝒊 = 𝐼𝑛𝑑𝑖𝑐𝑒 𝑞𝑢𝑒 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎 𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 𝑜 𝐶𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖𝑜𝑛 (𝑁𝑜𝑑𝑜 𝑂𝑟𝑖𝑔𝑒𝑛)

∀ 𝑖 = 1,2 … . . 𝑛

𝒋 = 𝐼𝑛𝑑𝑖𝑐𝑒 𝑞𝑢𝑒 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎 𝑒𝑙 𝐶𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 (𝐶𝑒𝑛𝑡𝑟𝑜 𝐶𝑟𝑜𝑠𝑠 𝐷𝑜𝑐𝑘𝑖𝑛𝑔) ∀ 𝑗 = 1,2 … . . 𝑔

𝒘 = 𝐼𝑛𝑑𝑖𝑐𝑒 𝑞𝑢𝑒 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎 𝑒𝑙 𝐶𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑜 (𝑁𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜) ∀ 𝑤 = 1,2 … . . 𝑚

𝒌 = 𝐼𝑛𝑑𝑖𝑐𝑒 𝑞𝑢𝑒 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎 𝑒𝑙 𝑇𝑖𝑝𝑜 𝑑𝑒 𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜 ∀ 𝑘 = 1,2 … . . 𝑙 Flujo Inverso

𝒂 = 𝐼𝑛𝑑𝑖𝑐𝑒 𝑞𝑢𝑒 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑜 ( 𝑁𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 𝑒𝑛 𝐹𝑙𝑢𝑗𝑜 𝐼𝑛𝑣𝑒𝑟𝑠𝑜) ∀ 𝑎 = 1,2 … . . 𝑝

𝒒 = 𝐼𝑛𝑑𝑖𝑐𝑒 𝑞𝑢𝑒 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎 𝑒𝑙 𝐶𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 (𝐶𝑒𝑛𝑡𝑟𝑜 𝐶𝑟𝑜𝑠𝑠 𝐷𝑜𝑐𝑘𝑖𝑛𝑔 𝑒𝑛 𝑓𝑙𝑢𝑗𝑜 𝑖𝑛𝑣𝑒𝑟𝑠𝑜) ∀ 𝑞 = 1,2 … . . 𝑜

𝒕 = 𝐼𝑛𝑑𝑖𝑐𝑒 𝑞𝑢𝑒 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎 𝑒𝑙 𝐶𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑀𝑎𝑡𝑒𝑟𝑖𝑎𝑙 (𝑁𝑜𝑑𝑜 𝑜𝑟𝑖𝑔𝑒𝑛) ∀ 𝑡 = 1,2 … . . 𝑚

𝒌 = 𝐼𝑛𝑑𝑖𝑐𝑒 𝑞𝑢𝑒 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎 𝑒𝑙 𝑇𝑖𝑝𝑜 𝑑𝑒 𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜 ∀ 𝑘 = 1,2 … . . 𝑙


2017

56

2.3.4 Variables de decisión del modelo teórico

2.3.4.1 Variables de Cantidades a Transportar

Flujo Directo:

𝑿(𝒊, 𝒋, 𝒌): 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑜𝑟𝑖𝑔𝑒𝑛 "i" ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "j"


Esta variable de decisión una vez realizado el proceso de optimización, nos permitirá definir

el plan de cantidades a transportar en el primer trayecto del flujo directo desde cada nodo

origen al centro Cross Docking, y la cual está ligada a las restricciones de capacidad de

medios de transporte.

𝒀(𝒋, 𝒘, 𝒌): 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "j" ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜"w"

𝑒𝑛 𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 "k"


el plan de cantidades a transportar en el segundo trayecto del flujo directo desde cada nodo

centro Cross Docking a los nodos destinos y la cual está ligada a las restricciones de

capacidad de medios de transporte.

Flujo Inverso:

𝑿𝒊𝒏𝒗(𝒕, 𝒒, 𝒌): 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑜𝑟𝑖𝑔𝑒𝑛 t ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "q"



el plan de cantidades a transportar en el primer trayecto del flujo inverso desde cada nodo

origen al centro Cross Docking, y la cual está ligada a las restricciones de capacidad de

medios de transporte.

𝒀𝒊𝒏𝒗(𝒒, 𝒂, 𝒌): 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "q" ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜"a"


2017

57

𝑒𝑛 𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 "k"


el plan de cantidades a transportar en el segundo trayecto del flujo inverso desde cada nodo

centro Cross Docking a los nodos destinos y la cual está ligada a las restricciones de

capacidad de medios de transporte.

2.3.4.2 Variables de Viajes a Programar

Flujo Directo:

𝑽(𝒊, 𝒋, 𝒌): 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑜𝑟𝑖𝑔𝑒𝑛 i ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "j"


Esta variable nos permitirá conocer el plan de transporte a programar en el primer trayecto del

flujo directo una vez realizado el proceso de optimización, desde los nodos origen hasta el

centro Cross Docking. De acuerdo a las restricciones del modelo, tiene en cuenta la cantidad

de medios de transporte incluidos, la capacidad de carga y la cantidad posible de números de

viajes a programar de cada uno.

𝑽𝑽(𝒋, 𝒘, 𝒌): 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "j" ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜"w"

𝑒𝑛 𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 k

Esta variable nos permitirá conocer el plan de transporte a programar en el segundo trayecto

del flujo directo una vez realizado el proceso de optimización, desde el nodo centro Cross

Docking hasta el nodo destino. De acuerdo a las restricciones del modelo, tiene en cuenta la

cantidad de medios de transporte incluidos, la capacidad de carga y la cantidad posible de

números de viajes a programar de cada uno.


2017

58

Flujo Inverso:

𝑽𝒊𝒏𝒗(𝒕, 𝒒, 𝒌): 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑜𝑟𝑖𝑔𝑒𝑛 t ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "q"


Esta variable nos permitirá conocer el plan de transporte a programar en el primer trayecto del

flujo inverso una vez realizado el proceso de optimización, desde los nodos origen hasta el

centro Cross Docking. De acuerdo a las restricciones del modelo, tiene en cuenta la cantidad

de medios de transporte incluidos, la capacidad de carga y la cantidad posible de números de

viajes a programar de cada uno.

𝑽𝑽𝒊𝒏𝒗(𝒒, 𝒂, 𝒌): 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝐷 "q" ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜"a"

𝑒𝑛 𝑒𝑙 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 k

Esta variable nos permitirá conocer el plan de transporte a programar en el segundo trayecto

del flujo inverso una vez realizado el proceso de optimización, desde el nodo centro Cross

Docking hasta el nodo destino. De acuerdo a las restricciones del modelo, tiene en cuenta la

cantidad de medios de transporte incluidos, la capacidad de carga y la cantidad posible de

números de viajes a programar de cada uno.


2017

59

2.3.5 Función objetivo

A continuación, la ecuación 2, describe la función objetivo configurado para el proceso de

optimización de la cadena de suministro y la cual incluye la política de logística inversa. Esta

función se compone de 6 términos los cuales permite evaluar cada uno de los trayectos en

flujo directo como inverso.

Ecuación 1: Ec. Función Objetivo Modelo Teórico - Cadena de suministro inteligente

(2)

𝑀𝐼𝑁𝐼𝑀𝐼𝑍𝐴𝑅 𝐹 = [(∑.

𝑛

𝑖=1

∑ ∑ 𝐶(𝑖) ∗ 𝑋(𝑖, 𝑗, 𝑘)

𝑙

𝑘=1

𝑔

𝑗=1

) − (∑.

𝑣

𝑡=1

∑ ∑ 𝐴ℎ𝑜𝑟𝑟𝑜(𝑡) ∗ 𝑋𝑖𝑛𝑣(𝑡, 𝑞, 𝑘)

𝑙

𝑘=1

𝑜

𝑞=1

)]

+ [(∑.

𝑛

𝑖=1

∑ ∑ 𝐶𝑉(𝑖, 𝑗, 𝑘) ∗ 𝑉(𝑖, 𝑗, 𝑘)

𝑙

𝑘=1

𝑔

𝑗=1

) + (∑.

𝑔

𝐽=1

∑ ∑ 𝐶𝑉𝑉(𝑗, 𝑤, 𝑘) ∗ 𝑉𝑉(𝑖, 𝑗, 𝑘)

𝑙

𝑘=1

𝑚

𝑤=1

)

+ (∑.

𝑣

𝑡=1

∑ ∑ 𝐶𝑉𝑖𝑛𝑣(𝑡, 𝑞, 𝑘) ∗ 𝑉𝑖𝑛𝑣(𝑡, 𝑞, 𝑘)

𝑙

𝑘=1

𝑜

𝑞=1

)

+ (∑.

𝑜

𝑞=1

∑ ∑ 𝐶𝑉𝑉𝑖𝑛𝑣(𝑞, 𝑎, 𝑘) ∗ 𝑉𝑉𝑖𝑛𝑣(𝑞, 𝑎, 𝑘)

𝑙

𝑘=1

𝑝

𝑎=1

)]

Fuente: Autor

A continuación la tabla1 describe la configuración cada uno de los términos de la función

objetivo


2017

60

Tabla 1: Descripción de términos de la función objetivo

Fuente: Autor

2.3.6 Conjunto de Restricciones (Flujo Directo)

- Restricciones de Demanda para el centro Cross Docking

Ecuación 2Ec. De Demanda C.CD.

(3)

∑ ∑ 𝑿(𝒊, 𝒋, 𝒌) = 𝒅𝒓(𝒋)

𝒍

𝒌=𝟏

𝒏

𝒊=𝟏

∀ (𝑖 = 1,2,3 … . . 𝑛) Λ (𝑗 = 1,2,3 … . . 𝑔) Λ (𝑘 = 1,2,3 … . . 𝑙)

Fuente: Autor

Esta restricción garantiza, que el centro Cross Docking reciba la cantidad de insumos /

Productos necesarios para el procesamiento de carga y para ejecutar los procedimientos de

consolidación y des-consolidación.

DESCRIPCION

A

El primer término de la función objetivo, permite evaluar el costo unitario de los

centros de producción (Nodos Origen) de acuerdo a las cantidades a

transportar de cada uno de ellas. Este término nos arrojara como resultado el

costo de la totalidad de los productos o insumos que se transportaran a lo largo

de la cadena de suministro

B

El segundo término incluye el parámetro de ahorro por las cantidades que se

recuperan en flujo inverso. Este término se resta del termino A, en razón a que

se configura como un descuento al costo de los productos el cual es logrado a

raíz de la política de recuperación en la logística inversa

C

El tercer término evalúa el costo de cada viaje por la cantidad de viajes a

programar. Este término arrojara como resultado el costo total del plan de

trasporte en el primer trayecto del flujo directo. (Nodos Origen a C.CD)

D

El cuarto término evalúa el costo de cada viaje por la cantidad de viajes a

programar. Este término arrojara como resultado el costo total del plan de

trasporte en el segundo trayecto del flujo directo (C.CD a nodos destino)

E

El quinto término evalúa el costo de cada viaje por la cantidad de viajes a

programar en flujo inverso. Este término arrojara como resultado el costo total

del plan de trasporte en el primer trayecto del flujo inverso. (Nodos Origen a

C.CD)

F

El sexto término evalúa el costo de cada viaje por la cantidad de viajes a

programar en flujo inverso. Este término arrojara como resultado el costo total

del plan de trasporte en el segundo trayecto del flujo directo inverso (C.CD a

nodos destino)

TERMINO


2017

61

- Restricciones de Demanda para los centros de consumo (Nodos destino)

Ecuación 3: Ec. De demanda Centros de consumo

(4)

∑ ∑ 𝒀(𝒋, 𝒘, 𝒌) = 𝒅𝒓𝒓(𝒘)

𝒍

𝒌=𝟏

𝒈

𝒋=𝟏

∀ (𝑗 = 1,2,3 … . . 𝑔) Λ (𝑘 = 1,2,3 … . . 𝑙) Λ (𝑤 = 1,2,3 … 𝑚)

Fuente: Autor

La restricción garantiza que se satisfaga las cantidades en los nodos destinos, una vez se ha

pasado por el Centro Cross Docking, en los medios de transporte.

- Restricciones de Oferta para el centro Cross Docking

EcEc. De oferta del C.CD

(5)

∑ ∑ 𝒀(𝒋, 𝒘, 𝒌) ≤ 𝒐𝒇(𝒋)

𝒍

𝒌=𝟏

𝒎

𝒘=𝟏

∀ (𝑗 = 1,2,3 … . . 𝑔) Λ (𝑘 = 1,2,3 … . . 𝑙) Λ (𝑤 = 1,2,3 … 𝑚)

Fuente: Autor

La restricción de oferta para el centro Cross Docking, garantiza que las cantidades a distribuir

en los medios de transporte hacia los nodos destino, no exceda la capacidad de procesamiento

del centro Cross Docking.

- Restricciones de Oferta para los centros de producción y/o proveedores (Nodos

Origen)

Ec. de Oferta Nodos Origen

(6)

∑ ∑ 𝑿(𝒊, 𝒋, 𝒌) ≤ 𝑪𝑶(𝒊)

𝒍

𝒌=𝟏

𝒈

𝒋=𝟏

∀ (𝑖 = 1,2,3 … . . 𝑛) Λ (𝑘 = 1,2,3 … . . 𝑙) Λ (𝑗

= 1,2,3 … . . 𝑔) Fuente: Autor

Las restricciones de oferta, en los nodos origen, garantiza que no se excedan las capacidades

de suministros de los centros de producción / Proveedores.


2017

62

- Restricciones de Capacidad de carga de los medios de transporte

Ec. Restricción de Capacidad de Carga de los Medios de Trasporte

(7)

𝑋(𝑖, 𝑗, 𝑘) ≤ 𝐶𝑐𝑘 ∗ 𝑉(𝑖, 𝑗, 𝑘) ∗ 𝑁𝑚𝑎𝑥(𝑘) ∀ (𝑖 = 1,2,3 … . . 𝑛) Λ (𝑘 = 1,2,3 … . 𝑙)

𝑌(𝑗, 𝑤, 𝑘) ≤ 𝐶𝑐𝑘 ∗ 𝑉𝑉(𝑗, 𝑤, 𝑘) ∗ 𝑁𝑚𝑎𝑥(𝑘) ∀ (𝑗 = 1,2,3 … . . 𝑔) Λ (𝑘 = 1,2,3 … . 𝑙)

Fuente: Autor

Las restricciones de capacidad de carga de los medios de transporte, garantiza que no se

exceda la capacidad programada para cada tipo de vehículo, en cuanto a las cantidades

(Volumen) a transportar.

- Restricciones de Capacidad de Viajes de los medios de transporte

Ec. Capacidad de Viajes de los Medios de Transporte

(8)

∑ ∑ 𝑉(𝑖, 𝑗, 𝑘)

𝑔

𝑗=1

𝑛

𝑖=1

≤ 𝑁𝑀𝑎𝑥𝑉𝑘 ∗ 𝐶𝑑𝑘 ∀(𝑘 = 1,2,3 … . 𝑙)

∑ ∑ 𝑉𝑉(𝑗, 𝑤, 𝑘)

𝑚

𝑤=1

𝑔

𝑗=1

≤ 𝑁𝑀𝑎𝑥𝑉𝑘 ∗ 𝐶𝑑𝑘 ∀(𝑘 = 1,2,3 … . 𝑙)

Fuente: Autor

Las restricciones de capacidad de viaje de los medios de transporte, garantiza que no se

exceda la capacidad programada para cada vehículo, en cuanto a la cantidad de viajes

disponibles


2017

63

2.3.7 Conjunto de Restricciones (Flujo Inverso)

- Restricciones de Demanda para el centro Cross Docking (Flujo Inverso)

Ec. De Demanda C.CD.- Flujo Inverso

(9)

∑ ∑ 𝑿𝒊𝒏𝒗(𝒕, 𝒒, 𝒌) = 𝒅𝒓𝒊𝒏𝒗(𝒒)

𝒍

𝒌=𝟏

𝒗

𝒕=𝟏

∀ (𝑞 = 1,2,3 … . . 𝑜) Λ (𝑘 = 1,2,3 … . . 𝑙)

Fuente: Autor

Esta restricción garantiza, que el CD reciba la cantidad de insumos recuperados de los nodos

origen y que deberán ser clasificados y consolidados para dar continuidad al flujo inverso con

destino a los proveedores.

- Restricciones de Demanda para los centros de consumo (Nodos destino), (Flujo

Inverso)

Ec. De demanda Centros de consumo – Flujo Inverso

(10)

∑ ∑ 𝒀𝒊𝒏𝒗(𝒒, 𝒂, 𝒌) = 𝒅𝒓𝒓𝒊𝒏𝒗(𝒂)

𝒍

𝒌=𝟏

𝒐

𝒒=𝟏

∀ (𝑎 = 1,2,3 … . . 𝑝) Λ (𝑘 = 1,2,3 … . . 𝑙)

Fuente: Autor

La restricción garantiza que se satisfaga las cantidades recuperadas en los CD se transporten a

los nodos destinos en flujo inverso.

- Restricciones de Oferta para el centro Cross Docking, (Flujo Inverso)

Ec. De oferta del C.CD – Flujo Inverso

(11)

∑ ∑ 𝒀𝒊𝒏𝒗(𝒒, 𝒂, 𝒌) ≤ 𝒐𝒇𝒊𝒏𝒗(𝒒)

𝒍

𝒌=𝟏

𝒑

𝒂=𝟏

∀ (𝑞 = 1,2,3 … . . 𝑜) Λ (𝑘 = 1,2,3 … . . 𝑙)

Fuente: Autor


2017

64

La restricción de oferta para el centro Cross Docking en flujo inverso, garantiza que las

cantidades a distribuir en los medios de transporte hacia los nodos destino, no exceda la

capacidad de procesamiento del centro Cross Docking de materiales recuperados en los nodos

origen

- Restricciones de Oferta para los centros de producción y/o proveedores (Nodos

Origen), (Flujo Inverso).

Ec. de Oferta Nodos Origen – Flujo Inverso

(12)

∑ ∑ 𝑿𝒊𝒏𝒗(𝒕, 𝒒, 𝒌) ≤ 𝑪𝑶𝒊𝒏𝒗(𝒕)

𝒍

𝒌=𝟏

𝒐

𝒒=𝟏

∀ (𝑞 = 1,2,3 … . . 𝑜) Λ (𝑘 = 1,2,3 … . . 𝑙)

Fuente: Autor

Las restricciones de oferta, en los nodos origen, garantiza que se puedan disponer de los

materiales recuperados para su posterior traslado hacia el centro Cross Docking en flujo

inverso.

- Restricciones de Capacidad de carga de los medios de transporte (Flujo Inverso).

Ec. Restricción de Capacidad de Carga de los Medios de Trasporte-

Flujo Inverso

(13)

𝑋𝑖𝑛𝑣(𝑡, 𝑞, 𝑘) ≤ 𝐶𝑐𝑘 ∗ 𝑉(𝑖, 𝑗, 𝑘) ∗ 𝑁𝑚𝑎𝑥(𝑘) ∀ (𝑡 = 1,2,3 … . . 𝑣) Λ (𝑘 = 1,2,3 … . 𝑙)

𝑌𝑖𝑛𝑣(𝑞, 𝑎, 𝑘) ≤ 𝐶𝑐𝑘 ∗ 𝑉𝑉(𝑗, 𝑤, 𝑘) ∗ 𝑁𝑚𝑎𝑥(𝑘) ∀ (𝑞 = 1,2,3 … . . 𝑜) Λ (𝑘 = 1,2,3 … . 𝑙)

Fuente: Autor

Las restricciones de capacidad de carga de los medios de transporte, garantiza que no se

exceda la capacidad programada para cada tipo de vehículo, en cuanto a las cantidades

(Volumen) a transportar en flujo inverso.


2017

65

- Restricciones de Capacidad de Viajes de los medios de transporte (Flujo Inverso).

Ec. Capacidad de Viajes de los Medios de Transporte – Flujo Inverso

(14)

∑ ∑ 𝑉𝑖𝑛𝑣(𝑡, 𝑞, 𝑘)

𝑜

𝑞=1

𝑣

𝑡=1

≤ 𝑁𝑀𝑎𝑥𝑉𝑘 ∗ 𝐶𝑑𝑘 ∀ (𝑘 = 1,2,3 … . 𝑙)

∑ ∑ 𝑉𝑉𝑖𝑛𝑣(𝑞, 𝑎, 𝑘)

𝑝

𝑎=1

𝑜

𝑞=1

≤ 𝑁𝑀𝑎𝑥𝑉𝑘 ∗ 𝐶𝑑𝑘 ∀(𝑘 = 1,2,3 … . 𝑙)

Fuente: Autor

Las restricciones de capacidad de viaje de los medios de transporte, garantiza que no se

exceda la capacidad programada para cada vehículo, en cuanto a la cantidad de viajes

disponibles en flujo inverso

2.3.8 Restricciones Lógicas del Modelo logístico

Ec. Restricciones Lógicas

(15)

𝑿(𝒊, 𝒋, 𝒌), 𝒀(𝒋, 𝒘, 𝒌), 𝑿𝒊𝒏𝒗(𝒕, 𝒒, 𝒌), 𝒀𝒊𝒏𝒗(𝒒, 𝒂, 𝒌) ≥ 𝟎

𝑽(𝒊, 𝒋, 𝒌), 𝑽𝑽(𝒋, 𝒘, 𝒌), 𝑽𝒊𝒏𝒗(𝒕, 𝒒, 𝒌), 𝑽𝑽𝒊𝒏𝒗(𝒒, 𝒂, 𝒌) ≥ 𝟎 𝚲 Enteras

Fuente: Autor

Las restricciones lógicas del modelo logístico, hacen referencia:

Variables de cantidades positivas

Variables de Viajes a programar, enteras.


2017

66

Parte III: Prueba Piloto

3 Prueba Piloto

A continuación, se establecerá el caso de aplicación del modelo teórico propuesto de cadena

de suministro, en la presente investigación

3.1 Diagrama de proceso – Modelo logístico TG

Fig. 16: Modelo TG

Fuente: Autor

Cliente Realiza solicitud de Servicio

Transito Interno en CK

Codificacion de Carga - Lectura a Sistema

Alertran Proceso de Validacion

Generacion De Grupajes de Carga aplica para variable SK

Generacion de Viajes - Asignacion a Viaje

de Grupajes de Carga.

aplica para variable SK

aplica para variable SK

Se realiza el proceso de embalaje

Etiquetado

Precintado Aereo Terrestre

Paletizado

Flota Propia -

Proveedores

Traslado del Material a ZONA de

Consolidacion y Despacho

Una Vez la carga se encuentra

desconsolidada debe salir a

proceso de Distribucion - Aplica

modelo Multi-entrega.con

posibilidad de estudio Dinamico

Recepcion de Carga en CC

Destino

Recepcion en Plantaforma Cross Docking - (

Bogota)

Se realiza Proceso de Recoleccion en Ciudad

Origen. Corresponde a un Sistema

Multirecogidas.

Operación de Lectura de

Etiqueta en Sistema Alertran

Transito a CP Origen J = 1,2,3... n

Recepcion - Cross Docking - Transito CK.

Pre Alistamiento Carga y Clasificacion

CLIENTE - SC - LOGEX

RequiereEtiquetado y

Embalaje y/o es Producto con

VD?

Traslado de Carga consolidada para

embarque a Medios de Transporte

1

Proceso Embalaje

Traslado a Plataforma de consolidacion y

Despacho1

Check Pont de Salida por Viaje

Inspeccion de Carga y Verificacion de condiciones de

Despacho

Correcto?

Cargue y Desachohacia i.1.2.3 ... m

Transito a CC Destino

Recepcion de Carga -Lectura y

Desconsolidacion

Salida - Distribucion Urbana y/o Regional

Entrega Destino


2017

67

El modelo logístico TG, hace referencia al proceso de cadena de suministro de la compañía

Thomas Greg Express en Colombia, el cual presta en la actualidad el servicio de distribución

de paquetes, mensajería express e insumos, en todo el territorio nacional, el esquema del

proceso a nivel general se puede visualizar en la figura 10.. Esta red logística cuenta con las

características requeridas para constituirse como caso de aplicación del modelo de cadena de

suministro propuesto en la presente investigación y por tanto analizaremos en la prueba

piloto.

Los datos recopilados que servirán como entrada al modelo, se obtienen gracias a la dirección

de logística de esta compañía y de la cual se realiza su tratamiento como análisis de entrada.

3.2 Análisis de Entrada

3.2.1 Objetivo del Análisis

Adaptar la información de entrada del modelo TG al modelo teórico CSI, con el fin de

ejecutar una prueba piloto para identificar resultados, que permita dar respuesta a la hipótesis

del presente estudio y determinar las conclusiones a las que existan lugar

3.2.2 Descripción del modelo de aplicación

La prueba piloto, pretende adaptar el modelo teórico propuesto para la cadena de suministro

inteligente (CSI) a una de las fases del modelo TG.

El modelo TG, hace parte de las operaciones de una prestigiosa organización del grupo

Thomas Greg and Song, quienes, dentro de sus diferentes cadenas de suministro, se encuentra

su cadena de suministro de insumos a nivel nacional. Estos insumos dentro de su proceso

habitual, pretenden abastecer de insumos para el proceso logístico a cada una de sus 27 sedes

a nivel nacional y con lo cual cuenta con proveedores estratégicos en 6 ciudades distribuidos a

nivel estratégico a nivel nacional y de los cuales se debe tomar las mejores decisiones en

temas de tiempo, oportunidad y costos.

El modelo TG actualmente no contempla, procesos de flujo inverso estandarizados para la

recuperación de materiales y su retorno a los centros de acopio y/o proveedores para su re-


2017

68

utilización, sin embargo, se debe acordar un porcentaje de recuperación de estos insumos, con

el fin de dar ejecución al modelo teórico CSI y obtener resultados pre-liminares. Este

porcentaje se debe establecer como base para el análisis de entrada.

3.2.3 Alcance de la prueba piloto

Como objeto de estudio, se tomarán tres de los 6 proveedores actuales ubicados en las

ciudades de Medellín, Cali y Bucaramanga como nodos origen en flujo directo (PP1, PP2 y

PP3 flujo directo y PPP1, PPP2, PPP3 flujo inverso). Se tomará como centro Cross Docking

la sede principal del modelo TG ubicado en la ciudad de Bogotá (CC1 flujo directo y H1 flujo

inverso) y que funciona actualmente como transito obligado en el proceso logístico. Se tomara

como nodos destino, las sucursales ubicadas en 6 de las 27 sucursales a nivel nacional

(CCC1,…, CCC6 flujo directo y C1,…, C6 flujo inverso), ubicadas en las ciudades de Bogotá

(Sucursal)4, Medellín, Cali, Bucaramanga, Barranquilla, Pereira.

La política de recuperación de material para efectos del flujo inverso, se establece en 10% del

total del material distribuido en flujo directo, esta información se determina a través de la

política establecida por la compañía de acuerdo a los datos históricos y la factibilidad de

reutilización de los materiales.

De igual modo se definen los medios de transporte disponibles de acuerdo a los recursos de la

compañía los cuales se pueden visualizar en la tabla 2:

Tabla 2 : Medios de Transporte Disponibles

Tipo (K)

N° de

Vehiculos

Disponibles

N° MAX de

viajes (

Semana)

Capacidad

de Carga (

KG)

MT1 3 4 1,000

MT2 2 6 2,000

MT3 2 3 4,000

Fuente: Autor

4 En el modelo TG, en la ciudad de Bogotá se encuentra el Centro Cross Docking y la sucursal logística


2017

69

3.2.4 Procedimiento de aplicación

Al contar con los datos históricos del modelo TG, se realiza el estudio para adaptación de

información de entrada al modelo teórico de CSI, con el fin de construir toda la información

que requiere el este modelo y así dar origen a la prueba piloto deseada en el presente estudio.

Una vez se contó con la información en los términos del modelo, se efectúa la prueba

utilizando el programa de optimización GAMS, en el cual se realiza la programación del

modelo teórico y su ejecución con los datos de entrada analizados en el modelo TG

El análisis de entrada y la adaptación de la información histórica necesaria para el modelo

teórico de CSI, se encuentra disponible en el ANEXO_1” Análisis de entrada_Gams.xls” y

del cual se describen las siguientes fases:

Fig. 17: Análisis de entrada para GAMS

Fuente: Autor

Fase I: Esquema de Modelo Teórico

En esta fase se evidencia a nivel gráfico, cada uno de los componentes del modelo teórico

CSI. Se detalla el diagrama de red.

ANALISIS DE ENTRADA PARA LA APLICACION DEL MODELO TEORICO

FASE I: ESQUEMA DE MODELO TEORICO

FASE II: DESCRIPCION DEL ESQUEMA DE

MODELO APLICADO

FASE III: ENTRADAS DEL MODELO

SETS DEL MODELO

TABLES

FLUJO DIRECTO

FLUJO INVERSO

VARIABLES

FASE IV: INFORMACIONDE ENTRADA PARA

GAMS*

PARAMETERS

SCALAR

RESUMEN

DIAGRAMA DE RED


2017

70

Fase II: Descripción del esquema de modelo aplicado

En esta fase, se evidencia a nivel gráfico, cada uno de los componentes del modelo teórico

CSI, adaptado al modelo TG.

Fase III: Entradas del modelo

Una vez se establece la adaptabilidad del modelo, se procede a definir la información de

entrada necesaria para el modelamiento en GAMS, como lo son: SETS, PARAMETERS,

ESCALAR, TABLES, VARIABLES

Fase VI: Información de entrada para GAMS

Una vez se surten las tres fases anteriores, solo queda en la fase IV, consolidar la información

en el lenguaje del programa GAMS, para que este pueda compilar el modelo CSI, con los

datos de entrada analizados del modelo TG.

3.3 Modelamiento en GAMS

El sistema de Modelación Algebraica General (GAMS), permite un proceso de modelado de

programación matemática que permite resolver problemas lineales, no lineales y de

optimización. En general GAMS utiliza un lenguaje de modelación en donde es posible

describir en un editor de texto la formulación completa del modelo matemático y luego aplica

un SOLVER para resolver completamente el modelo (Tarepues & Gloria, 2010), en razón a lo

anterior, el modelo CSI fue programado en GAMS con la siguiente lista de recursos los cuales

se pueden evidenciar en la tabla 3:


2017

71

Tabla 3: Recursos para Modelado en GAMS

ITEM CANTiDAD

Sets 8

Parameters 18

Escalar 1

Tables 4

Total variables 8

Variables Positivas 4

Variables Enteras 4

Restricciones de demanda 4

Restricciones de oferta 4

Restricciones de capacidad de carga 4

Restricciones de capacidad de viajes 4

Fuente: Autor

El modelamiento se ejecuta para dar origen a la prueba piloto bajo un esquema de

optimización mixta (Lineal y Entera).

El modelo CSI en lenguaje GAMS, su programación y ejecución se pueden verificar en el

ANEXO 3 “Modelo CSI_GAMS” el cual se encuentra disponible tanto en archivo con

extensión .gms y .txt.

3.4 Análisis de Salida

Una vez generada la prueba piloto en el programa GAMS, se obtienen resultados los cuales

son objeto del siguiente análisis:

3.4.1 Valor de la función Objetivo:

- Valor de la función objetivo: Costo mínimo $651.817.956, el cual corresponde al

costo total del proceso de distribución en la cadena de suministro teniendo en cuenta la

política de logística inversa

- Se generaron 21 iteraciones para llegar a la solución de costo mínimo.

- Se realizó el proceso de eliminación de filas y columnas en el proceso iterativo hasta

llegar a la solució


2017

72

Fig. 18: Resultados GAMS – Función Objetivo

Fuente: Autor mediante programa GAMS

3.4.2 Variables de decisión (Flujo Directo)

Variables de Cantidades a transportar

𝑿(𝒊, 𝒋, 𝒌)

= 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑑𝑜𝑟 i ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝑟𝑜𝑠𝑠 𝑑𝑜𝑐𝑘𝑖𝑛𝑔 𝑗,


Tabla 4: Resultados GAMS – Variable X (i, j, k)

(Cantidades en Kilogramos)

MT1 MT2 MT3

PP1.CC1 8,000 132,000 58,824

PP2.CC1 8,000 12,000 10,907

PP3.CC1 19,403


Se puede determinar el plan de cantidades (Kilogramos) y transporte a utilizar para distribuir

los insumos al centro Cross Docking CC1 (Primer trayecto del flujo directo), dando


2017

73

cumplimiento tanto a la oferta del nodo origen, como a la demanda del nodo destino. Del

nodo Origen PP1 se establecen 8.000 Kg en el medio de transporte MT1, 132.000 Kg en el

medio de transporte MT2 y 58.824 Kg en el medio de transporte MT3. De igual modo se

establece el plan de cantidades a transportar desde los nodos origen PP2 y PP3. Estos

resultados de cantidades se complementan con los resultados de los variables viajes a

programar, las cuales describen como se van a despachar esas cantidades de acuerdo a la

cantidad de vehículos disponibles y la capacidad de carga de cada uno.

𝒚(𝒋, 𝒘, 𝒌)

= 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑐𝑟𝑜𝑠𝑠 𝑑𝑜𝑐𝑘𝑖𝑛𝑔 j ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑜𝑠 𝑤,


Tabla 5: Resultados GAMS – Variable Y (j, w, k)


MT1 MT2 MT3

CC1.CCC1 8,000 107,554

CC1.CCC2 32,171

CC1.CCC3 23,203

CC1.CCC4 21,000

CC1.CCC5 11,933

CC1.CCC6 10,039


Se puede determinar el plan de cantidades (Kilogramos) y transporte a utilizar para distribuir

los insumos del centro Cross Docking CC1 a los centros de consumo finales (Segundo

trayecto del flujo directo) dando cumplimiento tanto a la oferta del nodo origen, como a la

demanda del nodo destino. Del Nodo CC1 se distribuye al centro de consumo CCC1 8000 Kg

en el medio de transporte MT1, 107.554 KG en el medio de transporte MT2. De igual manera

se establece el plan de cantidades a transportar hacia el resto de nodos destinos en los medios

de transporte. Estos resultados de cantidades se complementan con los resultados de los

variables viajes a programar, las cuales describen como se van a despachar esas cantidades de

acuerdo a la cantidad de vehículos disponibles y la capacidad de carga de cada uno.


2017

74

Variables de Viajes a Programar

𝑽(𝒊, 𝒋, 𝒌)

= 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑎 𝑝𝑟𝑜𝑔𝑟𝑎𝑚𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑝𝑟𝑜𝑣𝑒𝑒𝑑𝑜𝑟 i ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑐𝑟𝑜𝑠𝑠 𝑑𝑜𝑐𝑘𝑖𝑛𝑔 𝑗


𝑽𝑽(𝒋, 𝒘, 𝒌)

= 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑎 𝑝𝑟𝑜𝑔𝑟𝑎𝑚𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑐𝑒𝑛𝑡𝑟𝑜 𝑐𝑟𝑜𝑠𝑠 𝑑𝑜𝑐𝑘𝑖𝑛𝑔 𝑗 ℎ𝑎𝑠𝑡𝑎 𝑙𝑜𝑠 𝑐𝑒𝑛𝑡𝑟𝑜𝑠 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑜𝑠 𝑤


Tabla 6: Resultados GAMS – Variable V (i, j, k) – VV (j, w, k)

(Cantidades en Unidades)

MT1 MT2 MT3

PP1.CC1 2 11 5

PP2.CC1 2 1 1

PP3.CC1 5

MT1 MT2 MT3

CC1.CCC1 2 9

CC1.CCC2 3

CC1.CCC3 2

CC1.CCC4 2

CC1.CCC5 1

CC1.CCC6 1


Se logra determinar el plan de viajes a implementar para distribuir las cantidades a transportar

haciendo el mejor aprovechamiento de los medios de transporte. El resultado arroja un uso del

100% de la flota terrestre disponible, teniendo en cuenta la cantidad de viajes a programar y


2017

75

los vehículos disponibles. El en primer trayecto del flujo directo se determina un total de 17

viajes los cuales se realizan hacia el Centro Cross Docking CC1, de la siguiente forma: 2

Viajes en el medio de transporte MT1, 11 viajes en el medio de transporte MT2 y 5 viajes en

los medios de transporte MT3. De igual manera se establece las cantidades de viajes a

programar desde los nodos origen PP2 y PP3.

En el segundo trayecto se determina un total de 11 viajes a programa desde el centro Cross

Docking CC1 hacia el nodo destino CCC1, los cuales se distribuyen: 2 viajes en el medio de

transporte MT1 y 9 viajes en el medio de transporte MT2. De igual modo se establecen los

viajes a programar hacia el resto de nodos destino CCC2,....., CCC6.

3.4.3 Variables de decisión (Flujo Inverso)

Variables de Cantidades a transportar

𝑿𝒊𝒏𝒗(𝒕, 𝒒, 𝒌)

= 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑜 t ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝐶𝑟𝑜𝑠𝑠 𝑑𝑜𝑐𝑘𝑖𝑛𝑔 𝑞,


Tabla 7: Resultados GAMS – Variable Xinv (t, q, k)


MT1 MT2

C1.H1 13,866

C2.H1 3,861

C3.H1 2,784

C4.H1 2,520

C5.H1 1,432

C6.H1 133



2017

76

Se puede determinar el plan de cantidades para distribuir los insumos recuperados del centro

de consumos “t” centro Cross Docking H1, dando cumplimiento tanto a la oferta del nodo

origen, como a la demanda del nodo destino el primer trayecto del flujo inverso. Del nodo

origen C1 se distribuye un total de 13.866 KG en el medio de transporte MT2, el Nodo Origen

C2 se distribuye un total de 3.861 KG en el medio de transporte MT2, los orígenes C4, C5 y

C6 distribuyes sus cantidades respectivamente al centro Cross Docking Inverso.

𝒚𝒊𝒏𝒗(𝒒, 𝒂, 𝒌)

= 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑐𝑟𝑜𝑠𝑠 𝑑𝑜𝑐𝑘𝑖𝑛𝑔 q ℎ𝑎𝑠𝑡𝑎 𝑎𝑙 𝑛𝑜𝑑𝑜 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 𝑎,


Tabla 8: Resultados GAMS – Variable Yinv (q, a, k)


MT2

H1.PPP1 19,882

H1.PPP2 3,519

H1.PPP3 1,940


Se puede determinar el plan de cantidades y transporte a utilizar para distribuir los insumos

recuperados del centro Cross Docking q al nodo destino a, que corresponde a los proveedores

en flujo inverso, dando cumplimiento tanto a la oferta del nodo origen, como a la demanda del

nodo destino. Del nodo H1 Centro Cross Docking en flujo inverso se distribuye a los nodos

destino PPP1 19.982 KG, PPP2 3.519 KG y PPP3 1940 KG. Toda la distribución se realiza

únicamente en el medio de transporte MT2.

Variables de Viajes a Programar

𝑽𝒊𝒏𝒗(𝒕, 𝒒, 𝒌)

= 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑎 𝑝𝑟𝑜𝑔𝑟𝑎𝑚𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑜 t ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑐𝑒𝑛𝑡𝑟𝑜 𝑐𝑟𝑜𝑠𝑠 𝑑𝑜𝑐𝑘𝑖𝑛𝑔 𝑞



2017

77

𝑽𝑽(𝒒, 𝒂, 𝒌)

= 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑣𝑖𝑎𝑗𝑒𝑠 𝑎 𝑝𝑟𝑜𝑔𝑟𝑎𝑚𝑎𝑟 𝑑𝑒𝑠𝑑𝑒 𝑐𝑒𝑛𝑡𝑟𝑜 𝑐𝑟𝑜𝑠𝑠 𝑑𝑜𝑐𝑘𝑖𝑛𝑔 𝑞 ℎ𝑎𝑠𝑡𝑎 𝑙𝑜𝑠 𝑛𝑜𝑑𝑜𝑠 𝑑𝑒𝑠𝑡𝑖𝑛𝑜 𝑎


Tabla 9: Resultados GAMS – Variable Vinv (t, q, k) – VVinv (q, a, k)

(Cantidades en Unidades)

MT1 MT2

C1.H1 2

C1.H2 1

C1.H3 1

C1.H4 1

C1.H5 1

C1.H6 1

MT1 MT2

H1.PPP1 2

H1.PPP2 1

H1.PPP3 1


Se logra determinar el plan de viajes a implementar para distribuir las cantidades de insumos

recuperados a transportar. El primer trayecto en flujo inverso programa los viajes de la

siguiente manera: Del nodo C1 hacia el nodo H1 Centro Cross Docking se programan 2 viajes

en el medio de transporte tipo MT2, del nodo C2 hacia el nodo H1 Centro Cross Docking se

programa 1 viaje también el medio de transporte tipo MT2, de igual modo se visualiza para

los nodos C3, C4, C5 y C6.


2017

78

El segundo trayecto en flujo inverso programa los viajes de la siguiente manera: Del Nodo H1

Centro Cross Docking hacia el nodo destino PPP1 2 viajes, hacia el nodo destino PPP2 1 viaje

y para el nodo PPP3 1 viaje. Todos en el medio de transporte tipo MT2.

Complementariamente se evidencia en los resultados de flujo inverso (Variables de cantidades

y Viajes) el uso del 34% de los recursos del medio de transporte tipo MT1, del 58% de los

recursos del medio de transporte MT2. De los recursos del medio de transporte tipo MT3 no

existido utilización en los flujos inversos, lo cual evidencia que un aumento en la política de

recuperación, que para esta prueba se definió en el 10%, tendría la capacidad suficiente en los

medios de transporte en flujo inverso para satisfacer los criterios de oferta y demanda.

3.4.4 Análisis de Resultados

En el análisis de resultados, se logra establecer lo siguiente:

- El modelo TG propuesto para la prueba piloto, se logró modelar a través del modelo

teórico de CSI en la herramienta GAMS, arrojando resultados que permiten establecer

un plan de distribución de insumos y un plan de transporte.

- De los resultados arrojados por el programa GAMS, se puede evidenciar el

cumplimiento del 100% de las restricciones de oferta, demanda, capacidad y viajes,

tanto en Flujo directo como en flujo inverso. Esto podría variar en futuras pruebas en

los casos de que la demanda no se pueda satisfacer a través de los nodos que ofertan.

- A nivel de costo, se logra evidenciar para un porcentaje de recuperación del 10% un

ahorro de $ 19.357.000, teniendo en cuenta volúmenes de insumos a retornar a los

proveedores a la tarifa de recuperación (Descuento) que se ofrece para futuros

suministros

- Sin la política de Ahorro, el costo mínimo del modelo logístico se establecería en

$671.174.956, por lo cual se determina que bajo la política de recuperación del 10%

para esta prueba piloto, se obtuvo un porcentaje de ahorro del 3% en el costo total de

transporte


2017

79

- En flujo directo, se pudo evidenciar una utilización del 100% de capacidad de los

medios de transporte en el trayecto del nodo “i” al nodo “j” (Transito desde el

proveedor hasta el centro Cross Docking) y del 67% de capacidad de los medios de

transporte en el trayecto del nodo “j” al nodo “w” (Transito desde el Centro Cross

Docking hasta el centro de consumo), lo cual permite determinar el primer trayecto

como cuello de botella.

- En flujo inverso, y con un porcentaje de recuperación del 10% establecido para la

prueba piloto, se logra evidenciar una ocupación de los medios de transporte en el

primera trayecto del nodo “t” al nodo “q” (Transito en flujo inverso de los centros de

consumo al centro Cross Docking) del 24% y una ocupación de los medios de

transporte en el segundo trayecto del nodo “q” al nodo “a” ( Transito en flujo inverso

del centro Cross Docking al proveedor) del 14%.

3.4.5 Análisis de Sensibilidad

El análisis de sensibilidad plantea cinco (5) escenarios en los cuales desea sensibilizar la

siguiente información, con los datos de salida del modelo CSI en el programa GAMS

- Un Incremento en la oferta de material recuperado en el centro Cross Docking Ofinv

(q).

- Un incremento en la demanda de Insumos para procesamiento en el centro Cross

Docking, Drinv (q).

- Un Incremento en la demanda de los nodos destinos en flujo inverso, que corresponde

a los proveedores iniciales que reciben insumos recuperados para su re-procesamiento,

Drinv (a).

- Un incremento en la oferta de materiales recuperados en los nodos origen en flujo

inverso. Coinv (t)

Cada uno de los ítems anteriores, se sensibilizan en cada escenario. A continuación la Tabla 3,

permite visualizar los porcentajes de cada escenario.

Tabla 10: Escenarios – Modelos CSI


2017

80

ANALISIS DE SENSIBILIDAD

CRECIMIENTO

2% 3% 7% 9% 11%

PARAMETRO ESCENARIO

INICIAL

ESCENARIO

1

ESCENARIO

2

ESCENARIO

3

ESCENARIO

4

ESCENARIO

5

Ofinv(q) P5 10% 12% 16% 22% 30% 40%

Drinv(q) P6 8% 10% 12% 18% 26% 36%

Drinv (a) P7 10% 12% 16% 22% 30% 40%

Coinv(t) P8 12% 15% 18% 26% 38% 52%

% 10% 12% 16% 22% 31% 42% Fuente: Autor

Cada uno de los 5 escenarios se establecer con porcentajes de crecimiento en la política de

recuperación respecto al escenario anterior. Lo anterior busca determinar el comportamiento

del uso de los recursos en flujo inverso y como varias los valores de ahorro y su impacto en la

función de costo.

De acuerdo al planteamiento anterior, se generan los datos de entrada al programa GAMS,

para los modelos CSI y se obtienen los siguientes resultados:


2017

81

Tabla 11: Análisis de sensibilidad – Resultados GAMS

Fuente: Autor

El análisis de sensibilidad determina en cada uno de los escenarios el incremento de los ahorros en la medida que la política de recuperación

establecida por la compañía. Desde el escenario inicial con una política del 10% hasta el escenario número 5 que contempla un porcentaje de

recuperación del 42% encontramos un ahorro que podría llegar hasta la suma de $77.440.222. De igual modo se puede evidenciar el uso de la

capacidad de los medios de transporte, los cuales en el escenario 5 llegarías hasta un 37% primer trayecto y 33% segundo trayecto en flujo inverso, lo

cual representa una oportunidad para la compañía, no solo para el transporte de material recuperado en flujo inverso, tambien es posible para el

transporte de otro tipo de materiales que podría representar un ahorro adicional para el modelo TG.

Escenario INICIAL Escenario 1 Escenario 2 Escenario 3 Escenario 4 Escenario 5

% RECUPERACION 10% 12% 16% 22% 31% 42%y (q,a,k) - Cantidades Recuperadas 25.341 30.412 40.459 55.754 76.028 101.380

Tarifa de recuperacion 764$ 764$ 764$ 764$ 764$ 764$

COSTO TOTAL 671.174.956$ 670.334.642$ 674.125.296$ 672.656.663$ 670.293.457$ 669.575.826$

ahorro 19.357.000$ 23.230.539$ 30.905.050$ 42.588.303$ 58.074.819$ 77.440.222$

Dif vs Anterior 3.873.539$ 7.674.511$ 11.683.253$ 15.486.517$ 19.365.402$

COSTO ( FO) GAMS 651.817.956$ 647.104.103$ 643.220.246$ 630.068.360$ 612.218.638$ 592.135.604$

% AHORRO 2,88% 3,47% 4,58% 6,33% 8,66% 11,57%

Dif vs Anterior 0,58% 1,12% 1,75% 2,33% 2,90%

% Ocupacion Escenario INICIAL Escenario 1 Escenario 2 Escenario 3 Escenario 4 Escenario 5

i - j 100% 100% 100% 100% 100% 100%

j - w 67% 67% 67% 67% 67% 67%

w - q 24% 24% 24% 27% 30% 37%

q - a 14% 14% 16% 20% 23% 33%

ANALISIS DE SENSIBILIDAD - RESULTADOS GAMS


2017

82

3.4.5.1 Resultados del Análisis de Sensibilidad

Una vez realizado el análisis de sensibilidad con los escenarios propuestos, se obtienen los

siguientes resultados:

- El ahorro obtenido es directamente proporcional al incremento en el porcentaje de

material recuperado en cada uno de los escenarios. En la medida que incrementa el

volumen de insumos a recuperar, incrementa el ahorro.

- Se puede evidenciar como el valor del costo mínimo de la función objetivo disminuye

en la medida que las cantidades de insumos recuperados incrementa, por lo cual se

determina que la relación entre el valor del costo mínimo de la función objetivo y las

cantidades a recuperar son inversamente proporcionales.

- Los valores de ahorro se estipulan entre 19 (Millones COP) y 78 (Millones de COP)

en cada uno de los escenarios, con una variación en los porcentajes de recuperación

entre el 10% y el 42%, por lo cual se concluye que el modelo es sensible en ahorro a

una variación mínima del porcentaje de recuperación.

- Los niveles de ocupación de los medios de transporte en flujo directo, no presentan

variación, debido a que el objetivo del análisis de sensibilidad, es realizar la variación

de los porcentajes de recuperación en sentido inverso y validar su impacto en el costo.

- Los niveles de ocupación de los medios de transporte en flujo inverso presenta

variación en sus niveles de ocupación, en el primer trayecto que comprende entre el

nodo origen y el centro Cross Docking existe una variación entre el 24 y 37%, y en el

segundo trayecto que comprende entre el centros cross docking y los nodos destino del

14 al 33%


2017

83

3.4.6 Ahorros Proyectados del Modelo TG – 2017.

Tabla 12: Proyección 2017 – Modelo TG

PROYECCION 2017 - APLICACIÓN DEL MODELO TG

MES 1 2 3 4 5 6 7 8 9

%Recuperacion 10% 12% 14% 16% 18% 20% 22% 24% 26%

CANT 25,341 30,412 35,483 40,554 45,625 50,696 55,767 60,838 65,909 TOTAL

AHORRO (MM) $ 19,357 $ 23,231 $ 27,104 $ 30,978 $ 34,851 $ 38,725 $ 42,598 $ 46,472 $ 50,345 $313,660

Fuente: Autor

- Después de obtenidos los resultados del modelo TG con la adaptación al modelo CSI y teniendo en cuenta el análisis de

sensibilidad, es posible dimensionar una proyección de ahorro para el año 2017 teniendo en cuenta un incremento en el

porcentaje de recuperación del 2% cada mes, por lo cual es posible proyectar un ahorro total anual de $313.660 (Millones

COP). Este porcentaje de recuperación, corresponde a la propuesta generada por la gerencia de la compañía Thomas Greg

Express, como estrategia de sostenibilidad ambiental en su política de logística inversa. La cual debe ser visible a cada una de

las dependencias de la compañía a nivel nacional por medio de divulgación de instructivos, manuales, procesos de capacitación

en el cual se logre vincular a toda la compañía y se concientice sobre la recuperación de insumos que llega a cada una de las

sucursales. De igual manera promover con los usuarios y cliente finales la conciencia de reutilización y de retorno de estos

materiales antes de ser desechados por medio de los medios habituales. Para ello la compañía buscara establecer puntos verdes

en sucursales para consolidar estos materiales.


2017

84

PARTE IV: Conclusiones y Recomenndaciones

4 Conclusiones

- El diseño del modelo de CSI propuesto en el presente estudio, logro la integración de

las variables de una cadena de suministro y la política de logística inversa, al

caracterizar los flujos directos e inversos mediante una estación Cross Docking,

haciendo posible determinar las variables de recuperación de materiales teniendo en

cuenta el uso óptimo de los recursos disponibles.

- Se logró determinar en el proyecto, que las políticas de sostenibilidad ambiental en las

cadenas de suministro, no representan actualmente una prioridad para los gerentes

actuales, sin embargo se concluye como este factor no solo representa una factor de

visibilidad y permanencia de las empresas en el mercado, si no que representan una

oportunidad de rentabilidad e ingresos para los nuevos negocios.

- Mediante el modelo CSI, se logró caracterizar el flujo de las operaciones de una

cadena de suministros teniendo en cuenta una política de sostenibilidad y el cual a su

vez fue probado mediante prueba piloto con el modelo TG propuesto para este estudio

- Es importante el análisis de datos de entrada que el experto o gerente de cadena de

suministro debe realizar, con antelación al proceso de modelamiento, la calidad de los

resultados dependen de esta importante actividad.

- Al realizar la prueba piloto, se logró determinar que el modelo CSI del presente

estudio es adaptable a los diferentes requerimientos de la cadena de suministro, las

cuales dentro de sus planes sostenibilidad deseen incorporar políticas de recuperación

de materiales y/o productos.

- De los resultados de la prueba piloto y de acuerdo a los resultados de las variables de

estudio, es posible determinar el comportamiento de la cadena de suministro

inteligente para la toma de decisiones. En el caso de la prueba del presente estudio es


2017

85

determinar el porcentaje de recuperación que la empresa de cadena de suministro

desee integrar.

- Los resultados de la prueba piloto del presente estudio, lograron determinar la

viabilidad de la integración de la política y la proyección de ahorros que una empresa

de cadena de suministro podría originar al integrar este tipo de políticas a sus planes

logísticos.

4.1 Recomendaciones

Como recomendaciones a tener en cuenta, con el fin de futuras mejoras o cambios al modelo

CSI propuesto en este estudio, se puede sugerir lo siguiente:

- Es posible tener en cuenta un plan para distribución de medios de transporte a lo largo

de la red logística de estudio, para así obtener mayores eficiencias en los niveles de

ocupación de los mismos.

- Es posible incorporar parámetros MULTI-PRODUCTOS, MULTI-PROVEEDORES,

MULTI-INSUMOS etc., con el fin de determinar los ahorros por estos tipos y no

únicamente por carga en KG movilizada a través de los flujos directos e inversos del

modelo CSI, con lo anterior el modelo es factible de ser adaptado a mayor porcentaje

de sistemas logísticos.

- Es posible con la información de entrada, llevar el estudio a herramientas de

simulación de sistemas, con el fin de determinar el comportamiento de otras variables

de interés e indicadores de desempeño del sistema.

- Es recomendable para próximas aplicaciones, contemplar un escenario con varios

centros cross dockig, teniendo en cuenta que el modelo es adaptable para este tipo de

parámetros


2017

86

PARTE V: Publicacion y Anexos

5 Publicacion

Del presente proyecto de investigacion, surge el articulo denominado: Logística inversa y su

integración a la cadena de suministro inteligente como estrategia de competitividad

empresarial: propuesta de aplicación a sistemas cross docking, el cual fue publicado

en el mes de Junio del 2014 y el cual se encutra disponible en el anexo 2, del presente

trabajo de investigacion el cual describe inicialmente el panorama alctual de las cadenas

de suministro inteligentes y representa una introduccion a la presente investigacion para

llegar asi, a los resultados que se pretendieron alcanzar.

5.1 listado de anexos

Anexo 1: Análisis de entrada GAMS

Anexo 2: Publicacion

Anexo 3: Diagrama de Flujo Modelo TG

Anexo 4: Modelo CSI GAMS

Anexo 5: Análisis de Salida GAMS

Anexo 6: Modelo CSI GAMS Sensibilidad


2017

87

REFERENCIAS BIBLIOGRAFICAS

Avila Cano, L., & Cabarcas, A. (2011). Magazine. Recuperado el 15 de 08 de 2013, de un

modelo de markov sobre los efectos de la liquidez en los procesos de logística inversa:

http://www.scoop.it

Ballou, R. (2004). Supply Management. En R. Ballou, Supply Management. Mexico: Prentice

Hall.

Beltran, N. (2012). Revista de Logistica. Retrieved Abril 2014, from Cadenas de Suministro

Verdes, Oportunidades de Negocio: www.revistadelogistica.com

Calderon, J. (2007). Simulación de Cadenas de Suministro: Nuevas Aplicaciones y Áreas de

Desarrollo. Scielo, 18(137-146). Recuperado el 2013, de Scielo: www.scielo.cl

Cely, A. (25 de 07 de 2013). Importancia de la logistica inversa para un desarrollo sostenible

en colombia. Recuperado el 10 de 06 de 2017, de Revista la Salle: www.lasalle.edu.co

Ceniga, P., & Sukalova, V. (17 de 10 de 2015). Future of logistics Management in the process

of globalization. Obtenido de Sciencedirect: www.Sciencedirect.com

Cespon, M., Castro, R., & Rodriguez, M. (1 de 1 de 2016). Optimization model to sustainable

design of multiple-products recycling supply chain. Recuperado el 09 de 06 de 2017,

de Scopus: www.scopus.com

Chopra, s. (2008). Administración de la cadena de suministro, Estrategia, planeación y

operación (Tercera edicion ed.). Mexico: Person Education.

Cifuentes, S., & Moncada, A. (06 de 2012). análisis de la función inversa de la logística en el

proceso de distribución industrial en la línea de avicultura en SOLLAS.A.:

recomendaciones de mejoramiento. Recuperado el 2013, de Revista Virtual Pro -

Gestion Logistica: www.revistavirtualpro.com

Diaz, A., & Alvarez, M. (2004). Logistica Inversa y Medio Ambiente: Aspectos estrategiscos

y operativos. Madrid: Mc Graw-Hill.

Dondo, R., & Mendez, C. A. (2 de 3 de 2016). Operational planning of forward and reverse

logistic activities on multi-echelon supply-chain networks. Recuperado el 09 de 06 de

2017, de Scopus: www.Scopus.com

Gomez, A. (17 de 12 de 2010). Inverse logistics a process with environmental and

productivity impacts. Recuperado el 10 de 06 de 2016, de Scielo: www.scielo.org.co

Holweg, M., & Disney, S. (s.f.). The evolution Frontiers of the Bullwhip Problem., (págs.

707-716). Budapest Hungary.


2017

88

Jarrin, J., & Ramirez, P. (05 de 2012). Análisis y Caracterización de la logística Inversa en el

sector Papel en Colombia. Recuperado el 02 de 2013, de Unisabana:

www.unisabana.edu.co

Kalenatic, D., & Lopez, C. (2008). localización de una plataforma de Cross Docking en el

contexto de logística focalizada utilizando distancias euclidianas. Ciencia e Ingeniería

Neogranadina, XVIII(1), 17-34.

Kaminski, P., & Simchi-Levy, D. (2008). Designing and Managing the Supply Chain. Boston:

MC Graw-Hill.

Kumar, V., Brady, M., Garz, J., & Simpson, M. (10 de 05 de 2016). Resolving forward-

reverse logistics multi-period model using evolutionary algorithms. Recuperado el 09

de 06 de 2017, de Sciencedirect: www.Sciencedirect.com

Leal, E., & Perez, G. (2009). Plataformas Logísticas: Elementos conceptuales y Rol del

Sector Publico. Recuperado el 2013, de Boletín facilitación del comercio y el

transporte en América latina y el Caribe: http://www.cepal.org/

Logística, el reto para los TLC que tiene Colombia. (2014, ENERO 7). Retrieved MARZO

2014, 24, from http://www.portafolio.co/negocios/logistica-colombia

Melchor, F., & Santos, E. (2010). Aplicación de un Modelo para la implementación de

logística inversa en la etapa productiva. Revista de la Facultad de Ingeniería

Industrial.

Moavenzadeh, J. (2013). Enabling Trade Valuing Growth Opportunities. World Economic

Forum. Geneva.

Monroy, N., & M, A. (2006). Logística Reversa:Retos para la Ingeniería Industrial. Revista de

Ingeniería.

Peña, C., Osorio, J., Vidal, C., Torres, P., & Marmolejo, L. (28 de 10 de 2015). Reverse

logistics in the plastics subsector. Recuperado el 09 de 06 de 2017, de Scopus:

www.Scopus.com

Peña, V., & Zumelzu, L. (2006). Cadena de Suministro: Sus niveles e Importancia” Modelado

de procesos de Negocio". Departamento de Informática, Universidad Técnica

Federico Santa María.

Ramirez, A. (01 de 03 de 2007). Nuevos Beneficios de la Logistica inversa para empresas

europeas y colombianas. Obtenido de Universidad del Rosario: www.urosario.edu.co


2017

89

Ribas, I. (2007). Estado del Arte de la Planificación Colaborativa en la cadena de suministro:

Contexto Determinista e Incierto”. Intangible Capital.

Roghanian, E., & Pazhoheshfar, P. (05 de 05 de 2014). An optimization model for reverse

logistics network under Stochastic environment by using genetic algorithm. (J. O.

SYSTEMS, Ed.) Recuperado el 08 de 06 de 2017, de Sciencedirect:

www.Sciencedirect.com

Salvatore, C. (01 de 06 de 2012). Los cuatro arquetipos de cadenas de suministro. (U. B.

Review, Ed.) Revista Virtual Pro. Recuperado el Agosto de 2013, de

www.revistavirtualpro.com

Soto, D., & Rovira, J. (2009). La cadena de suministro inteligente del Futuro. Somers, NY.

Soto, J., Thiell, M., & Colome, R. (17 de 1 de 2017). Reverse - Cross-Docking. (E. ltd, Ed.)

Recuperado el 8 de 06 de 2017, de Scopus: www.scopus.com

Svensson, G. (2008). Gestión de la cadena de suministro frente a la gestión de la cadena

sostenible. Esicmarket.

Tarepues, J. c., & Gloria, B. S. (2010). GAMS Aplicado a las ciencias economicas.

Recuperado el 22 de 11 de 2016, de Universidad Nacional de Colombia:

fce.unal.edu.co

Verma, A. (01 de 06 de 2012). Achieving supply chain competitiveness: some critical issues.

Revista Virtual-pro, II(2).

Vicedo, J. (2007). La gestión del conocimiento en la cadena de suministro: Análisis de la

Influencia del contexto organizativo. Universidad Politécnica de Valencia, I(18), 127-

135.

Villa, M., & Torres, D. (2011). Revisión Bibliográfica de los enfoques de Juegos y Vendor

Managed Inventory (VMI) para el estudio de cadenas de suministro. Universidad de

los Andes.

TRABAJO DE GRADO -...

Documents

Transcript of TRABAJO DE GRADO -...