CADENA DE SUMINISTROS

[pic 1][pic 2][pic 3]

INGENIERÍA EN GESTIÓN EMPRESARIAL

CADENA DE SUMINISTROS

Alumnos:

Adán Chautla Juan Eduardo

          Hernández Trejo Andrea

UNIDAD 1

Ejemplo de éxito en empresas

[pic 4]RESUMEN Y CONCLUSIÓN

DOCENTE: BAHENA DIAZ ALMA

      FECHA: 23/Septiembre/2020

RESUMEN

En el presente trabajo se considera el problema de asignación de asientos para diversas clases de clientes en una red de Aerolíneas, más conocido en inglés como Network Revenue Management. Usando la metodología de programación dinámica, se busca maximizar el beneficio esperado sujeto a restricciones de tiempo y capacidad de los aviones en la red. Bajo este escenario el problema es altamente riesgoso, pues los costos de operación son elevados y el producto que se ofrece es perecible, es decir, los asientos libres no se pueden inventariar lo que genera pérdidas. Para enfrentar esto se propone resolver usando optimización adversa al riesgo más conocida como optimización robusta. En la industria de servicios tales como Aerolíneas, Transporte y Hoteles, cuya capacidad es limitada, se enfrentan a diario con el problema de asignar en forma eficiente el inventario disponible a diferentes segmentos de la demanda.

Planteamiento del problema

El problema principal al que se enfrentan las aerolíneas al momento de vender pasajes de vuelos interconectados en una red, es si aceptar o rechazar a un cliente de clase j en el tiempo t cuando existen n = n(1),..., n(k) asientos disponibles en la red, donde n(k) representa la capacidad disponible del avión k. Para ello en revenue management se ha desarrollado una variedad de modelos que permiten tomar la decisión correcta, estos distintos modelos tiene sus ventajas y desventajas. Por lo tanto, lo complejo del problema es debido a la demanda incierta y la presencia de múltiples clases de clientes con distinta disposición a pagar por el mismo asiento. El desafío de esta situación es tener las herramientas para separar o segmentar los clientes y cobrarles de acuerdo a lo que están dispuestos a pagar.

Solución propuesta y resultados esperados

El objetivo principal es encontrar una política de control de asientos que sea relativamente insensible ante variaciones en la demanda. Como resultado se espera que los ingresos esperados, generados por una solución robusta, sean menos variables que los generados por los modelos tradicionales de Revenue Management. La ventaja de usar este nuevo modelo es que en presencia del peor caso, o demandas muy distintas a la esperada, se espera que el modelo robusto genere mejores ingresos promedio. Sin embargo, la desventaja de un modelo robusto es que las soluciones tienden a ser más conservadoras y generan menores ingresos promedio comparado con modelos tradicionales.

Objetivos Generales

Generar un modelo matemático robusto para este problema tomando en cuenta la incertidumbre en los supuestos de demanda.

Objetivos Específicos

Construir un modelo de Programación Dinámica que genere una política de control óptima, es decir, que indique cuándo aceptar o rechazar un cliente, dependiendo de las capacidades de la red y el tiempo.

CONCEPTOS BÁSICOS DE REVENUE MANAGEMENT

Qué significa Revenue Management-. La definición clásica de RM sostiene que es el arte de vender el producto correcto, al cliente correcto, en el momento correcto. También se puede entender como el proceso de entender, anticiparse e influenciar el comportamiento del consumidor con el fin de maximizar los ingresos esperados

Marco conceptual del RM

¿En qué situaciones es posible aplicar RM? Una posible respuesta es: en cualquier negocio donde las decisiones tácticas sobre la demanda son importantes, y existe una cultura relacionada con la tecnología y el management que permiten implementarlo. La demanda de una empresa tiene múltiples dimensiones, incluyendo (1) los diferentes productos que vende, (2) los tipos de cliente que atiende, sus preferencias por productos y comportamientos de compra, y (3) el tiempo. Si bien es posible agregar otras dimensiones (tales como, ubicación o canal de venta), estas tres sirven como ejemplo para ilustrar la idea.

Teniendo esta conceptualización del problema, podemos obtener una mirada más profunda sobre las condiciones que deben darse para que RM sea beneficioso. Estas son algunas:

1. Heterogeneidad de los clientes. Mientras más heterogéneos son los clientes, mayor es el potencial de utilizar este factor para incrementar los ingresos. Los hoteles y aerolíneas proveen un buen ejemplo de esta característica.
2. Variabilidad de la demanda. Mientras más varíe la demanda a través del tiempo (debido a estacionalidades o shocks) y mientras más incertidumbre haya sobre la demanda futura, más complicado será tomar decisiones, aumentando las posibilidades de cometer un error.
3. El precio como señal de calidad. A veces el precio no es símbolo de status ni tampoco señal de calidad. En aerolíneas, generalmente los clientes no asocian la tarifa de un ticket con la calidad del vuelo, pagar US$300 extras por un pasaje comprado a último minuto no significa tener un mejor vuelo.

MODELO DE PROGRAMACIÓN DINÁMICA MEDIANTE OPTIMIZACIÓN ROBUSTA

En los modelos matemáticos de optimización, comúnmente se asume que las entradas de datos se conocen con precisión y pasan por alto la influencia de la incertidumbre de los parámetros de la optimización y viabilidad de los modelos. Por lo tanto, es esperable que si los datos difieren de los supuestos valores nominales, la solución óptima puede violar restricciones críticas y tener un mal desempeño desde el punto de vista de la función objetivo. Estas observaciones motivan el desarrollo de nuevos modelos de optimización que sean ‘inmunes’ a la incertidumbre de los datos. En la optimización matemática, por lo general se asume que los datos se conocen con precisión. A continuación, se minimiza (o maximiza) una función objetivo sobre un conjunto de variables de decisión de la siguiente manera:

 min f0(x, D0)

s.a. fi(x, Di)  0 8i 2 I,

Donde x es el vector de las variables de decisión y Di, i ∈ I son los datos que son parte de las entradas del problema de optimización. Cuando los parámetros en la función objetivo son inciertos, es poco probable alcanzar el valor óptimo. Es por eso que el grado de variación en la función objetivo es a menudo un motivo de preocupación. Un método clásico para hacer frente a la incertidumbre de los parámetros, es el análisis de sensibilidad. Aquí, el tomador de decisiones ignora la influencia de la incertidumbre de los datos en sus modelos, y posteriormente, realiza análisis de sensibilidad para justificar sus soluciones. Sin embargo, el análisis de sensibilidad es sólo una herramienta para el análisis de la calidad de una solución. En vista de estas dificultades, es necesario un buen manejo de la incertidumbre en los parámetros, con el fin de obtener soluciones robustas óptimas que no signifiquen un gran costo en términos de esfuerzo computacional.

...