Dinámica de la cadena de suministro, un

estudio de caso sobre las causas

estructurales del efecto Bullwhip
Resumen

Este artículo es un caso de estudio sobre el modelado de la estructura de toma de

decisiones de la cadena de suministro de una embotelladora en México. Al modelar las
cadenas de suministro de esta manera, es posible identificar las políticas gerenciales y
los flujos de información que introducen y amplifican las distorsiones en la
demanda. En la segunda parte de este artículo, utilizamos dos escenarios para analizar
posibles modificaciones en las políticas de dirección. Este trabajo ilustra no solo una
forma innovadora de estudio, el efecto látigo, o una forma distinta de modelar las
cadenas de la seguridad que utilizan los principios de la dinámica de los sistemas, sino
que también establece una relación entre la estructura de información, las políticas de
los gerentes y las distorsiones en la cadena de suministro.

Descriptores: Dinámica de sistemas, cadenas de suministro, caso de estudio, efecto

látigo.

Abstracto

Este es un estudio de caso sobre el modelado de una estructura de decisión de cadena

de suministro de una empresa embotelladora mexicana. Encontramos que al modelar
la información y la estructura de decisión de las cadenas de suministro, es posible
identificar políticas administrativas y flujos de información que distorsionan y
amplifican las señales de demanda del mercado. En la segunda parte del documento
usamos dos escenarios para analizar varios cambios en las políticas. Este documento
ilustra no solo una forma innovadora para estudiar el efecto Bullwhip ni solo una
manera diferente de modelar las cadenas de suministro usando la dinámica del
sistema, sino que también establece una relación entre estructuras de información,
reglas de decisión y distorsión de la demanda en las cadenas de suministro.

Palabras clave: dinámica del sistema, gestión de la cadena de suministro, estudio de

caso, efecto látigo.

Introducción

El estudio de la dinámica de la cadena de suministro se trata de empresas que operan

cadenas de suministro de manufactura de múltiples niveles sujetas a capacidades
limitadas de producción y distribución. En cada escalón, los gerentes de operación
reciben órdenes de un escalón aguas abajo e intentan cumplirlas tomando dos
decisiones: despachar desde el inventario disponible y pedir más productos al escalón
aguas arriba. Las políticas de pedidos se basan en la experiencia, la estrategia
operativa y la disponibilidad de la información. El cumplimiento del pedido está
limitado por la capacidad de producción, la capacidad de transporte y la disponibilidad
del inventario. Los sistemas de cadena de suministro tienen principalmente dos
retrasos de tiempo: los pedidos se comunican con retrasos de tiempo de información y
también se cumplen con demoras de tiempo operacionales (por ejemplo, producción y
entrega). El problema de la dinámica de la cadena de suministro consiste en que, dado
un conjunto de políticas de orden de los gerentes en cada escalón, las señales de
demanda del mercado se distorsionarán y amplificarán (el efecto Bullwhip) a través de
los escalones. El objetivo de los problemas de dinámica de la cadena de suministro es
minimizar los costos operacionales derivados de esas distorsiones y amplificaciones
mejorando las políticas de orden de los gerentes.

En el contexto del problema de la dinámica de la cadena de suministro, Forrester

(1962) y Sterman (1989, 2000) han explorado el impacto de los retrasos. Lee et
al . (1997a, 1997b) han explorado el impacto que la lotificación, los descuentos en los
precios, las expectativas de racionamiento y la previsión tienen en la definición de
políticas de orden que conducen a distorsiones en las señales de demanda del
mercado. Towill et al . (1991, 1995), Naim et al . (2002) y Dejonckheere et al . (2002,
2003, 2004) han utilizado un enfoque basado en la teoría de control óptimo para
encontrar políticas de control para suavizar el efecto látigo.

Sin embargo, los enfoques de Forrester y Sterman no llegan a estudiar la dinámica de

la cadena de suministro porque utilizan un flujo predefinido de información y reglas de
gestión que ya no son válidas para las empresas que usan sistemas de
información. Towill et al . (1996, 2000), Dejonckheere et al . (2002, 2003, 2004)
asumen la continuidad del flujo para el sistema de la cadena de suministro en el
tiempo, y que las políticas de la cadena de suministro siempre se pueden reducir a un
conjunto de ecuaciones diferenciales parciales que pueden ser resueltas. Como
sabemos, este no es el caso de cadenas de suministro reales que generalmente son
ecuaciones diferenciales parciales no lineales de orden superior. Lee et al . (1997a,
1997b) no sugirieron ningún nuevo conjunto de políticas para mejorar la respuesta del
comportamiento dinámico de las cadenas de suministro.

PepsiCo tiene dos divisiones, Pepsi Cola North America, para los EE. UU., Y PepsiCo
Beverages International, para el resto del mundo. En 2003, P epsi-Cola North America
(PCNA) tuvo incrementos en el volumen (4%), los ingresos (18%) y el beneficio
operativo (13%) como se indica en la figura 1 . PCNA creció más rápido que su mayor
competidor. De hecho, PCNA ganó participación mientras que la participación de Coca-
Cola disminuyó. Están seguros de que la innovación fue el motor de ese crecimiento,
porque en realidad PCNA trajo una variedad de productos nuevos al mercado.

Gran parte de esa innovación se centró en los refrescos carbonatados (Figura

2) . Pepsi Twist, que es Pepsi con un toque de limón, ayudó al crecimiento en su
negocio de cola. En los 30 días posteriores al lanzamiento de Pepsi Twist en EE. UU.,
Las embotelladoras de Pepsi vendieron más de 10 millones de cajas. Además, en su
primer año completo en el mercado, la lima-limón Sierra Mist generó ventas saludables
y, cuando estuvo disponible, impulsó el crecimiento en la categoría limón-
lima. Mientras tanto, Mountain Dew Code Red contribuyó al fuerte crecimiento de
Mountain Dew del 6%.

Mientras que los refrescos carbonatados tradicionales representan la mayor parte del
volumen de bebidas, a medida que los consumidores buscan una mayor variedad, sus
bebidas no carbonatadas han estado creciendo muy rápidamente, con un volumen de
más del 30% en 2001. De hecho, en la última década han construido la cartera líder
de bebidas no carbonatadas (Figura 3) , que incluye agua embotellada Aquafina, tés
listos para beber Lipton, bebidas de café Frappuccino, jugos y bebidas Dole y bebidas
SoBe.

Aquafina ya es el agua embotellada de mayor venta en Estados Unidos. En el año de

su introducción (2001), su volumen creció alrededor del 45%. El lanzamiento de una
nueva botella ayudó al crecimiento de PCNA de más del 20% en Lipton Iced Tea. Y el
crecimiento del volumen adicional provino de los productos de las marcas Dole y
SoBe. El objetivo de PCNA es continuar mejorando su posición en el mercado (Figura
4) para convertirse en la compañía de bebidas de mayor
crecimiento y mayor alcance. Para esta estrategia, es fundamental para mantener la
expansión continua de su cartera de productos.

PCNA, en colaboración con Frito-Lay North America (FLNA), también agregó emoción a
las campañas de marketing premiadas en 27 centros urbanos de los EE. UU.
Incluyeron merchandising, promociones y publicidad que captaron la atención de los
consumidores afroamericanos y latinos. PCNA y FLNA activaron más de 5.500 cuentas
y lograron aumentos de volumen de más del 25% en las tiendas participantes.

PepsiCo Beverages International (PBI), formada después de la fusión PepsiCo-Quaker

combinando las operaciones internacionales de Pepsi-Cola, Gatorade y Tropicana,
registró una sólida actuación en su primer año. El volumen subió casi 5% (Tabla 1) ,
igualando a su competidor más grande. Los ingresos aumentaron un 2%. La ganancia
operativa aumentó un 31%.

En particular, el crecimiento del volumen en Rusia, China, Brasil y Tailandia contribuyó

a los avances en la participación de mercado. De hecho, PBI ganó participación en la
mayoría de sus principales mercados, con un progreso particular en Líbano, Rusia,
Venezuela, Vietnam y Egipto.

Aquí también, la innovación fue un factor importante. Las extensiones de la marca

insignia Pepsi ayudaron a impulsar el crecimiento en una variedad de mercados
locales. Por ejemplo, Pepsi Limón y Pepsi Twist, en ambos casos, Pepsi con un toque
de limón, demostraron ser también populares en países tan diferentes como México y
Arabia Saudita. El lanzamiento de Mountain Dew contribuyó significativamente al
crecimiento en Rusia. Y se lanzaron nuevas incorporaciones a la línea establecida de
sabores de la marca Mirinda en más de 30 mercados.

Durante 2003, PBI obtuvo importantes ventajas al reunir a Pepsi-Cola, Gatorade y

Tropicana. La combinación de las funciones generales y administrativas de estos
negocios en todo el mundo produce ahorros de costos muy sustanciales. En efecto, la
combinación de agua de Gatorade, Tropicana y Pepsi hizo un portafolio poderoso para
una amplia gama de necesidades, desde un simple refrigerio hasta nutrición e
hidratación post ejercicio, para los consumidores de todo el mundo.

Consideraciones de modelado

En nuestro estudio de caso, trabajamos con la embotelladora principal de PepsiCo

Beverages International en México: EMSA (Embotelladora Mexicana Sociedad
Anónima), que atiende el centro de México, incluidos los estados de Jalisco y el
Bajío. De acuerdo con su gerente de la cadena de suministro, EMSA se considera el
estándar operacional para el resto de Latinoamérica. Seleccionamos un producto de
alto volumen de ventas, en este caso Pepsi 600ml, que representa casi el 40% de las
ventas netas.

Al igual que con cualquier otra compañía de bebidas, EMSA se interesa principalmente
en las políticas de orden perfecta. Es decir, mantener los inventarios en todos los
minoristas posibles, ya que la sustitución de productos frente a la competencia es muy
frecuente. En su negocio, la presencia del producto en el punto de venta se traduce en
ventas.

Jefe de compras

La principal materia prima para la producción de Pepsi-Cola, aparte del agua, por
supuesto, es el azúcar. Compran azúcar en función del precio. Cada año seleccionan un
pequeño conjunto de proveedores de un grupo de posibles proveedores. El precio del
azúcar varía según el mercado. En México, la mayoría de los productores son de
propiedad estatal. Hay una cantidad mínima de azúcar para comprar mensualmente de
185Ton. Los gerentes de compras también son responsables del suministro de latas de
aluminio y botellas de plástico o vidrio. Los gerentes de compras generan un plan de
suministro una vez al mes y con al menos un mes de anticipación. Pepsi usa su propia
flota de camiones para recoger los materiales de algunos proveedores. El siguiente es
un extracto de las entrevistas con el gerente de compras:

"Tenemos dos almacenes principales por planta: uno para materias primas (azúcar,
etiquetas, botellas y latas), y otro para el jarabe de Pepsi solamente. En este momento
tenemos US $ 1,2 millones en inventarios de materias primas. En este almacén, hay
componentes que se administran contra pedidos programados: etiquetas, botellas y
latas, etc. Tenemos una política mínima de inventario de existencias ...

Ordenamos en base a un máximo y un mínimo con pequeñas correcciones de acuerdo

a la demanda real ... Tenemos que tener en cuenta el mantenimiento, y pedir con
antelación cuando sea necesario. También tenemos pedidos para ser confirmados
mensualmente. Cada semana revisamos nuestros inventarios y pagamos sus
facturas. El 80% de nuestra compra es jarabe de Pepsi y azúcar.

Cuando se produce el lanzamiento de un nuevo producto, tenemos que trabajar

estrechamente con los diseñadores de PepsiCo México. Los diseños se proporcionan
desde la sede corporativa, luego los reenviamos a nuestros proveedores de etiquetas
junto con un pedido de compra inicial ...

Mi principal problema con Logistics es que nunca me dieron el programa de producción

".

Jefe de producción
Cuando entrevistamos al gerente de producción, además de estar orgullosos de sus
premios de excelencia en calidad y logros en la reducción de residuos, señaló que uno
de los problemas era la obsolescencia del producto debido a la vida útil. Cuando ocurre
una escasez de producción, utilizan las ventas pasadas como una guía para asignar los
productos disponibles para cumplir con las órdenes de demanda de los RDC. Esto ha
generado en los gerentes de ventas la cultura de sobre ordenar cuando aparecen las
expectativas de racionamiento. El gerente de producción también decide acerca de la
producción externa de componentes, especialmente para la producción de botellas.

"Me baso mucho en las posiciones de stock en el sistema de información.

Principalmente, observo las posiciones de inventario en los almacenes o CEDIS (CEntro
de Distribution). Tengo mi propia política de inventarios. Siempre trato de seguir mi
política, que es óptima . Miro los inventarios una vez a la semana y desde allí hago un
plan semanal: ¿cuánto necesito para cada producto para la próxima semana en base a
mi pronóstico y posición de stock? ¿Cuánto es mi exceso o escasez? ... entonces
Decido si necesito producir muchos o algunos.

Ahora, en [el caso de] los productos embotellados de plástico y vidrio, porque nunca
tenemos inventarios altos [caros], necesito ser muy flexible en la programación. Pero
ese no es el caso de las latas; [allí] Intento hacer largas tiradas de producción por
semana. De esta manera puedo optimizar el número de cambios y configuraciones,
para diferentes sabores y tamaños ... [por lo tanto] la chatarra se reduce ... si realizo
muchos cambios y configuraciones, se produce chatarra ... [es por eso que] mi la
intención es hacer carreras largas cada semana ".

Gerentes de ventas

Tienen toda la información del mercado en un sistema llamado SIME (Sistema de

Información de MErcado), cliente por cliente. Tienen más de 150,000 puntos de
venta. Reconocen que su principal negocio es la distribución, ya que la publicidad
depende de la sede de PepsiCo. El nivel promedio de educación alcanzado por un
vendedor es la escuela secundaria. En principio, el pronóstico lo producen los gerentes
operativos que usan estándares econométricos, y los gerentes de ventas son
responsables de afinarlo con los volúmenes de demanda esperados por zona y por
producto. Los gerentes de ventas no siguen el enfoque ascendente para crear un
pronóstico, debido a la experiencia previa, donde la demanda fue exagerada por los
vendedores en un porcentaje acumulativo del 80%, impulsado por el instinto de
garantizar la disponibilidad del producto.

. nunca nos llaman para validar el pronóstico ... ¡eso es lo que tenemos que mejorar!
... . nunca nos llaman para validar el pronóstico ... ¡eso es lo que tenemos que
mejorar! ...

Todo va de la mano con las ventas ... si no tenemos el producto que no podemos
vender ... el desafío de la producción es producir todos los productos necesarios
(paquetes, etiquetas) a fin de enviar los productos a tiempo para llegar al almacén
antes de tiempo. y luego el vendedor puede tomar el producto y entregarlo a nuestros
clientes como debe ser: alta calidad, buena imagen, buenas condiciones de botellas,
etc. Creo que la producción solía hacer un buen trabajo, al igual que las ventas.
Tenemos muchas cosas que mejorar ".
Gerente de Logistica

Su principal problema es la distribución, en particular relacionada con la administración

de diferentes tamaños de camiones y furgonetas, y el uso de transporte de
terceros. Los gerentes de logística no tienen una visión clara sobre qué RDC pueden
recibir camiones de tamaño completo, pero saben que las plantas pueden recibir
camiones de doble tamaño. Están intentando usar la flota interna tanto como sea
posible pero sin reemplazarlos, debido a una estrategia para pasar de los camiones
propios al transporte de terceros. Su desempeño se mide en relación con el costo de
transporte (por unidad de producto) y la capacidad promedio cargada por camión (%
de carga / capacidad).

Descripcion del modelo

Dada la naturaleza de la metodología de Dinámica del Sistema (Sterman 2002; Lane

2001; Doyle y Ford 1998), el modelo no enfatizará los detalles de la red de la Cadena
de Suministro. Los modelos SD son abstracciones que concentran la atención no en un
modelo detallado de la realidad sino en los ciclos de causa-efecto y de
retroalimentación que generan un comportamiento dado. En nuestro caso, el
comportamiento del estudio es el efecto Bullwhip, y las causas del comportamiento se
definen mediante las políticas de los gestores de la cadena de suministro, que toman
decisiones basadas en un flujo de información dado. Por lo tanto, el modelo está
limitado en detalle pero no en significado, ya que nuestro análisis de las distorsiones
es de naturaleza agregada. Particularmente, un modelo de esta naturaleza no necesita
detallar múltiples plantas o CD ni productos para analizar el uso de la información y el
proceso de toma de decisiones de los gerentes.

El modelo pone énfasis en el modelado de políticas de los gerentes de la cadena de

suministro que pueden basarse en su propia experiencia o conocimiento. Hacemos
explícito el uso de los flujos de información y sus fuentes. El modelo muestra la
disponibilidad y confiabilidad de la información a través de los sistemas de información
utilizados por la empresa. El modelo también se puede usar para analizar la
congruencia de los responsables de la toma de decisiones con respecto a los sistemas
de información.

Hemos seleccionado para la validación y calibración de modelos (parametrización) la

demanda histórica para el año 2002. Sobre la base de esta demanda, hemos modelado
la dinámica de la cadena de suministro al incluir políticas heurísticas según lo descrito
por los gerentes de la cadena de suministro durante nuestras entrevistas. El modelo
muestra el comportamiento agregado principal de los inventarios, las diferencias entre
el plan y la ejecución y el nivel de servicio resultante. La toma de decisiones ocurre al
comienzo de cada semana, cuando los gerentes miran los sistemas de información y
deciden cuánto ordenar en sentido ascendente. Cada evento con menos de 1 semana
de duración se considera simultáneo para los propósitos de la simulación. La unidad de
paso de tiempo es semanas y todas las cantidades de pedido están en unidades
equivalentes de productos terminados.
La Figura 5 muestra el diagrama modelo para Pepsi 600ml. Los rectángulos
representan posiciones de existencias de materias primas, WIP y productos
terminados. Como se puede ver, en el modelo hemos definido cuatro posiciones de
stock en el modelo: materia prima (RM), trabajo en proceso (PLANTA), productos
terminados en depósitos (DC) y productos terminados en depósitos (RDC). Las
unidades de stock de materia prima representan todos los componentes necesarios
para construir una unidad de productos terminados.

Las variables se representan con círculos y constantes con diamantes. El valor de la

variable o constante se comunica a otra variable dibujando una sola flecha. Algunas
variables representan a los responsables de la toma de decisiones (gerentes) e
incluyen el uso de entradas de información en una función que termina con una
decisión numérica (por ejemplo, orden de producción). Los gestores de la cadena de
suministro están representados por las variables proc_mgr , prod_mgr y log_mgr . En
general, estos gerentes utilizan las posiciones de stock, el pronóstico y el objetivo de
stock de seguridad para su toma de decisiones.

Los gerentes operativos de EMSA usan el término "cobertura" para definir la política de
existencias de seguridad definida en términos de días / semanas pronosticados de
demanda. Las políticas de stock de seguridad o objetivo de stock de seguridad son
valores constantes. Las políticas de cobertura son diferentes para las materias primas
y los productos terminados, principalmente porque hay una demora de más de una
semana desde la compra hasta la entrega de los materiales.

El pronóstico de demanda se calcula utilizando las últimas 3 semanas (PastTime) de la

demanda histórica y las usamos para proyectar la próxima demanda FutureTime de
acuerdo con la extrapolación de la función FORECAST que utiliza suavización
exponencial.

El modelo agrupa variables / parámetros en dos rectángulos que representan el

sistema de información donde se asigna la información. Pepsi-EMSA tiene un sistema
ERP derivado de AS400 de IBM y un sistema de pronóstico informal basado en Excel.

El modelo puede incluir eventos promocionales y la introducción de nuevos productos,

de tal manera que el pronóstico no solo esté influenciado por las últimas semanas, sino
también por las campañas de marketing. También algunas temporadas especiales en
las que se debe asignar cierta producción por adelantado para evitar la sobrecarga de
producción. Estas ideas son capturadas por las
variables Fcst_Proms y Adv_Production .

Dado que nuestro modelo es continuo, no lineal y de cuarto grado, utilizamos un

método de solución numérica para el análisis. El modelo se describe en forma
matemática de la siguiente manera. Primero, las variables de estado están definidas
por:
Las variables de tasa son definidas:

Las variables auxiliares son:

Valores y parámetros iniciales:

La función DELAYPPL es un Retardo de material de pedido infinito. En el retardo de

orden infinito hipotético (retardo de tubería) no pasa nada a la salida hasta que haya
transcurrido el tiempo de retardo. En este momento, la variable de entrada se
reproduce exactamente. Un retraso en la tubería se puede considerar como una "acera
móvil" o una cinta transportadora, donde los artículos se colocan en el transportador
en un extremo y se expulsan en el otro extremo después de un tiempo fijo.

Este retardo se puede modelar utilizando una cantidad de niveles que igualen la
cantidad de pasos de tiempo en el tiempo de retardo, es decir, Tiempo de Demora /
TIEMPO DE TIEMPO. En cada paso de tiempo, el material se mueve de un nivel al
siguiente, hasta que alcanza el nivel final, donde se genera. En Powersim esto se
puede modelar usando un nivel de vector, y aplicando la función SHIFTLIF en cada
paso de tiempo para mover elementos de una posición a la siguiente.

Retardo de tuberías: Ecuaciones de un retardo de material de órdenes infinitas si

asumimos que hay diez pasos en un tiempo de retardo, las ecuaciones se convierten
en:
Entrada auxiliar = "Tasa de entrada a retrasar"

init InTransit = "Contenido inicial de la demora"

dim InTransit = 1..10

flujo InTransit (i) = dt * (Entrada li = 1; 0) - dt * (Salida li = LAST (i); 0)

Salida aux = SHIFTLIF (TRUE, InTransit)

La función DELAYPPL se utiliza para expresar este tipo de retraso, podemos escribir
directamente:

Salida auxiliar = DELAYPPL (Entrada, Tiempo de demora, 0)

Sintaxis: DELAYPPL (Input, DelayTime [, Initial = Input])

Entrada: variable a retrasar (parámetro retrasado).

DelayTime: tiempo de retardo medido en la unidad de tiempo de la simulación

(parámetro de arranque).

Inicial: valor de retardo inicial (parámetro de arranque opcional con valor

predeterminado igual a Entrada).

Resultado: el valor de Entrada en unidades de tiempo DelayTime anteriormente en la

simulación. Durante las primeras unidades de tiempo DelayTime de la simulación, se
devuelven los valores especificados por Initial (Initial es un vector con un elemento por
paso de tiempo durante un período igual a DelayTime).

Diagrama: El retardo de la tubería, figura 6 , se puede modelar utilizando un vector

con elementos DelayTime / TIMESTEP, que se desplaza linealmente hacia la derecha
cada vez que se realiza:
Ecuaciones

entrada aux = ...

init InTransit = ...
dim InTransit = 1..10
flujo InTransit (i) = dt * (Input li = 1; 0) - dt * (Salida li = LAST (i); 0)
aux Salida = SHIFTLIF

SHIFTLIF_Línea_condicional_Shift_of_Elementos_del_Vector> func (TRUE, InTransit)

La cantidad de elementos de InTransit debe establecerse igual a la cantidad de pasos

de tiempo en un período DelayTime, es decir, DelayTime / TIMESTEP.

Validación

Cuando se ejecuta una simulación utilizando la demanda histórica del año 2002,
podemos observar algunas dinámicas resultantes de la estructura de toma de
decisiones utilizada por los administradores y además de la demanda incierta.

En la tabla 3 , podemos ver el movimiento de existencias en los RDC. El inventario

inicial es 20,000 unidades. Durante la primera semana no tenemos llegadas, pero las
ventas de 13.083 unidades, lo que resulta en un inventario de cierre de 6.917
unidades. Sin embargo, durante la primera semana, el gerente de distribución ordena
los productos terminados del DC en sentido ascendente para volver a los niveles de
stock planificados y cubrir la demanda futura esperada del producto. El envío de DC a
RDC ocurre durante la semana. Por lo tanto, al final de la semana, el RDC restaura sus
niveles de stock planificados. En efecto, durante la semana siguiente, se atiende una
nueva demanda de 15,392 unidades y se reciben 17,189 unidades de stock,
alcanzando un inventario final de 8,714 unidades.
Dado el motivo de este negocio, tampoco es posible contar con el suministro de
pedidos pendientes. Si durante una semana determinada la demanda excede el
inventario disponible, el gerente del proveedor solo sirve tanto como sea posible, y no
considera la escasez para más adelante.

Es importante ver que durante los momentos iniciales de la simulación, comenzamos a

partir de inventarios iniciales (parámetros), y luego de unos momentos el modelo
alcanza un estado de calentamiento que se corresponde más con la evolución del
sistema que con los valores iniciales . Por lo tanto, consideraremos solo el
comportamiento del sistema después de la 10ª semana.

En la figura 7 mostramos el nivel de servicio al cliente. La línea punteada representa el

valor pronosticado y en verde tenemos la demanda 'real'. La línea continua representa
ventas: ya que coincide con la demanda, está cubierta por detrás. Por lo tanto, el
modelo muestra que, dadas las políticas heurísticas de los gerentes de la cadena de
suministro durante el año 2002, no hubo escasez de clientes.

En la industria de bienes de consumo, y en particular en la industria alimentaria, se

sabe que el cliente nunca espera retrasos. Por lo tanto, la asunción de la demanda de
2002 para probar el modelo es significativa para proporcionar una interpretación. Sin
embargo, la compañía solo tiene registros de ventas y no de demanda 'real'. Dado que
utilizamos las ventas como insumo para el pronóstico, se puede introducir un
sesgo. Puede suceder que un bajo pronóstico cause la pérdida de ventas, lo que da
como resultado una diferencia entre las ventas y la demanda "real". Si utilizamos las
ventas en lugar de la demanda en las previsiones, podemos obligar al mercado a
vender solo lo que creemos que venderemos, en lugar de lo que quiere el cliente.

Si analizamos el gráfico de inventarios, figura 8 , podemos observar que se mantienen

altos inventarios y, por lo tanto, un costo de los inventarios derivados de las políticas
heurísticas de los gerentes de la cadena de suministro.

En la figura 8 también podemos ver altas posiciones de stock de materias primas en

comparación con los inventarios de productos terminados. Esto puede deberse a que:
primero, el tiempo de entrega es más de una semana; y segundo porque la política de
cobertura es de una semana. Estos factores en conjunto pueden causar oscilaciones
como las que se muestran en el gráfico, ya que cuando el gerente de compras decide
no solicitar materiales, alcanzamos los límites de existencias de seguridad y se realiza
un pedido grande que genera un exceso de inventario.

Además, en la figura 8 , dado que las existencias tienen un valor inicial ruidoso,
podemos ver que tarda unas 10 semanas en disiparse, y luego aparece el
comportamiento "real" del sistema.

De acuerdo con las políticas heurísticas actuales, los inventarios siguen un

comportamiento similar al descrito por la señal de demanda. Debido a las políticas de
inventario, el stock de seguridad se define como días de cobertura multiplicados por el
pronóstico. Los inventarios alcanzan su punto máximo entre las semanas 15 y 25, que
coincide con el verano. Tenga en cuenta que los inventarios son aproximadamente la
mitad de la demanda. Esto se debe a que la política de cobertura es de 3 días de
demanda.

Los inventarios de trabajo en proceso es igual a 0 unidades, porque el tiempo de

producción siempre es inferior a una semana. Por lo tanto, nada está en proceso al
final de cada semana.

En la figura 8 , es posible ver que los inventarios de productos terminados en los RDC
se mueven antes que los productos terminados en los DC. De hecho, con una semana
de retraso de fase. Esta demora de fase no es causada por el tiempo de entrega, que
es menos de una semana, sino por la demanda que primero se atiende desde el RDC
antes de que el administrador de RDC envíe un pedido a los DC.

También podemos ver en la figura 8 que no tenemos ningún stock negativo. Tenga en
cuenta que la frecuencia oscilatoria no tiene ninguna relación con las variaciones de
demanda. La demanda es claramente estacional durante el año, con picos durante el
verano entre las semanas 15 y 25. Esta distorsión oscilatoria se explica a continuación.
En la figura 9 podemos ver, en primer lugar, cómo las órdenes de producción y las
compras varían con respecto a la recepción de materias primas y la producción de
productos terminados. La variabilidad en la compra y la producción es causada por el
retraso de tiempo y / o la falta de materia prima para producir.

En la figura 9 , en relación con las órdenes de producción, podemos ver una ejecución
perfecta de las órdenes de producción, con la excepción de la semana 45. Debido a la
escasez de materia prima, no es posible producir todos los requisitos provenientes del
gerente de producción. Esta escasez de materia prima produce una reducción de los
inventarios de productos terminados a casi 0 en la misma semana. Este tipo de
escasez artificial es causada por la estructura de las políticas heurísticas definidas por
los gerentes de la cadena de suministro. Está claro que durante la semana 45, no se
experimentó ningún incremento de demanda especial.

En la figura 9 también podemos ver la existencia de un retraso de una semana entre la

orden de compra y el suministro. El gerente de compras usa su posición de stock y
pronostica para ordenar. Dado el retraso y el horizonte temporal, produce oscilaciones
en las órdenes de compra y, en consecuencia, oscilaciones en los inventarios, incluso
cuando el stock de seguridad es constante. La amplitud y frecuencia de estas
oscilaciones no están correlacionadas con las oscilaciones del mercado. Dichas
oscilaciones no correlacionadas pueden producir algunas posiciones de stock cercanas
a cero, y en particular durante la semana 45 producen una escasez de producción, lo
que afecta los inventarios de CD y RDC, y está cerca de impactar en el servicio al
cliente.

Finalmente, la figura 10 muestra las órdenes de distribución, producción y compra para

cada gerente en la cadena de suministro comparada, con la señal de demanda. Del
gráfico podemos ver que las oscilaciones de demanda son menores que las oscilaciones
de distribución, producción y compra, respectivamente. Vemos que la distorsión
incrementada de la oscilación manifiesta el efecto Bullwhip, como lo describe Forrester
(1962).

Finalmente, la figura 10 muestra las órdenes de distribución, producción y compra para

cada gerente en la cadena de suministro comparada, con la señal de demanda. Del
gráfico podemos ver que las oscilaciones de demanda son menores que las oscilaciones
de distribución, producción y compra, respectivamente. Vemos que la distorsión
incrementada de la oscilación manifiesta el efecto Bullwhip, como lo describe Forrester
(1962).

El efecto látigo puede conducir decisiones equivocadas cuando se define la capacidad

de producción o transporte. En nuestro modelo, podemos ver que el almacén de
materias primas necesita una capacidad de 90,000 unidades, e incluso más que para
productos terminados. Esta capacidad de almacenamiento no solo representa un costo
de activo fijo sino también un costo de inventario debido a la inversión
financiera. Considere también que los proveedores pueden recibir pedidos que varían
de 80,000 a cero unidades de un mes a otro.

En efecto, las oscilaciones son particularmente evidentes en las órdenes de compra, y

están influenciadas por pedidos anteriores en la cadena de suministro. Observe, por
ejemplo, que durante la semana 25, la demanda es baja justo después de la
temporada de verano, que se ve amplificada por la distribución y la producción. Pero
durante esa misma semana, el gerente de compras recibe más de 80,000 unidades
debido a una orden de compra lanzada durante la mitad del verano.

El efecto látigo se atribuye principalmente a dos causas: primero, la subestimación de

las demoras entre los pedidos y su cumplimiento; segundo, la existencia de una
motivación entre los gerentes de la cadena de suministro para solicitar más materiales
de los necesarios. Se puede promover una mejor coordinación de la cadena de
suministro por parte de los administradores una vez que los gerentes sean conscientes
de los efectos globales de sus políticas heurísticas en el sistema.

Es intuitivo pensar que un gerente de producción, distribución o compra preferirá la

estabilidad en lugar de la variabilidad. Sin embargo, sabemos que dado que es
imposible eliminar por completo el efecto látigo, es deseable definir políticas
heurísticas que ayuden a controlar y coordinar la cadena de suministro, mientras que
el servicio al cliente es alto, lo que resulta en un mayor rendimiento operativo y
financiero.

Caso de negocio discussio n

Un modelo que represente las políticas de los gerentes de la cadena de suministro se

puede utilizar como un "laboratorio" donde los cambios de políticas se pueden probar
para lograr un mejor rendimiento de la cadena de suministro, de acuerdo con los
objetivos corporativos predefinidos. Preparamos para Pepsi-EMSA algunos análisis de
escenarios iniciales que incluyeron cambios de política para el producto Pepsi 600
ml. Los escenarios incluyeron cambios en las políticas de pronóstico y órdenes de
compra. Ilustraremos qué tipo de escenarios se podrían desarrollar para un estudio
más detallado y cómo evaluar el impacto de las nuevas políticas.

Cambios en las órdenes de compra

Como ya dijimos, la regla de política de compras para las materias primas implica
cantidades dramáticas de amplificación, retraso de fase y oscilación en las órdenes de
compra. Deberíamos esperar que exista una mejor política de compras para minimizar
el orden y los inventarios de materia prima. Supongamos que implementamos una
política de compra durante cuatro temporadas, es decir, para cada temporada
definiremos un volumen constante de compras semanales.

La Figura 11 muestra los valores que los inventarios de materia prima pueden tomar si
se adopta una política de compra estacional. Diremos que la demanda máxima es de
60,000 unidades, es decir, 20,000 unidades menos que la política anterior, con la
ventaja de la estabilidad para el proveedor.

Un posible problema para definir dicha política estacional es la incertidumbre. Esta

política estacional se comporta relativamente bien para la demanda histórica del año
2002, pero debido a su rigidez, no se espera el mismo rendimiento para los años
siguientes.
Para el escenario propuesto, podemos ver cómo el gerente de compras ha dejado de
ver el pronóstico como su política heurística. Sin embargo, tenga en cuenta que la
variación del inventario de materia prima no tiene ninguna relación con la variación de
la demanda. En general, se espera la existencia de un equilibrio entre las órdenes y la
variabilidad del inventario. Una política óptima gestionará un punto de equilibrio en el
que la variación de las cantidades de los pedidos será económica y equivalente a las
variaciones en los inventarios.

Cambios en el pronóstico

Supongamos ahora que podemos desarrollar un sistema de pronóstico que proporcione

información con dos semanas de anticipación, de tal forma que el gerente de compras
pueda ordenar las materias primas por adelantado para recibirlas la semana cuando
las necesite. Debido a este nuevo sistema de pronóstico, decide reducir la cobertura de
1 semana a 0.5 semanas junto con el resto de los gerentes.

La Figura 12 muestra el impacto de esta nueva política. Observamos que el inventario

máximo de materias primas ahora es de aproximadamente 50,000 unidades, mientras
que el servicio al cliente se mantiene en buen estado de salud.

La oscilación de las órdenes de compra no se elimina, variando de 0 a 70,000 unidades

dentro de una temporada dada. Aunque el efecto látigo ha disminuido, no podemos
declarar que se haya resuelto. Los costos de inventario todavía son altos y las
oscilaciones del inventario debido a las oscilaciones de la materia prima causan
tensiones en diferentes niveles. La frecuencia de oscilación es considerablemente alta.

Bajo este escenario, hemos reducido el tiempo de entrega de los proveedores a una
semana. Por lo tanto, el efecto de una posible negociación sobre el tiempo y la
frecuencia de entrega puede agregar más control a las oscilaciones.

Conclusiones y mayor investigación

En este documento no fue nuestra intención desarrollar una técnica para definir las
mejores políticas, ni la mejor manera de definir nuevas políticas para mejorar el
comportamiento de la cadena de suministro. Nuestra intención fue definir un modelo
donde las dinámicas principales que causan el efecto Bullwhip puedan ser estudiadas
para comprender las relaciones causa-efecto entre políticas, flujos de información y
reglas de decisión de una cadena de suministro dada. Hemos demostrado que es
posible construir tal modelo y capturar con relativa simplicidad pero alto grado de
abstracción las complejidades de una Cadena de Suministro.

Sin embargo, debido a su simplicidad, el modelo está limitado de diferentes

maneras. Por ejemplo, el modelo SD puede ampliarse para estudiar escenarios donde
hay más flujos de información disponibles, donde se consideran algunos conflictos de
intereses que afectan las políticas entre los gerentes internos y externos, como las
mediciones de desempeño. También el modelo se puede utilizar para estudiar las
particularidades de diferentes industrias y establecer comparaciones entre industrias,
para estudiar las influencias de diferentes métodos de pronóstico, así como reuniones
de consenso, etc. Por consiguiente, en este documento, y en aras de la brevedad, solo
tenemos se centró en describir un caso de negocios en el que se creó un modelo SD
para ilustrar y analizar una situación particular, pero no para resolver el efecto
Bullwhip. Lo que se pretende en este documento es enfatizar la metodología utilizada
para examinar un problema en particular,

Con modelos como el que se presenta aquí es posible estudiar y comparar diferentes
compañías y diferentes sectores mediante el uso de señales de entrada experimentales
y medidas de rendimiento de la cadena de suministro tomadas de la gestión de
operaciones o de la teoría de control. Desafortunadamente, el espacio aquí es breve
para describir esos métodos en detalle, pero se pueden encontrar referencias útiles en
Villegas (2005).

Finalmente, es importante decir que incluso cuando el proceso de calibración del

modelo no se ha descrito en detalle en este documento, en general es posible calibrar
un modelo de esta complejidad para que coincida con muchas muestras de datos. Lo
importante de los modelos SD, como se ha dicho en el campo, es que representan las
principales dinámicas de causa y efecto que generan el comportamiento de un sistema
determinado. Como consecuencia, un modelo SD será bueno para explicar pero
limitado para predecir. La validez del modelo se basa en el consenso y la aceptación de
los gerentes más que en las pruebas estadísticas.

Expresiones de gratitud

Nos gustaría agradecer a los árbitros anónimos por sus útiles sugerencias que nos han
permitido mejorar la exposición de esta investigación

Referencias

Dejonckheere J., Disney SM, Lambrecht MR y Towill DR (2002). Análisis de la función

de transferencia del látigo inducido por predicción en las cadenas de
suministro. Revista Internacional de Economía de la Producción , 78, pp.1 33-
144. [ Enlaces ]

Dejonckheere J., Disney SM, Lambrecht MR y Towill DR (2003). Medir y evitar el efecto
Bullwhip: un enfoque teórico de control. European Journal of Operational Research ,
147, 3, pp.567-590. [ Enlaces ]

Dejonckheere J., Disney SM, Lambrecht MR y Towill DR (2004). El impacto del

enriquecimiento de la información en el efecto Bullwhip en las cadenas de suministro:
una perspectiva de ingeniería de control. European Journal of Operational Research ,
153, 3, pp.727-750 [ Enlaces ]

Doyle JK y Ford, DN (1998). Conceptos de Modelos Mentales para la Investigación de

Dinámica del Sistema. System Dynamics Review , 14, 1, pp. 3-29. [ Enlaces ]
Forrester JW (1962). Dinámica industrial . Estados Unidos: The MIT
Press. [ Enlaces ]

Naim NM., Childerhouse O., Disney SM y Towill DR (2002). Una metodología de

diagnóstico de la cadena de suministro: determinación del vector de
cambio. Computadoras e Ingeniería Industrial , 43, pp.1 35-157. [ Enlaces ]

Lee H., Padmanabhan V. y Whang S. (1997a). Distorsión de la información en una

cadena de suministro: el efecto Bullwhip. Management Sciences , 43, 4, pp.546-
558. [ Enlaces ]

Lee H., Padmanabhan V. y Whang S. (1997b). El efecto Bullwhip en las cadenas de

suministro. Sloan Management Review , Spring, pp.93-102. [ Enlaces ]

Lane DC (2001). Rerum Cognoscere Causas: ¿Cómo se relacionan las Ideas de

Dinámica de Sistemas con las Teorías Sociales Tradicionales y el Debate de
Voluntarismo / Determinismo? System Dynamics Review , 17, 2, pp. 97-
118. [ Enlaces ]

Sterman J. (1989). Modelado del comportamiento gerencial: percepciones erróneas de

la retroalimentación en las decisiones dinámicas Hacer experimentos. Management
Science , 35, 3, pp. 321-339. [ Enlaces ]

Sterman J. (2000). Dinámica empresarial . EE. UU .: MacGraw-Hill. [ Enlaces ]

Sterman J. (2002). Todos los modelos son incorrectos, Reflexiones sobre convertirse
en un científico de sistemas.Systems Dynamics Review , 18, 4, pp. 501-
531. [ Enlaces ]

Towill DR, Wikner JJ y Naim M. (1991). Dinamización de la dinámica de la cadena de

suministro. Revista Internacional de Economía de la Producción , 22, pp.231-
248. [ Enlaces ]

Towill DR (1995). Modelado de Dinámica Industrial de Cadenas de Suministro. Revista

Internacional de Distribución Física Logística , 26, 2, pp.23-42. [ Enlaces ]

Villegas F. (2005). Dinámica de la cadena de suministro, causas estructurales del

efecto Bullwhip. Documento de trabajo , Manchester Business School, Universidad de
Manchester. [ Enlaces ]

Semblanza de los autores

Felipe A. Villegas-Morán. Labora en el Departamento de Dirección de Operaciones en la

Manchester Business School, Universidad de Manchester en el proyecto de "Supply
Chain Dynamics". Es investigador en The School of Management, Universidad de
Edimburgo en el proyecto de "Precios de transferencia en cadenas de suministro
multinacionales". Su investigación doctoral es sobre la implantación de sistemas de
información en las cadenas de suministro en la Facultad de Ingeniería de la UNAM.
Octavio Carranza. Obtuvo el Premio Nacional de Logística 2005, laboratorio en el
Departamento de Logística y Distribución en la Escuela de Ciencias Contables
Económicas Administrativas, Universidad Panamericana, México. Es doctor en dirección
de operaciones por la Universidad de Navarra, España y autor del libro "Mejores
prácticas logísticas".

Juan P. Antún. Obtuvo el Premio Nacional de Logística 2005. Actualmente es

investigador y profesor titular del equipo de investigación en logística empresarial MIT
/ DEPFI / UNAM, en el Laboratorio de Transporte y Sistemas Territoriales de la
Coordinación de Ingeniería de Sistemas del Instituto de Ingeniería, UNAM. Asimismo,
es consultor en logística estratégica e internacional, profesor de logística internacional
MAE / ITAM y instructor externo del Instituto de Desarrollo Exportador BANCOMEXT.