INNOVA Research Journal, ISSN 2477-9024  
(
Septiembre-Diciembre 2020). Vol. 5, No.3.1 pp. 329-346  
DOI: https://doi.org/10.33890/innova.v5.n3.1.2020.1542  
URL: http://revistas.uide.edu.ec/index.php/innova/index  
Correo: innova@uide.edu.ec  
Desbalance entre costo de inventario y nivel de servicio de producto  
terminado  
Unbalance between the cost of inventory and the level of service of the  
finished product  
Diego Paúl Quezada Cepeda  
Investigador Independiente, Ecuador  
Santiago Nicolás Nájera Acuña  
https://orcid.org/0000-0001-5972-1556  
Universidad Internacional del Ecuador, Ecuador  
Autor para correspondencia: diegopqc@hotmail.com; santiagonajera@gmail.com  
Fecha de recepción: 17 de septiembre de 2020 - Fecha de aceptación: 06 de noviembre de 2020  
Resumen  
El presente trabajo tiene como principal objetivo desarrollar una herramienta de control y gestión  
para el inventario de producto terminado para una empresa industrial con la ayuda de herramientas  
tecnológicas como Excel y el software R Studio. Por tal razón, se analizarán las variables que  
intervienen o afectan directa e indirectamente al inventario como: datos históricos de venta, datos  
atípicos de ventas, pronóstico de demanda futura, modelo de proyección, tiempos de  
reabastecimiento, nivel de servicio, stock de seguridad, inventario promedio e inventario óptimo.  
Además, el modelo de optimización del inventario está basado en el análisis estadístico de datos  
como: coeficientes de variación, desviación estándar, valores mínimos y máximos y cuartiles.  
Debido a la confiabilidad de los datos e información estratégica de la empresa, el presente estudio  
tiene sus limitaciones y por lo tanto se generan supuestos que serán detallados para que la  
herramienta a futuro pueda ser utilizada, evaluada y mejorada según amerite.  
Palabras claves: optimización; pronóstico; demanda; inventarios; datos atípicos.  
Abstract  
The main objective of this work is to develop a control and management tool for the finished  
product inventory of a company with the help of technological tools such as Excel and R Studio  
software. For this reason, the variables that intervene in the inventory control will be analyzed,  
such as: historical sales data, atypical sales data, forecast model, lead time, service level, safety  
stock, average inventory and optimal inventory. In addition, the inventory optimization model is  
based on the statistical analysis of data such as: coefficients of variation, standard deviation,  
minimum and maximum values, and quartiles. Due to the reliability of the data and strategic  
information of the company, this study has its limitations and therefore assumptions are generated  
that will be detailed so that the tool in the future can be used, tested and improved as necessary.  
Keywords: optimization; forecast; demand; inventory; outliers.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
329  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Introducción  
Antecedentes  
La importancia del inventario en una empresa es debido a que este permite la fluidez de  
las operaciones ante la incertidumbre que existe entre oferta y demanda (Sharma 2017). Así  
mismo podemos decir que el inventario es dinero, por lo que es necesario entender el impacto del  
mismo en la empresa para mejorar la gestión (Muller 2003). En este sentido, una de las  
herramientas más utilizadas para gestionar el inventario cuando la demanda es predecible, es el  
modelo de la cantidad económica del pedido EOQ (Silver y Pyke, 2016).  
El presente trabajo propone una herramienta de gestión de inventario, mediante el análisis  
de la variabilidad de las ventas a través del tiempo como indicador de la existencia de la  
incertidumbre en el proceso de manejo de la cadena de suministro. Incertidumbre que es la base  
para la correcta decisión de la cantidad de inventario optima que se debe de manejar en la  
empresa para balancear producción y ventas. Es importante tomar en cuenta, que no existe un  
modelo perfecto que logre capturar todas las variables del mercado; por esta razón, el modelo  
debe mantenerse lo más simple, dado que mientras más complejo se vuelve el modelo aumenta el  
costo de control y ejecución (Silver, 2017).  
Definición del problema  
Enunciado del problema  
El presente trabajo asume la existencia de un desbalance entre el costo del inventario en  
comparación con el nivel de servicio ofertado a los clientes, debido a la falta de procesos y  
herramientas de gestión y manejo del inventario.  
Propósito del estudio  
Proponer una herramienta para la optimización de inventario, mediante un correcto  
análisis del comportamiento histórico de la demanda, y una depuración de los datos aberrantes  
dentro de los valores históricos de la misma.  
Significancia del problema  
La importancia del presente trabajo radica en que es indispensable para todo tipo de  
empresas mantener un correcto control de su flujo de caja para asegurar la fluidez de sus  
negocios (Monteverde 2012). En este sentido, el inventario juega un papel fundamental al ser  
parte de los activos no líquidos dentro de una empresa (Christopher 2011). Por tal razón,  
mediante el presente estudio se busca plantear herramientas que ayuden a las organizaciones a un  
mejor manejo de su flujo de caja.  
Naturaleza del estudio  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
330  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
La naturaleza del estudio tiene como principal propósito ser prescriptiva a través de un  
proceso cuantitativo como se describe en (Creswell, 2002), mediante análisis estadísticos generar  
conocimiento y posterior a eso, realizar la interpretación de los datos mediante una lógica  
deductiva con resultados aplicables.  
Limitaciones  
La principal limitación de este estudio es que la demanda y la producción responden a un  
sinnúmero de variables que impiden ser modeladas al cien por ciento mediante un modelo  
matemático; razón por la cual, el modelo planteado es una abstracción de la realidad.  
Delimitaciones  
En el presente trabajo se asume que el comportamiento de la demanda es un  
comportamiento normal, y por tanto puede ser modelado mediante el uso de esta distribución.  
Sin embargo, para aquellos casos en que la demanda no tenga una distribución normal, se  
eliminará los valores a típico, y se asumirá que la data restante tendera a tener una distribución  
del tipo normal.  
El trabajo de tesis, consiste en realizar un modelo de gestión del inventario mediante un  
análisis estadístico de sus ventas históricas y en base a teorías existentes desarrolladas por  
expertos académicos y del área de la administración y gestión de empresas. Este modelo será  
aplicado a todos los códigos del inventario que forman parte del producto terminado de la  
empresa de manera generalizada, sin considerar ningún tratamiento o análisis específico para  
ningún producto.  
Además, en el presente estudio, se desarrollarán dos herramientas, una en Microsoft  
Excel donde se manejará el modelo de gestión y la segunda en Rstudio, la misma que contará  
con un código de programación para el cálculo del pronóstico de la demanda, donde de la misma  
manera que la herramienta desarrollada en Excel, el modelo empleado para el pronóstico de la  
demanda también será una generalización para toda la base de datos.  
Objetivos  
Objetivo General  
Diseñar un modelo para gestión y optimización del inventario de producto terminado con  
el software Microsoft Excel y R Studio.  
Objetivos Específicos  
Determinar las variables clave y como se relacionan las mismas para alcanzar un balance entre los  
costos del inventario y el nivel de servicio ofertado por la empresa.  
Determinar los aspectos y las variables que la empresa puede mejorar para trabajar en la  
optimización de su inventario.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
331  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Determinar si la herramienta de control y gestión del inventario es apta y eficaz para ser usada en  
la realidad de la operación de la empresa.  
Marco teórico  
La incertidumbre de la demanda, implica que las empresas deben asignar recursos para la  
toma de decisiones del inventario y en su planificación de producción, dado que deben adquirir  
bienes y materias primas en previsión de las ventas futuras y por otro lado en la planificación de  
la producción, cierta capacidad debe comprometerse para producir productos y cumplir con la  
venta futura. Por lo que esta gestión del inventario y de la planificación, requiere un análisis de  
pronóstico de la demanda y su variabilidad casi siempre será un factor muy significativo para la  
gestión del inventario (Silver, 2017).  
Por otro lado, la mayoría de las empresas no entienden completamente la complejidad de  
la gestión del inventario y prefieren confiar en lo que se denomina la toma de decisiones de  
manera heurística o lo que es lo mismo, la toma de decisiones basadas en la experiencia de sus  
trabajadores o equipo de planificación en lugar de manejar métodos de inventario  
matemáticamente sólidos. No hay que olvidarse, que el inventario existe para mitigar la  
incertidumbre en la demanda y los objetivos de la gestión del inventario son: mantener costos  
bajos y mantener un alto nivel de servicio al cliente; por lo que generalmente las empresas tienen  
un alto capital involucrado en los inventarios y con mejores herramientas es posible reducir los  
costos del mismo sin afectar niveles de servicio (Grob, 2019).  
La optimización del inventario requiere un análisis con cálculos donde intervienen  
muchas variables como: demanda, clientes, nivel de servicio, tiempos de reabastecimiento,  
costos, localidades, regiones, y capacidad de producción. Pero también es crucial el  
conocimiento y la comunicación a lo largo de toda la cadena de suministro para reducir el efecto  
látigo, caso contrario la optimización será imposible de mantenerla (Davis, 2016).  
Marco conceptual  
Inventario  
Son esas existencias o artículos utilizados para: (a) apoyar la producción (materias primas  
y artículos en proceso), (b) actividades de apoyo o secundarias (mantenimiento, reparación y  
suministros operativos) y (c) servicio al cliente (productos terminados y repuestos) (APICS,  
2
015). El inventario puede ser algo tan simple como una botella de vidrio o un desinfectante  
como parte del programa de limpieza de un edificio o algo aún más complejo como las materias  
primas utilizadas en el proceso de fabricación (Muller, 2003).  
Demanda  
Es la necesidad de un producto o componente en particular. La demanda podría provenir  
de cualquier fuente (por ejemplo, un pedido o pronóstico de un cliente, un requisito de trasplante,  
una solicitud de almacén de sucursal para una parte de servicio o la fabricación de otro producto)  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
332  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
(APICS, 2015). También la demanda de bienes terminados se la conoce como "independiente",  
mientras que la demanda de artículos en el mundo manufacturero es "dependiente" y comprender  
estas distinciones ayudará a pronosticar las necesidades de adquisición (Muller, 2003).  
Lead Time  
Es el tiempo de entrega LT que se tarda en cumplir un pedido, es decir, desde el momento  
que se realiza el pedido hasta que las mercancías estén disponibles para cumplir con la demanda.  
Por lo tanto, el tiempo de entrega LT, incluye el tiempo de transporte y algunos retrasos que  
pueden generar actividades intermedias como la inspección y almacenamiento (Grob, 2018). Es  
conveniente pensar que el tiempo de reabastecimiento está compuesto por cinco componentes  
distintos: (a) tiempo administrativo, (b) tiempo de tránsito al proveedor, (c) tiempo del  
proveedor, (d) tiempo de tránsito de regreso al punto de almacenamiento o recepción y (e)  
tiempo de recepción del pedido (Silver, 2017).  
Pronóstico – Forecast  
El pronóstico es una tarea estadística común en los negocios, la misma que ayuda en la  
toma de decisiones sobre la programación de producción, transporte y personal, y proporciona  
una guía para la planificación estratégica a corto y largo plazo mediante previsiones del futuro  
con la mayor precisión posible a través de datos históricos y conocimiento del mercado  
(Hyndman, 2018).  
Los pronósticos pueden basarse en una combinación de una extrapolación de lo que se ha  
observado en juicios pasados (lo que llamamos pronósticos estadísticos) e informados sobre  
eventos futuros. La información de eventos futuros puede incluir: (a) pedidos confirmados o  
acuerdos comerciales confirmados, (b) envíos planificados previamente entre ubicaciones, (c) el  
uso planificado previamente de piezas de servicio en mantenimiento preventivo y (d)  
conocimiento general del mercado (Silver, 2017).  
Inventario de Seguridad – Stock de seguridad  
El stock de seguridad o inventario de seguridad de los productos dependerá de tres  
aspectos: tiempo de reabastecimiento o lead time, variabilidad de la demanda, y nivel de servicio  
requerido. Es posible reducir el nivel de servicio requerido mediante conocimiento del mercado  
sobre las necesidades y expectativas del cliente (Silver, 2017). El stock de seguridad debe  
establecerse principalmente en función del cliente y de su inestable demanda, así como la  
fiabilidad de compra o fabricación y tiempos de entrega. Los factores adicionales que también  
deben tenerse en cuenta al establecer niveles de stock de seguridad incluyen: (a) la clase o tipo  
de inventario del artículo principal (A B C), (b) criticidad del uso final, (c) ubicación del cliente,  
(d) facilidad de fabricación, (e) espacio de almacén, (f) material peligroso, (g) diseño del  
producto y (h) uso de repuestos (IOMA, 2002).  
Nivel de servicio  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
333  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Las especificaciones del servicio deben ser el nivel de servicio mínimo que el usuario está  
dispuesto a aceptar. Se examinarán los requisitos de los usuarios finales para determinar cuáles  
son los beneficios de niveles de servicio y qué nivel se justifica en función de los costos (Hiles,  
2
002). También, el nivel de servicio puede ser especificado a priori, bajo políticas empresariales  
estratégicas para ciertos períodos como una probabilidad de cumplimiento, mediante la elección  
del factor Z, donde z es un factor elegido adecuadamente de la tabla normal estándar y aunque la  
justificación para seleccionar z no es intuitiva, el óptimo puede calcularse utilizando un  
programa dinámico que requiere muchos cálculos computacionales (Graves, 1993).  
Desarrollo  
Análisis preliminar  
Se determinó que los datos recopilados de la empresa deben ser depurados, debido a que  
varios reportes de ventas corresponden a productos de estrategia denominada bajo pedido o make  
to order; por ende, estos productos se reportan durante largos períodos de tiempo con una venta  
en cero, es decir, no han tenido un pedido que active su fabricación y saldrán del estudio.  
También, se encontraron reportes de venta con datos en negativo que corresponden a  
devoluciones o notas de crédito y estos serán reemplazados con valores en cero solo para efectos  
matemáticos dado que no se puede vender en negativo.  
Clasificación ABC  
No es recomendable dar el mismo tratamiento a todos los productos del inventario por lo  
que se sugiere una clasificación ABC en base a la ley de Pareto. Los SKU son separados en  
categorías de la siguiente manera: los categorizados con "A" representan los elementos más  
populares y de mayor movimiento, con letra “B” se representan los elementos “pocos vitales" y  
finalmente con la letra “C” los productos que se mueven lentamente. Esta sería una clasificación  
en base a movimiento de ventas y la Ley de Pareto (IOMA, 2002).  
Determinación del nivel de servicio  
Como se mencionó en el marco conceptual del presente trabajo, el nivel de servicio está  
relacionado con la probabilidad de quedarnos sin inventario ante la variabilidad e incertidumbre  
de la demanda mediante la curva de Guass y emplearemos este concepto para determinar el nivel  
de servicio que más se ajuste a la realidad de la operación de la empresa.  
Cabe mencionar también, que lo óptimo no es manejar un nivel de servicio del 100%,  
sino trabajar sobre el pronóstico de la demanda para conocer aspectos como: estacionalidad  
(temporadas), ventas atípicas, promociones, tendencia, compromisos comerciales, proyectos e  
inteligencia del mercado, que ayudan a determinar de una manera más precisa el nivel óptimo de  
inventario requerido para una fecha futura.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
334  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Figura 1  
Relación del nivel de servicio con la variabilidad de la demanda  
Tampoco debemos olvidar que, a mayor nivel de servicio, mayor nivel de inventario y  
por ende tendremos un costo del inventario aún mayor. Como punto de partida, y por decisiones  
empresariales, el modelo manejará 85% de nivel de servicio.  
Elección y ajuste del modelo  
Se han desarrollado varios modelos para el control de inventarios, los mismos que están  
clasificados por aspectos como: Tiempo de revisión, naturaleza de la demanda, tiempo de  
reabastecimiento, número de ubicaciones, vida útil de los elementos, etc. (Shenoy, 2018).  
Como lo sugirió (Silver, 2017) el modelo de gestión del inventario debe adaptarse a la  
realidad de la empresa y debe ser consistente con la estrategia y las políticas corporativas de la  
misma dado que estos aspectos están por encima de cualquier modelo matemático; por lo tanto,  
el modelo que emplearemos será para productos de la estrategia comercial denominada Make to  
stock o lo que es conocido con el nombre de sistema push y dado que la organización ha  
establecido técnicas para pronosticar sus necesidades de nivel de producto basado en la  
naturaleza de las características de la demanda de esos artículos, nos concentraremos en  
determinar y elegir el método de pronóstico de la demanda que mejor se ajuste debido a que la  
optimización del inventario se vuelve una tarea difícil si los modelos de predicción no trabajan  
conjuntamente con la optimización del inventario y no hay forma que la operación pueda  
reaccionar si no se conoce la demanda de manera temprana y oportuna.  
Análisis de datos históricos  
Es importante analizar los datos históricos, como un análisis estadístico base, para luego  
poder limpiar y ajustar el modelo para evitar de esta manera posibles distorsiones, y así también  
poder establecer el modelo de pronóstico de demanda que mejor se ajuste.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
335  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Figura 2  
Comportamiento de Ventas  
Debido a que se cualquier serie temporal está compuesta de cinco componentes: (a) nivel,  
(b) tendencia, (c) variaciones estacionales, (d) movimientos cíclicos y (e) fluctuaciones aleatorias  
irregulares como lo asevera (Silver, 2017); procederemos a analizar estos componentes en la  
figura 3.  
Figura 3  
Descomposición de los datos de una Serie de Tiempo  
Una vez que hemos analizado gráficamente los datos, podemos incluir algunos  
parámetros de control estadístico como: la media, el valor mínimo, el valor máximo, el primer y  
tercer cuartil, lo cual, nos permitirá tener una mejor noción de cómo están nuestros datos  
históricos.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
336  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Figura 4  
Parámetros de control estadístico  
Antes de proceder con los cálculos, para asegurarnos que las fórmulas teóricas del  
inventario pueden ser aplicadas, realizaremos una comparación gráfica de la serie de datos con la  
curva de la distribución normal, la misma que nos permitirá conocer si los datos están  
controlados o no.  
Figura 5  
Distribución normal comparada contra gráfico de densidad de los datos  
Modelo de pronóstico  
Tenemos algunas formas para pronosticar la demanda como lo son: (a) opinión de  
expertos, (b) verificación del mercado, (c) análisis cuantitativo y (d) uso de software. Para este  
estudio nos enfocaremos en el análisis cuantitativo basado en series de tiempo, donde se emplean  
técnicas para que usan datos de demanda pasada para generar un pronóstico, donde se asume que  
los patrones de la demanda pasada continuarán en el futuro (ITC, 2006).  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
337  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Algunos ejemplos de las técnicas incluyen: (a) línea de tendencia, (b) promedio simple,  
(c) promedio ponderado, (d) pronósticos ponderados y (e) pronósticos ajustados a la tendencia y  
estacionalidad.  
Gracias al análisis gráfico de la sección anterior, se pudo observar que estos datos podrían  
ser representados por curvas de complejidad variable con ecuaciones más complicadas como:  
polinomial, logarítmica, exponencial y de potencia; por lo que, el uso de software se hace  
imprescindible y emplearemos el modelo de pronóstico Holt-Winters de la librería forecast del  
software de R Studio, el mismo que pertenece a la familia de suavizado exponencial, con la  
propiedad que pronostica de manera ponderada las observaciones pasadas, dando relativamente  
más peso a las observaciones más recientes y a medida que las observaciones envejecen los  
pesos disminuyen exponencialmente (Hyndman, 2008).  
Holt - Winters  
El modelo de pronóstico de la demanda Holt-Winters emplea parámetros como: (a) Beta,  
para activar el suavizamiento exponencial y (b) el parámetro Gamma que se emplea cuando los  
datos tienen un componente con estacionalidad. Si al modelo, no se le activa el filtro de  
suavizamiento exponencial, produce un resultado similar al promedio de los datos como se  
muestra en la figura 6.  
Figura 6  
Holt-Winter con parámetro Beta en False  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
338  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
De la misma manera, si desactivamos el parámetro Gamma con false, se produce un  
resultado similar al mostrado en la figura 6; por lo que hemos podido determinar que el  
parámetro Gamma debe estar en modo activado o “true” para que el modelo Holt-Winters pueda  
captar de mejor manera los componentes de estacionalidad como se muestra en la Figura 7 a  
continuación.  
Figura 7  
Holt-Winters con parámetro Gamma en True  
Cálculos  
Factor de lead time  
El factor de lead time lo calculamos a partir de los datos de tiempos de reabastecimiento  
de la operación de la empresa en estudio, es decir, el factor de lead time se lo calcula a partir del  
tiempo que la empresa se demora en tener listo un producto para ser entregado al cliente. Dado  
que los datos del tiempo global de reabastecimiento se encuentran en días, y el inventario se la  
planifica en semanas; deberemos convertir los días a semanas dividiendo para 5, debido a que la  
empresa no labora ni sábado ni domingos.  
Posteriormente la fórmula para el factor de lead time está dada por la raíz cuadrada del  
tiempo de reabastecimiento o Lead time.  
푭풂풄풕풐풓푳풆풂풅푻풊풎풆 = √(푳풆풂풅푻풊풎풆)  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
339  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Factor de nivel de servicio  
El factor de nivel de servicio nos protege de la variabilidad de la demanda como se  
analizó preliminarmente, donde el factor de nivel de servicio corresponde al factor Z de la  
distribución normal o gráfica de Gauss y su cálculo se lo determina mediante la fórmula de la  
distribución normal inversa del nivel de servicio. Este valor está relacionado con el número de  
desviaciones estándar a considerarse.  
푭풂풄풕풐풓푵풊풗풆풍풅풆푺풆풓풗풊풄풊풐 = 푫풊풔풕풓풊풃풖풄풊ó풏 풏풐풓풎풂풍 풊풏풗풆풓풔풂 (푵풊풗풆풍 풅풆 풔풆풓풗풊풄풊풐)  
Dado que se determinó que el nivel de servicio será del 85%, si aplicamos la fórmula  
anterior, obtendremos un valor de factor de Nivel de servicio será igual a 1.  
Stock de seguridad  
El stock de seguridad está determinado por tres factores: (a) la desviación estándar de los  
datos, (b) el factor de lead Time y (c) el factor de nivel de servicio, como se muestra en la  
siguiente formula:  
푺풕풐풄풌 풅풆 풔풆품풖풓풊풅풂풅 = 푫풆풔풗풊풂풄풊ó풏 푬풔풕풂풏풅풂풓 ∗ 푭풂풄풕풐풓푳풆풂풅푻풊풎풆 ∗ 푭풂풄풕풐풓푵풊풗풆풍풅풆푺풆풓풗풊풄풊풐  
El factor de Lead Time nos protege contra los posibles imprevistos del reabastecimiento,  
mientras que el factor del nivel de servicio nos protege de la incertidumbre en la demanda y la  
variabilidad de la misma. Si los datos fluctúan mucho unos entre otros, mayor será la desviación  
estándar y por ende mayor cantidad de inventario de seguridad será requerido para cubrir dichas  
fluctuaciones.  
Inventario promedio  
El inventario promedio también conocido como el inventario de ciclo, matemáticamente  
para este caso estaría dado por la siguiente ecuación:  
푺풕풐풄풌 푴á풙. −푺풕풐풄풌 풅풆 풔풆품풖풓풊풅풂풅  
푰풏풗. 푷풓풐풎풆풅풊풐 =  
ퟐ
Dónde: El stock máximo estaría dado por el dato máximo observado en la serie de  
tiempo.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
340  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Inventario óptimo  
Una forma válida para calcular el inventario óptimo futuro, está relacionado con las  
fórmulas del modelo del vendedor de periódicos. El mismo que se establece de la siguiente  
manera:  
푰풏풗. Ó풑풕풊풎풐 = 푷풓풐풏ó풔풕풊풄풐 + 푫풆풔풗풊풂풄풊ó풏 풆풔풕풂풏풅풂풓 ∗ 푭풂풄풕풐풓푵풊풗풆풍풅풆푺풆풓풗풊풄풊풐  
Relacionando esta ecuación con el modelo del EOQ, se puede deducir, que el inventario  
óptimo está dado por lo que se pronostica vender a futuro más el stock de seguridad. Si se  
conocieran las ventas promedio del día, también podríamos aplicar otras fórmulas válidas para el  
cálculo del inventario óptimo.  
Resultados  
Ajuste del modelo  
Los datos arrojados a priori por el modelo, se muestran a continuación en la Tabla 1.  
Tabla 1  
Nivel de inventario sin ajuste del modelo (unidades)  
Familia  
Regional uno  
Familia 1  
Stock seguridad  
Inventario promedio  
71104  
5696  
966  
171540  
13737  
2173  
Familia 2  
Familia 3  
Regional dos  
Familia 1  
33574  
2388  
55612  
4020  
Familia 2  
Familia 3  
610  
963  
Total  
114338  
248047  
Estos son los valores de la suma del inventario promedio y del stock de seguridad para  
tres líneas de productos (familias) de la empresa. Por lo que, luego de analizar el nivel del  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
341  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
inventario sugerido en primera instancia por el modelo, se vio necesario ajustarlo quitando datos  
atípicos o los denominados outliers, debido a que estos valores agregan distorsión a las series de  
tiempo y por lo tanto el inventario “optimo” sugerido en primera instancia es muy alto.  
Si tomamos como ejemplo el producto con mayor movimiento en ventas, tenemos que los  
datos están en un rango de 0 a 12000 unidades como se muestra en la figura 8. Cuando  
eliminamos datos atípicos o picos de venta altos, tenemos que el nuevo rango de datos es de 0 a  
6
000 unidades como se muestra en la figura 9.  
Figura 8  
Rango de datos sin depuración de outliers  
Figura 9  
Rango de datos con depuración de outliers  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
342  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
Si calculamos nuevamente los parámetros de control estadístico de: la media, el valor  
mínimo, el valor máximo, el primer y tercer cuartil, mostrados anteriormente en la figura 10;  
podremos calcular el porcentaje en el cual han variado estos valores.  
Figura 10  
Nuevos parámetros de control estadístico  
Al eliminar las ventas atípicas vemos que el valor de la media del nuevo rango de datos  
ha disminuido en un 7.6 %; y el valor máximo de la nueva serie de tiempo se ha visto afectado  
con una variación del 50.71 %. Esto nos muestra lo importante que es depurar y ajustar el  
modelo, caso contrario podríamos generar un nivel de inventario afectado por las distorsiones.  
A continuación, en la tabla 2, se muestran los valores de la suma del inventario promedio  
y del stock de seguridad para las tres familias de productos una vez ajustado los datos.  
Tabla 2  
Nivel de inventario con ajuste del modelo (unidades)  
Familia  
Stock seguridad  
Inventario promedio  
Regional uno  
Familia 1  
Familia 2  
Familia 3  
14866  
1745  
347  
34105  
3850  
673  
Regional dos  
Familia 1  
Familia 2  
Familia 3  
13096  
1272  
284  
29338  
2557  
571  
Total  
31609  
71094  
Podemos calcular que, al quitar datos atípicos de las series temporales, el nivel de  
inventario promedio bajó en un 71, 3 %, logrando de esta manera un inventario optimizado y  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
343  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
sano para las condiciones actuales de las operaciones de la empresa. Gráficamente, los datos  
atípicos se muestran en la figura 11.  
Figura 11  
Boxplot de serie de datos con outliers  
Conclusiones  
Tras haber concluido el trabajo de optimización del inventario de la empresa en estudio,  
se tienen las siguientes conclusiones:  
Se pudo diseñar una herramienta para gestión y optimización del inventario de producto  
terminado con el software Microsoft Excel y R Studio. La base de datos de los productos con sus  
respectivos niveles de inventario se lo maneja en una hoja de cálculo, mientras que los valores  
del pronóstico de la demanda son calculados con el software R Studio y luego son exportados a  
la hoja de cálculo. Cabe mencionar que el modelo es simple y fácil de usar, ya que esta primera  
versión será la base de cualquier mejora operativa, donde se le deberá agregar complejidades e  
información que no fue contemplada por las limitantes de este estudio.  
Las variables claves encontradas en el estudio son: (a) nivel de servicio, (b) desviación  
estándar, (c) tiempos de reabastecimiento, (d) y el pronóstico de ventas. Todas estas se  
relacionan y sirven para mitigar la incertidumbre de la variabilidad del mercado, basados en una  
probabilidad de quedarnos sin producto y en tiempos internos y de nuestros proveedores.  
Uno de los aspectos para mejorar y que representa una oportunidad para el equipo de  
trabajo es la depuración de los datos para que ciertas invalidaciones no influencien o afecten el  
nivel de inventario óptimo del modelo y la principal variable a mejorar es el pronóstico de la  
demanda, el mismo que con conocimiento del mercado y reglas de decisión heurísticas basadas  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
344  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
en lógica, producirán una respuesta razonable a situaciones reales más complejas logrando de  
esta manera que el nivel del inventario sea el más adecuado para la fecha.  
Se determinó una forma de medir el grado de efectividad de la herramienta mediante la  
medición del error, de tres formas distintas que pueden ser empleadas inclusive como  
indicadores de gestión departamental. Estos indicadores podrían ser los denominados: error  
cuadrático medio, desviación media absoluta y error porcentual medio absoluto. Cabe mencionar  
que, por lo general, no se alcanza una optimización absoluta, sino mejoras significativas sobre  
las operaciones actuales.  
Recomendaciones  
Tras haber concluido el trabajo de optimización del inventario de la empresa en estudio,  
se tienen las siguientes recomendaciones:  
Se debe calcular de una manera objetiva el nivel de servicio de los productos, incluyendo  
datos de costos de excedencias y costos de inexistencias, dado que el inventario es dinero y se lo  
debe manejar con una perspectiva financiera para entender como este afecta al flujo de efectivo  
de la empresa y en los balances generales de la misma.  
Los datos atípicos encontrados en los históricos de ventas, corresponden principalmente a  
datos de ventas de temporada alta y cierres trimestrales por que se recomienda siempre limpiar  
estos datos para no generar alteraciones en el modelo matemático. Así mismo, se debe manejar el  
pronóstico de la demanda de estas temporadas por separado, dado que el comportamiento es muy  
alejado de la temporada normal, y se recomienda incluir inteligencia de mercado para el análisis  
de dichas situaciones.  
Se recomienda correr esta herramienta de manera semestral y actualizar los datos de los  
distintos factores en dicha frecuencia en los productos que no tienen mayor variabilidad en sus  
reportes de ventas; pero se debe tomar en cuenta que esta no es una herramienta generalizable  
para todos los productos por lo que, si el giro del negocio o la realidad operativa cambia, se  
deberá hacer un análisis particular en los productos que ameriten tomando en cuenta el  
porcentaje de error generado.  
Se recomienda a la empresa en estudio, trabajar en la formación de un equipo de trabajo  
que tenga o desarrolle competencias y conocimientos para la toma de decisiones tanto  
estratégicas, tácticas y operativas mediante análisis sistemáticos para toda la cadena de  
suministros y no basar sus decisiones en aspectos subjetivos; por lo que la construcción de  
herramientas con indicadores de gestión permitirá también al grupo enfocarse en objetivos.  
Se podría trabajar en la automatización de las herramientas mediante el uso de software y  
herramientas de licencia gratuita como el caso del software R Studio, dado que en esta era de la  
transformación digital, ya no es eficiente que el equipo de trabajo invierta tiempo en generar y  
recopilar información, sino el tiempo debe invertirse en la toma de decisiones y la generación de  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
345  
INNOVA Research Journal 2020, Vol 5, No. 3.1, pp. 329-346  
análisis y conocimiento apoyándose de la reportería de herramientas de inteligencia de negocios  
o business intelligence.  
Referencias bibliográficas  
APICS. (2015). Learning System (Vol. 4.2).  
Christopher, M. (2011). Logistics & supply chain management, Pearson education limited.  
Creswell, J. (2002). Research Desing Qualitative, Quantitative, and mixed methods approaches  
(Vol. 2 ed).  
Davis, R. (2016). Demand-Driven Inventory Optimization and Replenishment (Vol. 2nd Edition).  
New Jersey, USA: John Wiley & Sons, Inc.  
Graves, S. (1993). Logistics of Production and Inventory (Vol. vol 4). Elsevier Science Publishers.  
Grob, C. (2018). Inventory Mangement in Multi-Echelon Networks. Wolfsburg, Germany:  
Springer.  
Hiles, A. (2002). The Complete Guide to IT Service Level Agreements. Connecticut, USA:  
KingWell.  
Hyndman, R. (2008). Forecasting with Exponential Smoothing. Clayton, Australia: Springer.  
IOMA. (2002). Logistics and Inventory Management. New York, USA: John Wiley & Sons, Inc.  
ITC. (2006). International,Trade Centre - Especificación de Requerimientos y Plan del Suministro.  
Ginebra, Suiza.  
Monteverde, E. C. (2012). Finanzas Corporativas. Con nuevos temas y ejercicios, Cengage  
Learning Editores S.A. de C.V.  
Muller, M. (2003). Essentials of Inventory Management. New York, USA, AMACOM.  
Sharma, S. (2017). Inventory parameters, Springer.  
Shenoy, D. (2018). Problems & Solutions in Inventory Management. Springer.  
Silver, E. (2017). Inventory and Production Management in Supply Chains. Boca Raton, Florida,  
USA, CRC Press.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
346