Modelo de pronóstico de demanda y optimización de programación de personal para empresa Autolavado CASM Juliana Sánchez Ramírez, John Fontecha Departamento de Ingeniería Industrial, Universidad de los Andes, Bogotá, Colombia Abstract: In this work we tackle the problem of scheduling of personal in a carwash company subject to demand. Nonetheless, the demand is nondeterministic and it should be predicted. To solve the problem, we used a procedure based on two parts, first a forecasting model is used to predict the demand in different days of the week, then a MIP was proposed to schedule the personal. Finally, a support decision tool was developed, involving updating forecasts according to real demand, solving the scheduling problem for a week and showing the results in a graph. We applied our methodology on a case study for CASM Carwash company. Resumen: En este trabajo vamos a abordar el problema de asignación de personal en un auto lavado sujeto al cumplimiento de la demanda. Sin embargo, la demanda es no determinista y debe ser pronosticada. Para resolver el problema usamos un procedimiento desarrollado en dos partes, primero se usó un modelo de pronóstico con el fin de predecir la demanda para cada uno de los días de la semana, después se propuso un modelo MIP para asignar al personal. Finalmente se desarrolló una herramienta de apoyo a la decisión, que por un lado involucra la actualización de los pronósticos de acuerdo a la demanda real, y por otro lado resuelve el problema de asignación para una semana mostrando gráficamente los resultados. Nuestro método fue aplicado en el caso de estudio de la empresa Autolavado CASM. 1. Introducción La programación óptima de un conjunto determinado de personal en diferentes tareas o turnos de trabajo (Cela, 2002) es uno de los problemas más estudiados en la literatura, autores como Harold Kuhn han desarrollado algoritmos iterativos como el método húngaro, que mediante el uso matrices de costos permite resolver este tipo de problemas de asignación (Kuhn, 1955), otros autores como Bechtold han empleado heurísticas basadas en programación lineal y heurísticas construidas (Bechtold et al., 1991). Para este tipo de problemas de asignación existe un amplio campo de estudio ya que una gran cantidad de industrias requiere asignar su personal de acuerdo a turnos de trabajo estipulados, por lo tanto, este problema ha sido aplicado en diversas organizaciones como centros médicos, callcenters o aeropuertos (Ganguly et al., 2014). Resolver problemas de asignación de personal facilita la coordinación de labores de todos los empleados satisfaciendo los diferentes requerimientos que se deban cumplir en cada caso en particular, de este modo también es posible disminuir excesos de carga en los trabajadores o posibles tiempos ociosos. Así mismo la programación de personal puede estar enfocada a cumplir distintos tipos de objetivos, como lo es minimizar costos,
20
Embed
Modelo de pronóstico de demanda y optimización de ...
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Modelo de pronóstico de demanda y optimización de programación de personal
para empresa Autolavado CASM
Juliana Sánchez Ramírez, John Fontecha
Departamento de Ingeniería Industrial, Universidad de los Andes, Bogotá, Colombia
Abstract: In this work we tackle the problem of scheduling of personal in a carwash
company subject to demand. Nonetheless, the demand is nondeterministic and it should
be predicted. To solve the problem, we used a procedure based on two parts, first a
forecasting model is used to predict the demand in different days of the week, then a MIP
was proposed to schedule the personal. Finally, a support decision tool was developed,
involving updating forecasts according to real demand, solving the scheduling problem
for a week and showing the results in a graph. We applied our methodology on a case
study for CASM Carwash company.
Resumen: En este trabajo vamos a abordar el problema de asignación de personal en un
auto lavado sujeto al cumplimiento de la demanda. Sin embargo, la demanda es no
determinista y debe ser pronosticada. Para resolver el problema usamos un procedimiento
desarrollado en dos partes, primero se usó un modelo de pronóstico con el fin de predecir
la demanda para cada uno de los días de la semana, después se propuso un modelo MIP
para asignar al personal. Finalmente se desarrolló una herramienta de apoyo a la decisión,
que por un lado involucra la actualización de los pronósticos de acuerdo a la demanda
real, y por otro lado resuelve el problema de asignación para una semana mostrando
gráficamente los resultados. Nuestro método fue aplicado en el caso de estudio de la
empresa Autolavado CASM.
1. Introducción
La programación óptima de un conjunto determinado de personal en diferentes tareas o
turnos de trabajo (Cela, 2002) es uno de los problemas más estudiados en la literatura,
autores como Harold Kuhn han desarrollado algoritmos iterativos como el método
húngaro, que mediante el uso matrices de costos permite resolver este tipo de problemas
de asignación (Kuhn, 1955), otros autores como Bechtold han empleado heurísticas
basadas en programación lineal y heurísticas construidas (Bechtold et al., 1991). Para este
tipo de problemas de asignación existe un amplio campo de estudio ya que una gran
cantidad de industrias requiere asignar su personal de acuerdo a turnos de trabajo
estipulados, por lo tanto, este problema ha sido aplicado en diversas organizaciones como
centros médicos, callcenters o aeropuertos (Ganguly et al., 2014).
Resolver problemas de asignación de personal facilita la coordinación de labores de todos
los empleados satisfaciendo los diferentes requerimientos que se deban cumplir en cada
caso en particular, de este modo también es posible disminuir excesos de carga en los
trabajadores o posibles tiempos ociosos. Así mismo la programación de personal puede
estar enfocada a cumplir distintos tipos de objetivos, como lo es minimizar costos,
maximizar las tasas de servicio o incluso múltiples objetivos a la vez. Es por esto que
dependiendo del objetivo que se desee optimizar se pueden obtener distintos problemas,
que pueden consistir en asignaciones lineales e incluso asignaciones cuadráticas o de
dimensiones superiores que implican diferentes niveles de complejidad (Cela, 2002).
No obstante, también es importante considerar que existe una gran variedad de problemas
de asignación de personal dependiendo de las restricciones que se incluyan, por ejemplo,
el horizonte de tiempo que se va a programar, la existencia de turnos predefinidos o no,
diferencias entre las habilidades del personal y días libres entre otros (Brusco, 2007). Ya
que de todo esto depende el tamaño del problema debido a que define la cantidad de
variables de decisión y restricciones, adicionalmente el tipo de industria o situación para
la cual se quiere programar el personal hace que el problema sea mucho más específico.
Otros aspectos a considerar son el tipo de demanda y tareas que se deben satisfacer en los
diferentes turnos, ya que pueden ser determinísticos, probabilísticos, estacionales, etc...
Esta variabilidad en la naturaleza de la demanda y las tareas depende en gran parte del
tipo de industria o situación que se está tratando. Sin embargo, dependiendo de la
naturaleza de dichos aspectos hay diversas metodologías que permiten realizar
pronósticos de demanda. Un ejemplo de pronósticos es el análisis de series de tiempo
propuesto por Box-Jenkins en el que se aplican modelos autorregresivos y de media móvil
que permiten caracterizar la serie de acuerdo a su tendencia, estacionalidad y demás
patrones, y mediante las funciones de autocorrelación se hallan los parámetros de los
pronósticos (Diem Ngo, 2013). Otro ejemplo de metodologías de predicción es el
procedimiento de Holt Winters el cual es útil para realizar pronósticos a corto plazo de
series de tiempo para ventas o demanda entre otros (Chatfield et al., 1988).
Teniendo en cuenta todas las consideraciones anteriores es claro que existe una amplia
variedad de problemas de asignación de personal, y así mismo diversas metodologías que
dependiendo del problema funcionan mejor y permiten hallar la solución óptima o una
solución cercana al óptimo (en el caso de heurísticas, si los problemas son muy
complejos). Algunas de las metodologías más conocidas son el método húngaro, modelos
de optimización lineales y heurísticas basadas en programación lineal, para otros casos
más complejos se han usado métodos de cortes enteros y heurísticas constructivas.
Debido a lo anterior es importante reconocer el tipo de problema que se va a resolver para
así seleccionar la metodología que mejor se ajusta a las necesidades de la situación.
Para resolver el problema de asignación de empleados en el caso de estudio se empleará
un modelo de programación lineal entera mixta similar al trabajo hecho por Gomar et al.
(2002), en el cual se incluirán todas las restricciones relativas al problema y se generará
la asignación de personal que minimiza los costos de contratación y la cantidad total de
empleados contratados en el horizonte de tiempo. En cuanto a la estimación de demanda
se realizarán pronósticos usando la metodología de Holt- Winters donde se identificarán
las diferentes series de tiempo obtenidas a partir de datos históricos y se actualizarán los
pronósticos a lo largo del tiempo.
El resto del documento se encuentra organizado de la siguiente manera: Definición formal
del problema, Metodología empleada para realizar la asignación de personal, aplicación
de la metodología en el caso de estudio Autolavado CASM, resultados obtenidos y
finalmente conclusiones y trabajo futuro.
2. Definición del problema
El problema de asignación de empleados incluye decisiones como contratar o no un
empleado, si los empleados contratados hacen horas extra y las estaciones en las que
trabajan los empleados contratados en cada franja horaria.
Formalmente este tipo de problemas se pueden definir a partir de un conjunto de
empleados disponibles ℰ = {1,2, … , 𝑛}, es decir la máxima cantidad de empleados
posible a contratar, un conjunto de días durante los cuales se quiere asignar a los
empleados 𝒟 = {1, 2, … , 𝑘} , es decir el horizonte de planeación, un conjunto de franjas
horarias o turnos de trabajo ℱ = {1,2, … , 𝑝} y un conjunto de estaciones de trabajo en las
cuales se debe distribuir al personal 𝒜 = {1, 2, … , 𝑠}. El parámetro 𝑑𝑖𝑏𝑙 representa la
demanda (pronosticada o conocida) en unidades de tiempo o unidades de producto para
cada día 𝑖 ∈ 𝒟 en cada estación de trabajo 𝑏 ∈ 𝒜 y cada franja horaria 𝑙 ∈ ℱ. El costo de
contratación 𝑐𝑚𝑖 del empleado 𝑚 ∈ ℰ el día 𝑖 ∈ 𝐷, este costo puede a su vez ser
independiente del empleado y el día en casos donde todos los empleados pueden realizar
las mismas actividades y no hay distinción entre los costos de acuerdo al día. El costo de
trabajar horas extra 𝑜𝑚𝑖 para cada empleado 𝑚 ∈ ℰ en el día 𝑖 ∈ 𝒟 que igual al costo de
contratación puede ser o no igual para todos los empleados en todos los días. Finalmente,
la duración 𝑛𝑙 en unidades de tiempo de cada una de las franjas de trabajo ya que
dependiendo de esto cambia el número de turnos en un día laboral.
Adicionalmente, dependiendo de si los empleados pueden realizar cualquier tipo de
actividad o no es importante tener en cuenta 𝑓𝑚𝑏 el tiempo o tasa de producción del
empleado 𝑚 ∈ ℰ en realizar la actividad de la estación 𝑏 ∈ 𝒜.
3. Metodología
3.1 Pronósticos de demanda
Es necesario tener en cuenta que hallar el mejor método de pronóstico no es una tarea
fácil ya que existen muchos tipos de problemas de predicción que dependen de una gran
variedad de consideraciones y objetivos, como las propiedades de los datos y el número
de series de tiempo a pronosticar entre otras (Chatfield et al., 1988). Para realizar el
pronóstico de la demanda en casos en los que esta no es conocida es importante analizar
la información histórica que se tenga disponible, de este modo al hacer un análisis gráfico
por ejemplo será posible identificar patrones estacionales o tendencias que permitan
obtener una idea de los métodos de pronósticos que se pueden usar.
Un ejemplo es el caso en el que la demanda es estacional y se repiten patrones cada cierto
periodo de tiempo, para este tipo de casos una opción es usar el método de Holt-Winters,
llamado método estacional de Winters el cual es una variante del suavizamiento
exponencial simple, donde se incluyen parámetros para actualizar la media, tendencia y
componente estacional, este método permite hacer pronósticos ajustados para periodos
cortos de tiempo (Chatfield et al., 1988). Para construir pronósticos mediante este método
es necesario primero inicializar los siguientes parámetros: 𝛼 que corresponde al
coeficiente de suavización del nivel o media de la serie, 𝛽 que es el parámetro de
suavización de la tendencia, 𝛾 que corresponde al coeficiente de suavización del índice
estacional, 𝑆0 que equivale al nivel o media de la serie de tiempo, 𝐺0 que corresponde a
la tendencia de la serie y 𝐶0 el índice estacional. Adicionalmente es necesario identificar
𝑚 el número de estaciones presentes en toda la serie de tiempo y la longitud de cada
estación 𝑁.
Existen diversos métodos de inicialización de los parámetros mencionados anteriormente,
uno es el método propuesto por Granger et al. (1986) que implica establecer 𝑆0 como el
promedio de las observaciones del primer año, 𝐺0 igual a cero y 𝐶0 comparando las
observaciones cíclicas del primer año. Otro método, propuesto por Makridakis et al.
(1982) consiste en usar “backcasting”, un método en el cual se revierte el orden de los
datos y se usan los más recientes para empezar el procedimiento, los datos del final (más
antiguos) se usan como valores iniciales. Un tercer método propuesto por Gardner (1986)
consiste en usar todos los valores de la serie ajustando una regresión lineal de todos los
datos para obtener los valores iniciales, donde 𝑆0 es el intercepto, 𝐺0 es la tendencia y 𝐶0
se obtiene a partir de todas las observaciones cíclicas (Chatfield et al., 1988). En cuanto
a los parámetros de suavizamiento (𝛼, 𝛽 𝑦 𝛾) existen dos métodos de inicialización
generales, el primero consiste en encontrar los parámetros que minimicen la suma
cuadrada de errores de los pronósticos respecto a los datos históricos y el segundo consiste
en estimarlos de acuerdo al juicio del modelador (Chatfield & Yar, 1988).
Teniendo los parámetros iniciales es posible aplicar las siguientes fórmulas para construir
el modelo de predicción:
𝑆𝑡 = 𝛼𝐷𝑡
𝐶𝑡−𝑁+ (1 − 𝛼)(𝑆𝑡−1 + 𝐺𝑡−1) (1)
𝐺𝑡 = 𝛽(𝑆𝑡 − 𝑆𝑡−1) + (1 − 𝛽)𝐺𝑡−1 (2)
𝐶𝑡 = 𝛾𝐷𝑡
𝑆𝑡+ (1 − 𝛾)𝐶𝑡−𝑁 (3)
𝐹𝑡,𝑡+𝜏 = (𝑆𝑡 + 𝜏𝐺𝑡)𝐶𝑡+𝜏−𝑁 (4)
Donde 𝑆𝑡 (1) equivale al nivel o media de la serie en el tiempo t, 𝐺𝑡 (2) corresponde a la
tendencia de la serie en el tiempo t y 𝐶𝑡 (3) es el el índice estacional en el tiempo t,
respecto a 𝐹𝑡,𝑡+𝜏 (4) este es el valor de la predicción para el periodo 𝑡 + 𝜏 siendo t la
ultima observación disponible de la serie de tiempo.
Continuando con el ejemplo de demanda estacional otro método apropiado a considerar
es el propuesto por Box et al. (1973) en el que se usan modelos autorregresivos y de
medias móviles para estimar componentes en los cuales los rezagos deban ser tenidos en
cuenta y los errores aleatorios de los periodos recientes. Para esto primero es necesario
identificar si la serie es estacionaria, es decir que su media a largo plazo no aumente ni
disminuya con el fin de incluir un componente de tendencia en caso de que exista, es
posible identificar la estacionariedad mediante la gráfica de la función de autocorrelación
parcial, en la cual también se pueden evidenciar comportamientos estacionales y su
periodo (Modelos para pronosticar la demanda de un producto de consumo masivo para
la limpieza del hogar en el mercado colombiano, 2003). Habiendo identificado estos
comportamientos es posible caracterizar la serie encontrando los parámetros p
(correspondiente al componente autorregresivo) y q (componente de media móvil), de
este modo se puede caracterizar la serie como ARMA (p, q). De acuerdo a lo anterior la
ecuación general de predicción para un modelo ARMA sería: