Marco de referencia para la gestión de inventarios bajo la metodología Demand Driven MRP: Un mapeo sistemático de la literatura y FAHP
DOI:
https://doi.org/10.69639/arandu.v11i1.202Palabras clave:
gestión de inventarios, ddmrp, mapeo sistemático de la literatura, fahp, simulación de eventos discretosResumen
Globalmente la demanda se caracteriza por las constantes fluctuaciones que presenta, por este motivo es necesario implementar enfoques innovadores en la gestión de inventarios (GI) para mantener el equilibrio entre la oferta y la demanda asegurando la disponibilidad del stock. En base a esta necesidad el Demand Driven MRP (DDMRP) se presenta como una herramienta de planificación de recursos que permite reducir el efecto látigo causado por la demanda mediante los amortiguadores de inventario. El objetivo de esta investigación es formalizar un marco de referencia para la identificación y determinación de la herramienta más óptima para desarrollar una GI basada en la metodología DDMRP, para esto se realizó un mapeo sistemático de la literatura (MSL), el cual consistió en definir los objetivos y las preguntas de investigación, realizar la búsqueda en las bases de datos, la selección de los estudios mediante los criterios de inclusión y exclusión. Para la extracción de datos se tomaron en cuenta elementos que representaron un aporte significativo para la investigación, mientras que para la evaluación de las herramientas identificadas se utilizó el proceso de jerarquía analítica difusa (FAHP). Los resultados del MSL indicaron la existencia de 11 herramientas utilizadas para desarrollar una gestión de inventarios basada en la metodología DDMRP y mediante el FAHP se determinó que la simulación de eventos discretos tiene un peso de 25,28% siendo la herramienta con mayor impacto en la comunidad científica, por este motivo se concluye que esta herramienta es la más adecuada para desarrollar una GI basada en la metodología DDMRP dando paso a futuras investigaciones.
Descargas
Citas
Abdullah, A.-G., Shafii, M.-A., Pramuditya, S., Setiadipura, T., & Anzhar, K. (2023). Multi-criteria decision making for nuclear power plant selection using fuzzy AHP: Evidence from Indonesia. Energy and AI, 14, 100263. https://doi.org/10.1016/J.EGYAI.2023.100263
Achergui, A., Allaoui, H., & Hsu, T. (2021). Optimisation of the Automated buffer positioning model under DDMRP logic. IFAC-PapersOnLine, 54(1), 582–588. https://doi.org/10.1016/j.ifacol.2021.08.067
Achergui, A., Allaoui, H., & Hsu, T. (2022). Demand Driven MRP with supplier selection. IFAC-PapersOnLine, 55(10), 257–262. https://doi.org/10.1016/j.ifacol.2022.09.398
Bayard, S., Grimaud, F., & Delorme, X. (2021). Study of buffer placement impacts on Demand Driven MRP performance. IFAC-PapersOnLine, 54(1), 1005–1010. https://doi.org/10.1016/j.ifacol.2021.08.119
Bortolini, M., Faccio, M., Galizia, F. G., & Gamberi, M. (2021). Push/Pull Parts Production Policy Optimization in the ATO Environment. Applied Sciences, 11(14), 6570. https://doi.org/10.3390/app11146570
Cuartas, C., & Aguilar, J. (2023). Hybrid algorithm based on reinforcement learning for smart inventory management. Journal of Intelligent Manufacturing, 34(1), 123–149. https://doi.org/10.1007/s10845-022-01982-5
Damand, D., Lahrichi, Y., & Barth, M. (2022). A simulation-optimization approach to parameterize Demand-Driven Material Requirements Planning. IFAC-PapersOnLine, 55(10), 263–268. https://doi.org/10.1016/j.ifacol.2022.09.626
Dessevre, G., Baptiste, P., Lamothe, J., & Pellerin, R. (2023). Visual charts produced by simulation to correlate service rate, resource utilization and DDMRP parameters. International Journal of Production Research, 61(3), 741–753. https://doi.org/10.1080/00207543.2021.2015808
Dessevre, G., Lamothe, J., Pellerin, R., Ali, M. Ben, Baptiste, P., & Pomponne, V. (2023). Comparison of pull management policies for a divergent process with DDMRP buffers: an industrial case study. International Journal of Production Research, 61(23), 8022–8042. https://doi.org/10.1080/00207543.2022.2162997
Eramo, R., Tucci, M., Di Pompeo, D., Cortellessa, V., Di Marco, A., & Taibi, D. (2024). Architectural support for software performance in continuous software engineering: A systematic mapping study. Journal of Systems and Software, 207, 111833. https://doi.org/10.1016/j.jss.2023.111833
Erraoui, Y., & Charkaoui, A. (2022). AN EMPIRICAL COMPARISON OF DRP AND DEMAND-DRIVEN DRP. Acta Logistica, 9(2), 195–205. https://doi.org/10.22306/al.v9i2.294
Ferretti, I., & Marchi, B. (2024). Q-Learning for Inventory Management: an application case. Procedia Computer Science, 232, 2431–2439.
https://doi.org/https://doi.org/10.1016/j.procs.2024.02.062
Flores-Siguenza, P., Marmolejo-Saucedo, J. A., & Niembro-Garcia, J. (2023). Robust Optimization Model for Sustainable Supply Chain Design Integrating LCA. Sustainability (Switzerland), 15(19), 14039. https://doi.org/10.3390/su151914039
Gallego-García, D., Gallego-García, S., & García-García, M. (2021). An Optimized System to Reduce Procurement Risks and Stock-Outs: A Simulation Case Study for a Component Manufacturer. Applied Sciences, 11(21), 10374. https://doi.org/10.3390/app112110374
González, A., & González, A. (2020). Un modelo de gestión de inventarios basado en estrategia competitiva. Ingeniare. Revista Chilena de Ingeniería, 28(1), 133–142. https://doi.org/10.4067/S0718-33052020000100133
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Juan Carlos Muyulema-Allaica, Francisco Xavier Aguirre Flores, Augusto Fabricio Santana Zambrano, Víctor Manuel Matias-Pillasagua
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación está bajo una 
