Modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de Monte Carlo.

El proyecto de investigación parte de la dinámica del modelo de distribución tercerizada para una compañía de consumo masivo en Colombia, especializada en lácteos, que para este estudio se ha denominado “Lactosa”. Mediante datos de panel con estudio de caso, se construyen dos modelos de demanda por...

Descripción completa

Detalles Bibliográficos
Autor Principal: Pulido Quintero, Miguel Angel
Otros Autores: Moreno-Escobar, Jaime
Formato: Tesis de maestría (Master Thesis)
Lenguaje:Español (Spanish)
Publicado: Universidad del Rosario 2013
Materias:
Acceso en línea:http://repository.urosario.edu.co/handle/10336/4828
id ir-10336-4828
recordtype dspace
institution EdocUR - Universidad del Rosario
collection DSpace
language Español (Spanish)
topic estructura de costos, margen neto, regresión lineal,
canal de distribución
datos de panel
simulador de montercarlo
Cadenas productivas
Logística empresarial
Planificación del mercadeo
Productos lácteos::Comercio
Distribution channel, panel data, costs structure, clear-cut margin,
linear regression, Monte Carlo simulation,
spellingShingle estructura de costos, margen neto, regresión lineal,
canal de distribución
datos de panel
simulador de montercarlo
Cadenas productivas
Logística empresarial
Planificación del mercadeo
Productos lácteos::Comercio
Distribution channel, panel data, costs structure, clear-cut margin,
linear regression, Monte Carlo simulation,
Pulido Quintero, Miguel Angel
Modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de Monte Carlo.
description El proyecto de investigación parte de la dinámica del modelo de distribución tercerizada para una compañía de consumo masivo en Colombia, especializada en lácteos, que para este estudio se ha denominado “Lactosa”. Mediante datos de panel con estudio de caso, se construyen dos modelos de demanda por categoría de producto y distribuidor y mediante simulación estocástica, se identifican las variables relevantes que inciden sus estructuras de costos. El problema se modela a partir del estado de resultados por cada uno de los cuatro distribuidores analizados en la región central del país. Se analiza la estructura de costos y el comportamiento de ventas dado un margen (%) de distribución logístico, en función de las variables independientes relevantes, y referidas al negocio, al mercado y al entorno macroeconómico, descritas en el objeto de estudio. Entre otros hallazgos, se destacan brechas notorias en los costos de distribución y costos en la fuerza de ventas, pese a la homogeneidad de segmentos. Identifica generadores de valor y costos de mayor dispersión individual y sugiere uniones estratégicas de algunos grupos de distribuidores. La modelación con datos de panel, identifica las variables relevantes de gestión que inciden sobre el volumen de ventas por categoría y distribuidor, que focaliza los esfuerzos de la dirección. Se recomienda disminuir brechas y promover desde el productor estrategias focalizadas a la estandarización de procesos internos de los distribuidores; promover y replicar los modelos de análisis, sin pretender remplazar conocimiento de expertos. La construcción de escenarios fortalece de manera conjunta y segura la posición competitiva de la compañía y sus distribuidores.
author2 Moreno-Escobar, Jaime
author_facet Moreno-Escobar, Jaime
Pulido Quintero, Miguel Angel
format Tesis de maestría (Master Thesis)
author Pulido Quintero, Miguel Angel
author_sort Pulido Quintero, Miguel Angel
title Modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de Monte Carlo.
title_short Modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de Monte Carlo.
title_full Modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de Monte Carlo.
title_fullStr Modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de Monte Carlo.
title_full_unstemmed Modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de Monte Carlo.
title_sort modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de monte carlo.
publisher Universidad del Rosario
publishDate 2013
url http://repository.urosario.edu.co/handle/10336/4828
_version_ 1645140883204472832
spelling ir-10336-48282019-09-19T12:37:01Z Modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de Monte Carlo. Modelo de gestión de la red de distribución tercerizada segmento tiendas región central, en productos de consumo masivo, mediante datos de panel y simulación de Monte Carlo. Pulido Quintero, Miguel Angel Moreno-Escobar, Jaime estructura de costos, margen neto, regresión lineal, canal de distribución datos de panel simulador de montercarlo Cadenas productivas Logística empresarial Planificación del mercadeo Productos lácteos::Comercio Distribution channel, panel data, costs structure, clear-cut margin, linear regression, Monte Carlo simulation, El proyecto de investigación parte de la dinámica del modelo de distribución tercerizada para una compañía de consumo masivo en Colombia, especializada en lácteos, que para este estudio se ha denominado “Lactosa”. Mediante datos de panel con estudio de caso, se construyen dos modelos de demanda por categoría de producto y distribuidor y mediante simulación estocástica, se identifican las variables relevantes que inciden sus estructuras de costos. El problema se modela a partir del estado de resultados por cada uno de los cuatro distribuidores analizados en la región central del país. Se analiza la estructura de costos y el comportamiento de ventas dado un margen (%) de distribución logístico, en función de las variables independientes relevantes, y referidas al negocio, al mercado y al entorno macroeconómico, descritas en el objeto de estudio. Entre otros hallazgos, se destacan brechas notorias en los costos de distribución y costos en la fuerza de ventas, pese a la homogeneidad de segmentos. Identifica generadores de valor y costos de mayor dispersión individual y sugiere uniones estratégicas de algunos grupos de distribuidores. La modelación con datos de panel, identifica las variables relevantes de gestión que inciden sobre el volumen de ventas por categoría y distribuidor, que focaliza los esfuerzos de la dirección. Se recomienda disminuir brechas y promover desde el productor estrategias focalizadas a la estandarización de procesos internos de los distribuidores; promover y replicar los modelos de análisis, sin pretender remplazar conocimiento de expertos. La construcción de escenarios fortalece de manera conjunta y segura la posición competitiva de la compañía y sus distribuidores. The investigation project is based on the dynamics of the outsourced distribution model for a massive consumerism company in Colombia, specialized in dairy products, which have been denominated “lactose” in this study. Through panel data with case study, two demand models are built. They are classified by product category and distributor, and through stochastic simulation, the relevant variables that influence its costs structures are identified. The problem is modeled parting from the state of results for each one of the four distributors analyzed in the central region of the country. The structure of costs and the behavior of the sales given a distribution logistic margin (%) are analyzed, in function of the relevant independent variables, and referred to the business, to the market and to the macroeconomic environment, described in the object of study. Amongst other findings, the noticeable gaps in distribution costs and sales strength stand out, in spite of the homogeneity of the segments. Identifies value and costs generators of greater individual dispersion and suggests strategic unions forms by some distributor groups. The modeling with panel data identifies the relevant management variables that influence the volume of the sales by category and distributor, which focuses on the efforts of the directives. It is recommended to lower the gaps and promote from the producer, strategies that are focused on the standardization of internal processes of the distributors; also to promote and replicate the analysis models, without replacing the knowledge of experts. The construction of sceneries strengthens in a joint and safe way the competitive position of the company and its distributors. Centro de Estudios Empresariales para la Perdurabilidad 2013-11-15 2014-01-16T18:15:24Z info:eu-repo/semantics/masterThesis info:eu-repo/semantics/acceptedVersion http://repository.urosario.edu.co/handle/10336/4828 spa http://creativecommons.org/licenses/by-nc-nd/2.5/co/ info:eu-repo/semantics/openAccess application/pdf Universidad del Rosario Maestría en Dirección y Gerencia de Empresas Facultad de administración instname:Universidad del Rosario reponame:Repositorio Institucional EdocUR Albarrán, P. P. (2010). Modelos para Datos de Panel. Universidad de Alicante, España. Angel A. (2008). La Cadena de Abastecimiento: Estrategias para afianzar la competitividad hacia nuevos mercados internacionales. Arellano, M. y S. R. Bond (1991). Some Test of Specification for panel Data: Monte Carlo Evidence and an Application to Employment Equations. En: Review of Economic Studies. Vol. 58, pp. 277-297. Blanchard, B. (1995). Ingeniería logística. Isdefe, 1ª ed. Madrid, España. Borden, Neil. (1964). The concept of the Marketing Mix. Journal of Advertising Research, pp. 197-208. Balatagi, Badi H. (2008). Econometric Analysis of Panel Data. John Wiley & Sons. 4 edition Bravo, J.J. (2005). Optimización dinámica no-lineal de decisiones de transporte en cadenas de distribución con sistemas con revisión periódica de inventarios (R,S). U. del Valle, Presentación conferencia XI Escuela Latinoamericana de verano en Investigación de Operaciones, Villa de Leyva. Boyacá, Colombia. Bravo, J.J. (2006). Comentarios sobre la solución de problemas de optimización lineal, entero mixto y no lineales de gran escala. Revista Heurística. Universidad del Valle. Vol.13, pp. 26-34. Bravo, J.J., Orejuela, J.P, y Osorio, J.C. (2007). Administración de recursos de distribución: Indicadores para la priorización en transporte. Revista Estudios Gerenciales, Universidad ICESI. Vol. 23 No. 102, pp. 101-118. Bravo, J.J., Osorio, J.C., y Orejuela, J.P. (2009). Priorización dinámica de despachos usando AHP. Revista de Ingeniería de la Universidad de Antioquia, N.° 48. pp. 201-215. Calderón, J, y Lario F. (2005). Análisis del modelo SCOR para la Gestión de la Cadena de Suministro. IX Congreso de Ingeniería de Organización. Universidad Politécnica de Valencia. España. Casquel, E y Uriel E. (2000). Un estudio comparativo del estimador de mínimos Cuadrados generalizados para Modelos de panel WP-EC 2000-12. Universidad Jaume I. Dpto. Economía. Campus del Riu Sec, 12071 Castellón, España. Chopra, S y Meindl, P. (2008). Administración de la cadena de suministro. Estrategia, planeación y operación. Pearson educación, 3ª ed. México. Christopher, M. (2004). Logística aspectos estratégicos. México: Editorial Limusa. Christopher, M. (2005). Logistics and Supply Chain Management Creating Value-Adding Networks. Third edition. Pearson Education Limited. Great Britain. Collado, J. (2004). La estructura de las relaciones comerciales entre fabricantes y distribuidores en canales de distribución: un enfoque basado en la teoría de economía política. Universidad de Cantabria, Departamento de Administración de Empresas. Santander, España. Dolan, R (1995). La esencia del marketing. Estrategia Vol I y Vol. II. Escuela postgrado U. Harvard. Grupo editorial Norma. Bogotá, Colombia Durango, E. (2008). Integración de la cadena de suministro: alianza estratégica y ventaja competitiva para las pymes. Trabajo de grado Ingeniería Industrial U. Nacional de Colombia, sede Medellín. Colombia. Escobar J. (2008). Modelo de diseño de redes de distribución de productos de consumo masivo con elementos estocásticos. Tesis Magister, U. del Valle, Colombia. Frazier, G.L. (1999). Organizing and Managing Channels of Distribution. Journal of the Academy of Marketing Science, Vol 27, pp. 226-240. Garcés, C. (2010). Modelo de entregas directas para la reducción de costos logísticos de distribución en empresas de consumo masivo. Aplicación en una empresa piloto de Caldas. Tesis Magister, UN sede Manizales, Colombia. Garralda Ruiz de Velasco J. (2005). La cadena de valor. Editado por el departamento de publicaciones del Instituto de Empresa. María de Molina 13, 28006 – Madrid, España. Granados, R. (2011). Efectos fijos o aleatorios: test de especificación. Universidad de Granada, España. Gujarati, D. (2003). Econometría Básica. 4a ed., México D.F., McGraw-Hill. Guitart L. (2005). La ruptura de la cadena de valor, como consecuencia de la subcontratación. De la subcontratación táctica a la estratégica. Una investigación cualitativa mediante el análisis de casos. Trabajo doctoral. U. de Barcelona, España. Guillén, G., Mele, F.D., Bagajewicz, M.J., Espuna, A., y Puigjaner, L. (2005), Multiobjective supply chain design under uncertainty. En: Chemical Engineering Science 60, pp. 1535 – 1553. Hicks, D. (1999). A four step methodology for using simulation and optimization technologies in strategic supply chain planning. Proceedings of the 1999 Winter Simulation Conference. USA. Hinkle, D. E., Wiersma, W. & Jurs, S. G. (2002). Applied statistics for the behavioral sciences (5a. ed.). Boston, MA: Houghton Mifflin Company Jiménez J.E. y Hernández S. (2002). Marco conceptual de la cadena de suministro: Un nuevo enfoque logístico. Publicación Técnica No. 215, Instituto mexicano del transporte. Sanfandila, Qro. México. Judge G. G, Griffiths W.E, Hill R. C., Lutkepohl H and Lee Troung-Chao. (1985). The theory and Practice of econometrics. USA. 2th edition. Kotler, P & Armstrong, G. (1996). Mercadotecnia. Prentice Hall 6ª ed. México. Lambert, D.M., Stock, J.R. and Ellram, L.M. (1998). Fundamentals of logistics Management. Irwin-McGraw Hill, HHE. EUA. León D., Quintero I. y Zuluaga W. (2004). Crystal Ball. Software de análisis y simulación de riesgo. UN de Colombia, FCE-Unidad de informática. Bogotá. Lombana J. y Rosas S. (2009). Marco analítico de la competitividad. Fundamentos para el estudio de la competitividad regional. Pensamiento & Gestión, N° 26. p. 1-38. Universidad del Norte. Barranquilla Colombia Luque, E. (1990). Elementos de simulación. Sistemas y modelos. Facultad de ciencias económicas y administrativas. U de Málaga, España. McCarthy J. (1978). Basic Marketing. A Managerial Approach. 6th. Ed. Homewood, Ill; Irwin Mayorga, M. y Muñoz, E. (2000). La técnica de datos de panel una guía para su uso e interpretación. Banco central de Costa Rica, División económica, departamento de investigaciones económicas. DIE-NT-05. Montero, R. (2005). Test de Hausman. Documentos de Trabajo en Economía Aplicada. Universidad de Granada. España. Mora H. (2008). Temas de optimización. Departamento de Matemáticas Universidad Nacional de Colombia, Bogotá. Mur, J. y Angulo, A. (2009). Datos panel: modelos estáticos. Departamento de análisis económico, Facultad de Ciencias Económicas y Empresariales. Universidad de Zaragoza, España. Pardo, A. y Ruiz, M. A. (2002). SPSS: Guía para el análisis de datos. Madrid. McGraw-Hill. Porter, M. (1986). Ventaja Competitiva. Editorial C.E.C.S.A. México. Ramos, A. et al. (2010). Modelos matemáticos de optimización. U. Pontificia de Comillas, Madrid - España. www.dpi.icai.upcomillas.es (Consultado el 21 de agosto 2012). Rey, M.F. (2005). Análisis de costo total de logística en empresas colombianas, 2004 – 2005. Catalogo de logística. ACOLG, Colombia. Rodríguez-Aragón, L. (2011). Simulación, Método de Montecarlo. Universidad de Castilla-La Mancha, España. Saavedra P. (2012). Introducción a la optimización no lineal. Departamento de Matemáticas Universidad Autónoma Metropolitana, Iztapalapa, México. Soto, R. (2010). Teoría econométrica - Notas de clase. Trabajo docente N° 78. Pontificia Universidad Católica de Chile, Santiago de Chile. Thierauf R y Grosse, R. (1976). Toma de decisiones por medio de investigación de operaciones. Ed. Limusa - México. Torres-Reyna, O. (nd) Panel Data Analysis Fixed & Random Effects (using Stata 10.x) (ver. 4.1) Data Consultant. Princeton University. http://dss.princeton.edu/training/Panel101R.pdf (marzo/13). Velásquez A. (2006). Modelación de cadenas de abastecimiento. Rev. Clepsidra. UAC, N°3. pp. 43-54. Velosa, F. (2009). Fundamentos de Ingeniería Financiera. Una aplicación al mercado bancario y monetario. UPC, Bogotá. Vidal, C., Londoño, J., y Contreras, F. (2004). Aplicación de modelos de inventarios en una cadena de abastecimiento de productos de consumo masivo con una bodega y N puntos de venta. Rev. Ingeniería y competitividad, Vol 6 N° 1. pp. 35-52. Wooldridge, J. (2001). Introducción a la econometría: Un enfoque moderno. Thomson-Learning, México. Young, R. y Esqueda, P. (2009). Vulnerabilidades de la cadena de suministros: consideraciones para el caso de América Latina. ACADEMIA Revista Latinoamericana de Administración, N°34, CLADEA, Bogotá, pp 63-78.
score 12,131701