Estabilización Logística del Stock de Seguridad mediante Descomposición de Series de Tiempo y Clustering Multivariante

Resumen

Introducción: La gestión de inventarios tradicional bajo el modelo ABC-XYZ presenta fallas estructurales al utilizar la varianza bruta de la demanda, lo cual inmoviliza capital innecesario en productos con estacionalidad predecible. Objetivo: El propósito de este estudio se orienta a evaluar metodologías que superen las limitaciones del modelo clásico mediante el análisis del error residual y algoritmos de agrupación para optimizar el inventario. Metodología: Se implementó un diseño mixto que integró una revisión de alcance de veinticinco artículos técnicos con una fase de validación empírica mediante simulación computacional en Python. Se analizaron cien unidades de mantenimiento de inventario bajo modelos de descomposición de series de tiempo de Holt-Winters para aislar el ruido estocástico del comportamiento sistémico. Conclusiones: Los hallazgos revelan una reducción promedio de la incertidumbre del 39.4% al 12.1%, permitiendo una liberación de capital de trabajo superior al 60%. La transición hacia una arquitectura de decisión basada en la predictibilidad del error residual permite estabilizar artificialmente el inventario sin comprometer el nivel de servicio, demostrando que la inestabilidad percibida es un artefacto de métricas clásicas. Este enfoque transforma al gestor de suministros en un analista de señales de demanda, potenciando la competitividad operativa en mercados de alta rotación.