Universidad Autónoma de Nuevo León: Facultad de Ingeniería Mecánica Y Eléctrica

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN
FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA
DESARROLLO DE UN MODELO PARA LA

EVALUACIÓN DE PROVEEDORES EN LA
INDUSTRIA AUTOMOTRIZ
POR
BENEDIKT STEFAN SCHUIERER
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

MAESTRÍA EN LOGÍSTICA Y CADENA DE SUMINISTRO
AGOSTO, 2019
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN
FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA
SUBDIRECCIÓN DE ESTUDIOS DE POSGRADO
DESARROLLO DE UN MODELO PARA LA

EVALUACIÓN DE PROVEEDORES EN LA
INDUSTRIA AUTOMOTRIZ
POR
BENEDIKT STEFAN SCHUIERER
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

MAESTRÍA EN LOGÍSTICA Y CADENA DE SUMINISTRO
SAN NICOLÁS DE LOS GARZA, NUEVO LEÓN, MÉXICO AGOSTO, 2019

San Nicolás De Los Garza, Nuevo León, México Agosto 2019
A las personas que siempre me han apoyado en todas mis decisiones;
a mis guı́as de la vida, que me enseñaron a creer en mis sueños:
mis padres Maria y Michael.
Índice general
Agradecimientos XIII
Resumen XIV
1. Introducción 1
1.1. Descripción del problema . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1. Objetivos generales . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2. Objetivos especı́ficos . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5. Metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6. Caso de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6.1. La empresa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6.2. Descripción del proceso . . . . . . . . . . . . . . . . . . . . . . 6
1.7. Estructura de tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
v
Índice general vi
2. Marco teórico 9
2.1. La toma de decisiones en la cadena de suministro . . . . . . . . . . . 9
2.1.1. El proceso de toma de decisiones . . . . . . . . . . . . . . . . 9
2.1.2. La cadena de suministro . . . . . . . . . . . . . . . . . . . . . 11
2.2. La evaluación y selección de proveedores como proceso de toma de

decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1. El papel de la evaluación y selección de proveedores . . . . . . 15
2.2.2. Criterios de evaluación . . . . . . . . . . . . . . . . . . . . . . 17
2.3. Técnicas para la evaluación de proveedores . . . . . . . . . . . . . . . 20
2.3.1. Revisión de los métodos usados en la literatura . . . . . . . . 20
2.3.2. Proceso analı́tico jerárquico . . . . . . . . . . . . . . . . . . . 28
2.3.3. Redes neuronales artificiales . . . . . . . . . . . . . . . . . . . 32
2.4. Aplicación en la industria . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5. Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3. Metodologı́a 42
3.1. Selección del método . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1.1. FAHP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1.2. ANN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2. Diseño de la herramienta . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3. Aplicación y verificación de la herramienta . . . . . . . . . . . . . . . 50

Índice general vii
3.4. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4. Aplicación de la metodologı́a 51
4.1. FAHP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.1.1. Definición de criterios . . . . . . . . . . . . . . . . . . . . . . . 51
4.1.2. Cuestionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.1.3. Cálculos y resultados del AHP . . . . . . . . . . . . . . . . . . 55
4.1.4. Valores de los criterios . . . . . . . . . . . . . . . . . . . . . . 61
4.1.5. Priorización de proveedores . . . . . . . . . . . . . . . . . . . 63
4.2. ANN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5. Análisis de los resultados 69
5.1. FAHP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2. ANN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2.1. Hallazgos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2.2. Recomendaciones para la aplicación de ANN al VSP . . . . . 75
6. Conclusión 77
6.1. Conclusiones generales . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.3. Contribuciones y trabajo futuro . . . . . . . . . . . . . . . . . . . . . 81
6.3.1. Contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Índice general viii
6.3.2. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . 82
A. Apéndice 83
A.1. Estructura y resultados del Cuestionario . . . . . . . . . . . . . . . . 83
A.2. Priorización de proveedores . . . . . . . . . . . . . . . . . . . . . . . 88

Índice de figuras
1.1. Estructura de la metodologı́a . . . . . . . . . . . . . . . . . . . . . . 4
2.1. Clasificación de modelos de evaluación . . . . . . . . . . . . . . . . . 21
2.2. Estructura general del árbol jerárquico . . . . . . . . . . . . . . . . . 29
2.3. Un número difuso triangular . . . . . . . . . . . . . . . . . . . . . . . 31
2.4. Ciclo de aprendizaje automatizado . . . . . . . . . . . . . . . . . . . 33
2.5. Arquitectura de una red de propagación hacia atrás . . . . . . . . . . 34
2.6. Modelo de una estructura neuronal . . . . . . . . . . . . . . . . . . . 36
2.7. Árbol jerárquico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1. Representación visual de la metodologı́a propuesta . . . . . . . . . . . 42
3.2. Intersección entre M̃1 y M̃2 . . . . . . . . . . . . . . . . . . . . . . . 46
4.1. Árbol jerárquico con objetivo, criterios y subcriterios . . . . . . . . . 53
4.2. Ejemplo de una pregunta del cuestionario . . . . . . . . . . . . . . . . 54
4.3. Estructura general de la red neuronal . . . . . . . . . . . . . . . . . . 65
5.1. Árbol jerárquico con los valores de los criterios . . . . . . . . . . . . . 70
ix
Índice de figuras x
5.2. Priorización de proveedores . . . . . . . . . . . . . . . . . . . . . . . 71
5.3. Proveedores priorizados por categorı́a . . . . . . . . . . . . . . . . . . 72
5.4. Variación porcentual de los resultados de Scoring y FAHP . . . . . . 73
5.5. Errores porcentuales por número de neuronas ocultas . . . . . . . . . 74

Índice de tablas
2.1. Evolución del concepto de la gestión de la CS . . . . . . . . . . . . . 12
2.2. Criterios de evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3. Criterios verdes con mayor mención en la literatura . . . . . . . . . . 19
2.4. Comparación de escalas AHP-FAHP . . . . . . . . . . . . . . . . . . 30
4.1. Juicio del sexto experto en números triangulares . . . . . . . . . . . . 55
4.2. Juicio del experto para los subcriterios del criterio Disposición . . . . 56
4.3. Juicio del experto para los subcriterios de Comunicación . . . . . . . 56
4.4. Juicio del experto para los subcriterios de Calidad DFÜ . . . . . . . . 56
4.5. Juicio del experto para los subcriterios de Logı́stica Operativa . . . . 56
4.6. Juicio del primer experto en números triangulares . . . . . . . . . . . 57
4.7. Juicio del segundo experto en números triangulares . . . . . . . . . . 58
4.8. Juicio del tercer experto en números triangulares . . . . . . . . . . . 58
4.9. Juicio del cuarto experto en números triangulares . . . . . . . . . . . 59
4.10. Juicio del quinto experto en números triangulares . . . . . . . . . . . 59
4.11. Juicio del sexto experto en números triangulares . . . . . . . . . . . . 60
xi
Índice de tablas xii
4.12. Media geométrica de las cinco matrices de comparación . . . . . . . 60
4.13. Los resultados de la media geométrica en números reales . . . . . . . 61
4.14. Los resultados de la media geométrica en números reales . . . . . . . 61
4.15. Los valores de los criterios del primer nivel . . . . . . . . . . . . . . . 62
4.16. Los valores de los subcriterios de Disposición . . . . . . . . . . . . . . 62
4.17. Los valores de los subcriterios de Comunicación . . . . . . . . . . . . 62
4.18. Los valores de los subcriterios de Calidad DFÜ . . . . . . . . . . . . . 62
4.19. Los valores de los subcriterios de Logı́stica Operativa . . . . . . . . . 63
4.20. Resultados del escenario de experimentación 1 . . . . . . . . . . . . . 67
4.21. Resultados del escenario de experimentación 2 . . . . . . . . . . . . . 67
4.22. Resultados de la experimentación con valores exactos . . . . . . . . . 68
5.1. Comparación de los valores del FAHP y el Scoring . . . . . . . . . . . 70

Agradecimientos
Este trabajo de tesis representa el apoyo de muchas personas a las cuales quiero
extenderles mi sincero agradecimiento.
Al Dr. Tomás Eloy Salais Fierro, mi tutor de tesis, por su apoyo y por tener
la suficiente paciencia para el logro de dicha meta.
A los revisores de esta tesis, Dra. Marı́a Angélica Salazar Aguilar y Mtra. Lilia
del Carmen Barrón Tobı́as, que aseguraron con sus observaciones el cumplimiento
de este trabajo con los estándares de calidad.
Al núcleo académico de la Maestrı́a en Logı́stica y Cadena de Suministro de

la Universidad Autónoma de Nuevo León por haber compartido sus conocimientos
y guiarme a lo largo de este camino.
Al Ing. Alejandro Meza Ramı́rez y la Ing. Paola Parra Herrera por guiarme
con mi tema de tesis y proporcionar los datos para el caso de estudio.
A mi familia, particularmente mis padres, que, aunque geográficamente se en-

contraban muy lejos, siempre me apoyaron y motivaron a cumplir mis sueños.
También agradezco a los que hicieron posible este trabajo a través de su apoyo
financiero durante el curso de la Maestrı́a y la elaboración de esta tesis. Prime-
ramente, al Consejo Nacional de Ciencia y Tecnologı́a, ası́ como a la Universidad
Autónoma de Nuevo León y a la Facultad de Ingenierı́a Mecánica y Eléctrica, por
poder formar parte de esta institución y su apoyo económico.
xiii
Resumen
Benedikt Stefan Schuierer.
Candidato para obtener el grado de Maestrı́a en Logı́stica y Cadena de Suministro.
Universidad Autónoma de Nuevo León.
Facultad de Ingenierı́a Mecánica y Eléctrica.
Tı́tulo del estudio: Desarrollo de un modelo para la evaluación de pro-

veedores en la industria automotriz.
Número de páginas: 110.
Objetivos y método de estudio: En la actualidad, la evaluación y selección

de proveedores representa uno de los procesos que más impacto tiene en la cadena
de suministro. Consecuentemente resulta necesario contar con sistemas de toma de
decisiones eficientes y basados en métodos cientı́ficos. Por este motivo se propone una
herramienta basada en el proceso analı́tico jerárquico y lógica difusa para mejorar
el proceso de evaluación de proveedores logı́sticos en una empresa de la industria
automotriz. Adicionalmente, se explora el uso de redes neuronales para el problema
de selección de proveedores, siendo una de las técnicas más recientes para la solución
de este problema.
Contribuciones y conclusiones: Se desarrolló una herramienta basada en el

proceso analı́tico jerárquico con lógica difusa para la evaluación de proveedores que
xiv
Capı́tulo 1
Introducción
1.1 Descripción del problema
Ante la creciente globalización y especialización de las empresas manufactu-

reras durante las últimas décadas, se ha comprobado que el aprovisionamiento es
una función principal para el éxito empresarial. Tanto la evaluación como la selec-
ción de proveedores desempeñan un papel importante con un impacto notable en
el área de aprovisionamiento y en toda la cadena de suministro (Omurca 2012), la
cual se define como un sistema de actores enfocados en la obtención, transformación
y distribución de productos y servicios bajo la finalidad de crear valor añadido y
minimizar el costo global a lo largo del sistema (Monczka, Trent y Handfield 1998).
Dado que el aprovisionamiento se repite en cada eslabón de la cadena y el volumen
de compras aumenta cada vez más rápido, los proveedores son socios indispensables
para cualquier empresa.
La selección de proveedores representa una tarea compleja, puesto que es pro-

pia a las necesidades de cada empresa y depende de una multitud de factores, como
calidad, costo, servicio, tiempo de reabastecimiento (lead time) o impacto medioam-
biental (Omurca 2012). Su cuidadosa selección, evaluación y desarrollo es crucial
para procesos eficientes, puesto que el suministro de materia prima dañada, en can-
1
Capı́tulo 1. Introducción 2
tidades erróneas o demasiado tarde, afecta directamente la capacidad de la empresa

de realizar procesos de transformación o distribución. Por el contrario, la selección
adecuada puede resultar en menores costos de compra y un incremento en la com-
petitividad. Una vez seleccionados los proveedores se requiere de un seguimiento
continuo para asegurar un desempeño constantemente adecuado.
En la literatura existen varios modelos, desde programación matemática, méto-

dos estadı́sticos hasta el uso de inteligencia artificial, que buscan resolver la pro-
blemática de encontrar y evaluar los mejores proveedores (Omurca 2012). Como
parte de esta tesis, se busca determinar las problemáticas que se presentan en la
evaluación de proveedores y revisar métodos utilizados en la actualidad para obte-
ner una solución óptima.
1.2 Objetivo
1.2.1 Objetivos generales
Desarrollar una herramienta de toma de decisiones para evaluar y priorizar

proveedores logı́sticos mediante criterios de decisión con la finalidad de seleccionar
aquellos que más se adecuen a las necesidades de la empresa de estudio.
1.2.2 Objetivos especı́ficos
Priorizar y seleccionar los proveedores más adecuados para las necesidades de

la empresa de estudio mediante el proceso de jerarquı́a analı́tico con lógica
difusa.
Explorar el uso de redes neuronales artificiales para el problema de evaluación

y selección de proveedores.
Determinar medidas adecuadas y basadas en tecnologı́as de información para

la agilización del proceso.
1.3 Hipótesis
Al implementar una herramienta basada en la metodologı́a del proceso analı́tico

jerárquico con lógica difusa e investigando el uso de redes neuronales en este ámbito,
se puede realizar una selección de socios, que a largo plazo aportan mayor valor a
la empresa, reflejándose a mediano y largo plazo en una mejora de desempeño y un
mayor número de proveedores clasificados como tipo A.
1.4 Justificación
En tiempos de creciente competencia, el eficiente aprovisionamiento representa

un factor clave para la rentabilidad de una empresa. Mientras que generalmente en las
empresas manufactureras el volumen de compra refleja entre 40-60 % de las ganancias
de una empresa, esta cifra asciende hasta un 80 % (Zubar y Parthiban, 2014) en la
industria automotriz. Por consiguiente, esta industria en particular depende en gran
medida de eficientes procesos de aprovisionamiento para mantener la competitividad.
Entre ellos destaca el proceso de evaluación y selección de proveedores, ya que su
correcta realización forma la base para la una colaboración exitosa. Estudios han
demostrado que incluso programas simples de evaluación de proveedores tienden a
mejorar sustancialmente el desempeño (Group, 2006).
Sin embargo, la situación competitiva en la industria automotriz obliga a las

empresas a implementar procesos cada vez más eficientes y reducir costos. Es por
eso, que la selección de proveedores no está excluida de la necesidad de contar con
métodos más elaborados para poder colaborar con los socios más adecuados. Por
este motivo, tanto empresas como investigadores se tienen que dedicar a la constante
búsqueda de las herramientas más útiles y aplicarlas a casos prácticos.
1.5 Metodologı́a
La metodologı́a que se sigue para llevar a cabo este proyecto se estructura, con-
forme a las normas del Honorable Consejo Universitario de la Universidad Autónoma
Universidad Autónoma de Nuevo León (1995), de la siguiente forma:
Figura 1.1: Estructura de la metodologı́a
Definición del problema: Se detecta el área de mejora y define el alcance del

proyecto.
Investigación de la literatura: Como fundamento para el desarrollo del proyec-

to, se investiga acerca de los trabajos realizados previamente en este área,
comparando diferentes criterios y métodos de solución con la finalidad de ele-
gir al más adecuado para la empresa de estudio.
Selección y diseño de la herramienta: De acuerdo a lo estudiado en el paso an-

terior, se selecciona y diseña la metodologı́a conforme a las caracterı́sticas del
problema y el caso del estudio.
Experimentación y análisis: Se aplica la herramienta al caso de estudio y ana-

liza los resultados obtenidos con el propósito de derivar recomendaciones y
conclusiones.
1.6 Caso de estudio
Como parte de este trabajo, se desarrolla un caso de estudio en una importante

empresa del sector automotriz, la cual busca reorganizar su proceso de evaluación
de proveedores con la finalidad de mejorar su desempeño logı́stico.
1.6.1 La empresa
La compañı́a de estudio forma parte de la industria automotriz, la cual se

puede definir como un ✭✭conjunto de compañı́as y organizaciones relacionadas en
las áreas de diseño, desarrollo, manufactura, marketing, y ventas de automóviles✮✮
(Britannica, 2018). Es uno de los sectores más importantes, dado que revolucionó
nuestra forma de transporte, cuenta con un alto volumen de ventas, emplea millones
de personas a nivel mundial e impulsa la investigación y es motor de desarrollo
de nuevas tecnologı́as. Con el paso de los años, se han constituido cada vez más
empresas, por lo que el mercado de automóviles se ha convertido en uno de los
más competitivo. Ya no resulta rentable producir autos de un solo color o el mismo
equipamiento para todos los clientes. Clientes cada vez más exigentes requieren a
los fabricantes de equipos originales (OEMs) a ofrecer productos innovadores a un
costo razonable. Es por eso, que muchas empresas se ven obligadas a reducir sus
costos. Como se mencionó en la descripción del problema, una de las áreas con
mayor potencial es el aprovisionamiento. Esto resulta particularmente relevante en la

industria automotriz. Mientras generalmente en empresas manufactureras el volumen
de compra refleja un 40-60 % de las ganancias de una empresa, esta cifra asciende
hasta 80 % en la industria automotriz. Es por ello, que particularmente esta industria
depende en gran medida de eficientes procesos de aprovisionamiento para mantener
la competitividad.
La empresa de estudio se desempeña como una de las lı́deres de la industria

automotriz a nivel mundial. El grupo opera un amplio porfolio de marcas, abarcando
cualquier segmento de vehı́culos motorizados. Para este caso, el enfoque está en la
marca principal del grupo. A nivel nacional, la marca cuenta con una historia de va-
rias décadas, por lo que se ha convertido en uno de los empleadores más importantes
en el centro del paı́s.
1.6.2 Descripción del proceso
El departamento de logı́stica de la empresa experimenta la falta de una meto-

dologı́a eficiente y armonizada para la evaluación de proveedores logı́sticos. Hasta la
fecha, la gerencia de esta área maneja una hoja de cálculo estandarizada para la eva-
luación, la cual se divulga a los departamentos de Pre-Serie, Disposición, Planeación
Logı́stica, Exportación CKD y Refacciones. La hoja contiene cinco criterios, a los
cuales se asignó una ponderación según la opinión de la gerencia. Este porcentaje se
multiplica con la puntuación adquirida para obtener el resultado final. La puntua-
ción o nota deriva de una escala de 1 a 6, donde 1 representa el desempeño óptimo
y 6 el peor desempeño. No se otorga puntuaciones a los subcriterios, únicamente a
los criterios generales. Además, se observó que los departamentos utilizan métodos
propios o desatienden la evaluación. Una vez finalizada la evaluación por parte de
los departamentos, el respectivo responsable envı́a el documento a la gerencia del
departamento de Supply Chain Management, el cual consolida manualmente la in-
formación en una sola hoja de cálculo. De ahı́, se sube manualmente la puntuación
obtenida a una base de datos, a la cual tanto la empresa como los proveedores pueden
consultar la evaluación de su desempeño. Un análisis del proceso actual mostró los
puntos de mejora, los cuales se pueden agrupar en tres áreas. El primero es la falta
de coherencia y de objetividad del modelo de evaluación, además de un continuo
desacuerdo entre los departamentos sobre la importancia de los criterios. La ponde-
ración y escala carecen de un gran nivel de subjetividad, lo cual es intolerable para
un proceso de esta magnitud, resultando en problemas de consolidación y la falta de
objetividad de los resultados. Segundo, se observó que una gran parte del proceso se
realiza manualmente. Una corporación del siglo 21 de esta magnitud debe de contar
con operaciones automatizadas basadas en tecnologı́as de información, no solo en el
área de producción sino también en la administración. El trabajo manual que se rea-
liza tanto en la consolidación de los datos como en la exportación de los resultados
a la base de datos resultan en una pérdida de tiempo y un mal aprovechamiento de
recursos. Como tercera área de mejora se puede mencionar la falta de gestión del
cambio, puesto que la negligencia de la evaluación y la falta de sensibilidad de la
importancia de este proceso impactan negativamente en la calidad de los resultados
obtenidos.
1.7 Estructura de tesis
La presente tesis consiste en seis partes principales. En el primer capı́tulo, se da

una introducción al tema de la toma de decisiones en el área de aprovisionamiento,
destacando su importancia para la cadena de suministro, además de detallar el caso
de estudio. En el marco teórico, se realiza una revisión de la literatura relacionada,
haciendo énfasis en el proceso de selección de proveedores, los criterios, los principa-
les métodos de solución y sus aplicaciones prácticas. El capı́tulo tres, la metodologı́a,
da a conocer la descripción y el funcionamiento de la herramienta seleccionada. En
el capı́tulo de aplicación de la metodologı́a se procede con la experimentación, em-
pleando la herramienta al caso de estudio, previo al análisis y la interpretación de
los resultados en el capı́tulo cinco. Por último, se derivan conclusiones de la investi-

gación realizada, se destaca la aportación del proyecto y se realizan recomendaciones
a trabajos futuros.
Capı́tulo 2
Marco teórico
2.1 La toma de decisiones en la cadena de

suministro
Con la finalidad de resolver la problemática descrita de una forma cientı́fica se

comienza con un análisis detallado de la literatura relacionada (Universidad Autóno-
ma de Nuevo León, 1995). La primera sección hace énfasis en la teorı́a de la toma
de decisiones y su aplicación en el ámbito de la cadena de suministro.
2.1.1 El proceso de toma de decisiones
En nuestro mundo, cada dı́a se toman miles de millones de decisiones. Pero

no sólo los humanos, sino incluso los animales llegan a enfrentarse a situaciones que
requieren de la toma de decisiones, la cual se puede definir como una actividad de
solución de problemas, cuya finalidad es una solución óptima o por lo menos satis-
factoria (Kahneman y Tversky, 2000). Mientras los animales generalmente actúan
conforme sus instintos, los humanos, siendo una especie inteligente, poseen de una
mayor capacidad de análisis. En el momento de tomar una decisión no sólo pueden
9
Capı́tulo 2. Marco teórico 10
simular el resultado directo esperado del mismo, sino también pronosticar futuras
implicaciones que conlleva esta decisión. Un primate, por ejemplo, en búsqueda de
comida se encuentra unas semillas de calabaza y se enfrenta a una situación que
requiere una toma de decisión. Dejándose llevar por sus instintos, es muy probable
que se las coma para satisfacer su necesidad inmediata. Por otro lado, un humano
podrı́a enfrentarse a la misma decisión, pero decidir de forma diferente. En lugar de
comérselos, el humano podrı́a llegar a tomar la decisión de sembrarlas. Aunque esto
no satisfará su necesidad actual, permitirá asegurar que tenga comida en el futuro,
y mucho más de lo que tendrı́a si se las hubiera comido inmediatamente.
Este pequeño ejemplo muestra que los humanos tienen una gran capacidad de
análisis, que les permite tomar decisiones considerando una serie de factores y posi-
bles escenarios. Sin embargo, cada vez es más frecuentemente que nos enfrentemos
a problemas con mayor complejidad que resultan difı́ciles de resolver. Adicional-
mente, Santos y Rosati (2015) mencionan que, aunque los humanos se consideran
una especie inteligente, sus decisiones tienden a desviarse de las soluciones óptimas
que los modelos de decisiones racionales predicen. Varios expertos señalan que cons-
tantemente atendemos demasiado a información irrelevante (Santos y Rosati, 2015;
Kahneman, 2011), caemos presa de variables contextuales y situacionales (Santos y
Rosati, 2015; Danziger et al., 2011) e incluso llegamos a racionalizar nuestras malas
decisiones (Santos y Rosati, 2015; Harmon-Jones y Mills, 1999). Esto indica que al
final de cuentas, hasta cierto grado, todos somos esclavos de nuestras emociones.
Esta problemática resulta particularmente delicada en el entorno empresarial,

donde la toma de una decisiones muchas veces conlleva una ganancia o pérdida de
miles o incluso millones de pesos (McKinsey, 2009). Es por eso, que tanto empresas
como universidades se han ocupado en la investigación de maneras que permitan la
toma de decisiones más eficientes.
2.1.2 La cadena de suministro
En un mundo que parece cada vez más pequeño debido a la creciente globa-
lización, las empresas hoy en dı́a se ven enfrentadas a un notable aumento en la
competencia. Por lo tanto, resulta necesario mantener un enfoque en la constante
reducción de costos, el aumento de calidad y la minimización de tiempos de entrega
(Zubar y Parthiban, 2014). Ante este reto, las empresas empezaron a formar alianzas
entre ellos con la finalidad de compartir conocimientos y aprovechar las economı́as
de escala. En el contexto de estas tendencias existe un término omnipresente: cadena
de suministro. Kozlenkova et al. (2016) señalan que la cadena de suministro puede
definirse como un sistema de organizaciones, personas, actividades, información y re-
cursos involucrados en el movimiento de productos o servicios desde los proveedores
hacia el cliente final. Debido a que esta área ha crecido y cambiado constantemen-
te a lo largo de los años (Atwater, 2017), se dedica este capı́tulo al estudio de su
definición y su historia.
Robinson (2015) señala que el concepto de la gestión de la cadena de suministro

cuenta con una historia de más de 100 años, teniendo sus orı́genes en la logı́stica de
principios del siglo 20. Esta, a su vez, ha sido aplicada por humanos desde la edad
de Bronce (Tepić et al., 2011). Sus orı́genes militares continúan reflejándose en la
actualidad, pues la Real Academia Española (2018) define el término logı́stico como
“parte de la organización militar que atiende al movimiento y mantenimiento de las
tropas en campaña”. Sin embargo, con el transcurso de los años se ha ampliado, o
más bien, generalizado su significado. En la era de la industrialización la logı́stica
ya se consideraba de una forma muy parecida a la actual. Hoy en dı́a, se refiere a la
logı́stica como una parte fundamental de la cadena de suministro, encargándose del
flujo de bienes entre el punto de origen y el punto de consumo con la finalidad de
satisfacer las necesidades de los clientes (Akkucuk, 2015).
No fue hasta el año 1905, hasta que por primera vez se mencionó el término
cadena de suministro en la literatura: en un artı́culo del periódico The Independent,
refiriéndose, en consonancia con lo anteriormente descrito, a una situación militar.

Pensando la gestión de la cadena de suministro desde una perspectiva de la ingenierı́a
industrial, se puede considerar a Frederick Taylor como uno de sus pioneros. Fue en
el año 1911, cuando publicó su libro Principles of Scientific Management, en el cual
estudió la mejora de procesos de carga manual (Taylor, 1911). Durante la segunda
guerra mundial se empezó a reconocer el valor de la investigación de operaciones
para organizar la logı́stica en operaciones militares. En aquel tiempo, la ingenierı́a
industrial y la investigación de operaciones habı́an sido tratados como entidades
independientes, hasta que se empezaron a crear estructuras integrales bajo el término
Supply Chain Engineering (Robinson, 2015).
Aunque la logı́stica resultaba como tema de interés de la industria durante

todo el siglo, el concepto de la cadena de suministro, como lo conocemos hoy, surgió
en un primer momento en los años 1980. Jain et al. (2010) identificaron seis etapas
claves de su evolución desde 1980 hasta 2010, las cuales se pueden observar en la
tabla 2.1, indicando los respectivos cambios y desarrollos.
Etapa Enfoque
Creación Primer mención del termino SCM en la industria (1980)
Integración Desarrollo y uso de TIs en la cadena de suministro (1960-90)
Búsqueda de socios internacionales con el objetivo de aumen-
Globalización
tar la ventaja competitiva, crear valor y reducir costos
Enfoque en competencias claves, abandono de la integración
Especialización I
vertical y externalización de procesos no claves
SCM como servicio: creación de empresas 3PL ofreciendo ser-
Especialización II
vicios mucho más allá del mero transporte y la logı́stica
Uso del internet en la cadena de suministro para aumentar
SCM 2.0
creatividad, intercambio de información y colaboración
Tabla 2.1: Evolución del concepto de la gestión de la CS Jain et al. (2010)

La revisión de la historia de la cadena de suministro comprueba que su concepto

ha vivido un constante cambio en las últimas décadas. Consiguientemente, se realiza
la revisión y el análisis de las diferentes definiciones que existen en la literatura.
Es importante señalar que existe una diferencia notable entre logı́stica y ca-
dena de suministro. Mientras la logı́stica se encarga de la planificación del flujo de
productos e información, el concepto de la cadena de suministro es más amplio, ya
que considera la interdependencia entre áreas y busca una integración de las mismas
(Christopher, 2016). Debido a su relativamente corta historia, no resulta sorpren-
dente que tanto en la academia como en la práctica haya surgido un debate sobre
la adecuada definición de la gestión de la cadena de suministro (SCM). Como se
mencionó anteriormente, el término fue usado en primera ocasión en 1982 por una
empresa consultora, señalando que atacar los conflictos entre las diferentes áreas
de una empresa de una forma independiente ya no resulta efectivo, por lo cual se
propuso un nuevo concepto: la gestión de la cadena de suministro (Keith y Webber,
1982).
Unos años después de haber expresado la necesidad de esta nueva perspecti-

va ante el cambiante entorno competitivo, Novack y Simco (1991) señalaron que la
gestión de la cadena de suministro “abarca el flujo desde los proveedores, pasando
por manufactureros y distribuidores hasta el cliente final”. En el mismo año, Scott y
Westbrook (1991) añaden a esta definición el aspecto de la interdependencia entre los
diferentes elementos de la cadena y Towill et al. (1992) que adicionalmente existe un
flujo inverso de información. Cavinato (1992) especifica que la cadena de suministro
es el conjunto de empresas que agregan valor a lo largo del flujo del producto. Ga-
neshan y Harrison (1995) hacen énfasis en que la cadena de suministro es una red de
instalaciones y alternativas de distribución que realizan actividades de adquisición,
transformación y distribución de productos. Es hasta el año 1998 que Christopher
(1998) destaca que la interacción en la cadena de suministro puede ser tanto siguien-
do la dirección del flujo como también en contra. Mentzer et al. (2001) agrega que el
objetivo de SCM es mejorar el desempeño a largo plazo, tanto para la empresa como
para toda la cadena de suministro. Una de las organizaciones más importantes en

esta área (Council of Logistics Management, 2003) propuso una definición muy am-
plia, la cual se enfoca en la integración de la gestión de demanda y suministro dentro
y entre empresas. Un estudio realizado por Gibson et al. (2005) indica que para la
gran mayorı́a de ejecutivos, SCM es considerado como una combinación de estrate-
gia y actividad. Stock y Boyer (2009) entienden bajo este término la gestión de una
red de relaciones en una empresa y entre organizaciones interdependientes. Gartner
(2013) menciona que los elementos de la cadena forman una comunidad de socios
comerciales bajo la premisa común de satisfacer a los clientes finales. El Council of
Supply Chain Management Professionals (2018) resume que la gestión de la cadena
consiste de cualquier actividad relacionada al aprovisionamiento, la transformación
y logı́stica. Además hace énfasis en la coordinación y colaboración con socios de la
cadena, los cuales pueden ser proveedores, intermediarios, empresas 3PL y clientes.
Considerando esta definición como una de las más completas y recientes, se decide
utilizarla como referencia para fines de trabajo.
“Supply chain management encompasses the planning and manage-

ment of all activities involved in sourcing and procurement, conversion,
and all logistics management activities. Importantly, it also includes coor-
dination and collaboration with channel partners, which can be suppliers,
intermediaries, third party service providers, and customers. In essen-
ce, supply chain management integrates supply and demand management
within and across companies”.
Council of Supply Chain Management Professionals (2018)
Se ha comprobado que existe una gran variedad de definiciones de la cadena de

suministro y su gestión. Cabe destacar que las definiciones más recientes destacan,
además de sustentabilidad y un creciente enfoque medioambiental, particularmente
las relaciones entre las diferentes empresas que forman parte de la cadena. Es por
eso, que en la próxima sección se analizará una forma de gestionar las relaciones con
proveedores de una forma exitosa y sustentable.
2.2 La evaluación y selección de proveedores

como proceso de toma de decisiones
Con base en la información elaborada en la sección anterior, se procede con

el análisis de un área de aplicación concreta del concepto de la toma de decisiones
en la cadena de suministro: la evaluación y selección de proveedores. Primero, se
evalúa la relevancia para el desempeño global de la cadena, luego se identifican los
criterios con mayor aplicación y posteriormente se presenta una visión global de las
herramientas estudiadas en la literatura.
2.2.1 El papel de la evaluación y selección de

proveedores
Conforme a la definición elegida para este trabajo, la gestión de la cadena

de suministro se empeña en la coordinación y colaboración con socios comerciales,
los cuales pueden ser proveedores, intermediarios, empresas 3PL y clientes (Council
of Supply Chain Management Professionals, 2018). Puesto que ésta le otorga una
notable importancia a la relación con los socios, cabe mencionar que los departa-
mentos de ventas y compras son los que se encuentran en contacto directo con los
elementos precedentes y subsiguientes. Ciertamente, aunque el área de ventas tiene
su importancia, este trabajo se enfoca en el área de aprovisionamiento, dado que es
el punto de entrada de materia prima y componentes a la empresa, que tiene efectos
notables afectando a todos los demás procesos. Van Weele (2009) define aprovisio-
namiento como el conjunto de actividades necesarias para mover el producto desde
el proveedor hasta su destino final, abarcando compras, transportación, inspección,
control de calidad y aseguramiento. Además menciona, que las empresas tienden a

gastar más de la mitad de las ventas en componentes y servicio adquiridos. Otras
fuentes indican que dependiendo de la industria, esta cifra puede ascender hasta
70 % o incluso 80 % (Weber et al., 1991; Zubar y Parthiban, 2014). Adicionalmente,
Ghodyspour y O’Brien (2001) comprobaron en su trabajo que la selección de los pro-
veedores correctos reduce el costo de compra y mejora la competitividad corporativa
de manera significativa. Es por eso, que resulta indispensable desarrollar relaciones
eficientes y constructivas con proveedores, permitiendo el éxito empresarial a corto
y largo plazo.
El fundamento para una colaboración eficiente es la medición del desempeño

de los socios de la empresa. Para esto, se requiere de métodos para la evaluación de
proveedores, y ası́ seleccionar posteriormente el más adecuado para las necesidades de
la empresa. Monczka et al. (2016) subrayan que este proceso se considera como uno
de los más importantes que realizan las organizaciones. La Group (2006) comprueba
la importancia de tener un programa de gestión del desempeño de los proveedores
en uno de sus estudios, especificando que de empresas que utilizan algún programa
generalmente, lograron una mejora de 23 % en el precio, 23 % en entrega a tiempo,
21 % en calidad y 21 % en servicio al cliente. Pero no solo la empresa en sı́ gana,
sino también el proveedor, puesto que tienden a tener un mayor desempeño cuando
se está midiendo. En otras palabras, el desempeño de proveedores se mejora con
solo “poner atención”, sabiendo que el cliente los está observando. De esta forma,
incluso métricas simples pueden tener un impacto positivo. Sin embargo, dada la
extrema complejidad que se tiene en entornos empresariales de la actualidad, se han
comprobado mucho más exitosas las herramientas de medición y evaluación más
formales y basadas en un sistema (Group, 2006).
2.2.2 Criterios de evaluación
Como se mencionó antes, buenas relaciones comerciales son la clave para una
eficiente colaboración en la cadena de suministro. Antes de poder seleccionar los
proveedores, con los cuales se pretende reforzar los esfuerzos de crear una buena
relación con la finalidad de crear valor, se debe desarrollar una serie de criterios de
evaluación (Monczka et al., 2016).
En los primeros tiempos de la selección de proveedores, se consideraron im-

portantes únicamente tres factores: precio, calidad y tiempo de entrega (Zubar y
Parthiban, 2014). En aquel tiempo, académicos ya reconocı́an la relevancia de este
tema, como muestra el trabajo de Dickson (1966), en el cual menciona 23 criterios
fundamentales que se deben considerar en este proceso. Desde entonces, los investi-
gadores recomendaban la consideración de un mayor número de criterios, los cuales
hoy en dı́a siguen teniendo relevancia. En uno de los artı́culos más citados acerca
de este tema, Weber et al. (1991) revisa 74 artı́culos publicados desde el año 1966
y hace referencia al estudio de Dickson (1966) como fundamento y agrega una revi-
sión de los criterios analizados desde entonces hasta 1990, cuyo resultado puede ser
observado en la tabla 2.2. Cabe destacar que, aunque el año de elaboración de su
trabajo es 1991, hoy en dı́a siguen teniendo validez,
Posición Criterio Puntuación Importancia

1 Calidad 3.508 Extrema
2 Entrega 3.417 Extrema
3 Historial de Desempeño 2.998 Considerable
4 Garantı́as 2.849 Considerable
5 Infraestructura productiva y capacidad 2.775 Considerable
6 Precio 2.758 Considerable
7 Habilidades técnicas 2.545 Considerable
... ... ... ...
20 Ubicación geográfica 1.872 Mediana
21 Volumen de negocios pasados 1.597 Mediana
22 Capacitaciones 1.537 Mediana
23 Acuerdos recı́procos 0.610 Baja
Tabla 2.2: Criterios de evaluación (Dickson, 1966; Weber et al., 1991)
Continuando el trabajo de Dickson (1966), Weber et al. (1991) comprueban

que la gran mayorı́a de los resultados obtenidos siguen siendo válidos. Esto lo realiza
mediante una revisión de la literatura, concluyendo que la calidad es el criterio más
importante, seguido por la entrega a tiempo. A diferencia de Dickson, el trabajo de
Weber posiciona el precio en tercer lugar. Interesantemente, la ubicación geográfica,
que Dickson considera poco importante, se encuentra en el cuarto lugar del artı́culo
de Weber. Esto indica que calidad, entrega y precio siguen siendo los criterios de
mayor importancia. Sin embargo, no resultan ser suficiente para evaluar de una forma
completa.
A los criterios mencionados en los dos trabajos, se han sumado aspectos que
consideran la aumentada conciencia ambiental y el enfoque en sostenibilidad que
está experimentando nuestra sociedad en la actualidad. Consecuentemente, ha sur-
gido una nueva perspectiva de la cadena de suministro. A diferencia del concepto
tradicional de cadena de suministro con un marcado enfoque económico, una cadena
de suministro verde adicionalmente toma en cuenta factores ecológicos con la misión

de trabajar en la reducción de estos impactos a lo largo del tiempo (Nielsen et al.,
2014). Es por eso, que en la actualidad se deben considerar también los llamados
“criterios verdes”. Las empresas utilizan este tipo de factores principalmente para
hacer frente a dos necesidades, una para evitar penalizaciones económicas por parte
de gobiernos e incluso por motivación propia, manejando una filosofı́a empresarial
enfocada en la preservación del medio ambiente. Govinda et al. (2015) llevaron a
cabo una revisión de la literatura acerca del tema, analizando 33 artı́culos publica-
dos en revistas cientı́ficas de 1996 a 2011. De la misma manera, Nielsen et al. (2014)
realizaron un estudio parecido, analizando 57 artı́culos. Los cinco criterios verdes
con mayor mención en la literatura analizados se encuentran resumidos en la tabla
2.3, destacando la importancia de los sistemas de gestión ambiental como criterio
para la evaluación del desempeño medioambiental de los proveedores.
Govinda (2015) Nielsen (2014)

Pos. Criterio
No Art. % Art. No Art. % Art.
1 Sistemas de gestión ambiental 11 33.33 20 35.08
2 Imagen verde 4 12.12 8 14.04
3 Habilidades medioambientales 3 9.09 6 10.53
4 Diseño para el medio ambiente 3 9.09 5 8.77
5 Inversión en mejoras medioam. 3 9.09 5 8.77
Tabla 2.3: Criterios verdes con mayor mención en la literatura
Resulta importante destacar que en ambos trabajos se resalta la relevancia de

criterios tradicionales. Contrastando a publicaciones con mayor antigüedad, como
los de Dickson (1966) y Weber et al. (1991), Nielsen et al. (2014) y Govinda et al.
(2015) argumentan que el uso de los mismos ya no resulta satisfactorio para evaluar
proveedores bajo estándares del siglo 21. Para concluir se puede resumir que los
criterios clásicos, como calidad, precio y entrega siguen siendo los principales, sin
embargo, se recomienda incluir algunos criterios verdes para cumplir con las nuevas
necesidades descritas. Finalmente, cabe mencionar que últimamente los criterios se

definen dependiendo del nivel de relación proveedor-cliente y la respectiva integra-
ción, el posicionamiento de la empresa en el mercado, la situación competitiva y las
estrategias corporativas (Zubar y Parthiban, 2014). Es por eso que, en el transcurso
del desarrollo de este trabajo, se definirán criterios de evaluación especı́ficos para las
necesidades de la empresa que se analizará más adelante en el caso de estudio.
2.3 Técnicas para la evaluación de

proveedores
2.3.1 Revisión de los métodos usados en la literatura
Como indica la literatura estudiada en las secciones anteriores, se puede definir

la evaluación y selección de proveedores como una situación que requiere de la toma
de decisiones. Más especı́ficamente, se presenta un problema de toma de decisiones
multicriterio (Ho et al., 2010; Ghorabaee et al., 2016). Este tipo de problemas ya
habı́a sido estudiado en ocasiones durante los últimos siglos. Una de los mayores
aportaciones la agregó Bernoulli (1738) publicando un trabajo en el cual resuelve
la paradoja de San Petersburgo, aportando una serie de ideas importantes para el
tratamiento de decisiones en riesgo. Ası́ mismo, indicó que el proceso de decisión
depende de los valores, circunstancias y preferencias del decisor (Aumann, 1977).
Sin embargo, no fue hasta los años 90 del siglo pasado que empezaron a trascender
los métodos de la toma de decisión multicriterio, extendiéndose también al ámbito
público y empresarial. Este tipo de técnicas se caracterizan por el hecho de que existe
más de un criterio en conflicto. Se busca resolver problemas complejos, dividiéndolos
en problemas más simples o más pequeños. Utilizando una serie de atributos cuan-
titativos o cualitativos se busca presentar una visión conjunta del problema para
finalmente seleccionar la mejor de las alternativas (Pohekar y Ramachandra, 2004).
Una visión global de los métodos existentes proporciona el trabajo de Pal et al.
(2013), como se muestra en la figura 2.1.
Figura 2.1: Clasificación de modelos de evaluación según Pal et al. (2013)
Como se puede observar, Pal et al. (2013) clasifica los métodos en cuatro cate-
gorı́as: precalificación, métodos de toma de decisiones multicriterio (MADM), pro-
gramación matemática e inteligencia artificial. A continuación se analizará cada ca-
tegorı́a con sus respectivos métodos. Además se proporcionará una breve evaluación
con sus respectivos beneficios e inconvenientes para cada categorı́a. Posteriormente
se discutirá la aplicación del concepto de la lógica difusa y soluciones hı́bridas en la
evaluación y selección de proveedores.
2.3.1.1 Modelos de precalificación
Pal et al. (2013) menciona que la precalificación se refiere esencialmente al pro-

ceso de reducir la multitud de proveedores a un conjunto más pequeño. Empresas
como Shell utilizan esta técnica como primer paso en la selección de proveedores,
exigiendo a cualquier empresa interesada en convertirse en proveedor de la com-

pañı́a petrolera, completar su proceso de precalificación (Achilles Limited, 2018).
Previo a licitaciones, negociación de contratos y la firma del contrato, prospectos
proveedores son requeridos para brindar información acerca de criterios de riesgos,
salud y seguridad, ética y cumplimiento, ası́ como derechos laborales. De esta forma,
Shell busca obtener una valiosa perspectiva sobre la capacidad de un proveedor para
manejar estos temas y la utiliza en etapas más avanzadas del proceso de selección
para respaldar las decisiones de compra. Este proceso se basa en la primer técnica
que se revisa: los métodos categoriales. Estos modelos cualitativos se basan en datos
históricos y la experiencia del comprador. Éste evalúa los proveedores y les otorga
una calificación final.
El análisis envolvente de datos (DEA) es un sistema de clasificación que distin-

gue entre proveedores eficientes e ineficientes, utilizando programación lineal como
herramienta principal (Diaz-Balteiro et al., 2016). Se considera que un proveedor
tiene una eficiencia relativa del 100 % cuando produce una serie de factores y otro
proveedor no. De esta manera se logra distinguir entre alternativas eficientes y no
eficientes. La literatura indica múltiples casos de aplicación, tanto para un solo pro-
ducto (Weber, 1996) como para evaluar el desempeño general de proveedores de una
empresa (Lio et al., 2000). Publicaciones más recientes proponen la combinación de
DEA con otras herramientas, como Costo total de propiedad (TCO) y el proceso
analı́tico jerárquico (AHP) (Ramanathan, 2007), Despliegue de la función calidad
(QFD) y AHP (Ertugrul y Dursun, 2014) o AHP y el análisis de grupos (CA) (Park
y Lee, 2017).
Resulta interesante el último trabajo mencionado, puesto que el análisis de

grupos también cabe dentro de esta categorı́a. Es un método estadı́stico que hace
uso de un algoritmo de clasificación para agrupar una serie de objetos en categorı́as
de proveedores según caracterı́sticas intrı́nsecas o similaridades (Jain, 2010). Con la
finalidad de reducir un gran número de proveedores, este método puede ser de gran
uso, como muestra el trabajo de Hinkle et al. (1969), los cuales son considerados como
los primeros en mencionarlo (Pal et al., 2013). La presencia de CA en la literatura

sigue en la actualidad, ya que es un método altamente preciso (Jung et al., 2014),
que puede estimar el número deseado de categorı́as (M. et al., 2015), además es
estable y fácil de implementar (Kou G., 2014).
Para resumir, se puede decir que las técnicas de precalificación resultan muy
eficientes para reducir la multitud de posibles proveedores a un número manejable.
Sin embargo, De Boer et al. (2001) argumentan que por sus caracterı́sticas no puede
ser considerado como un modelo de priorización, sino más bien como un proceso de
orden que facilita la selección.
2.3.1.2 Modelos de decisión multicriterio
Las técnicas de decisión multicriterio resultan muy útiles para la selección de

proveedores, dado que incluyen el análisis de múltiples criterios. Probablemente el
método más estudiado es el proceso analı́tico jerárquico (AHP), el cual ayuda a
priorizar alternativas bajo múltiples criterios y permite al tomador de decisiones
solucionar problemas complejos (Saaty, 2008), facilitando una escala para la compa-
ración por partes. AHP, el proceso desarrollado por Thomas Saaty (1980) permite
considerar tanto criterios cuantitativos como cualitativos. Consecuentemente, ha si-
do ampliamente aplicado, como por ejemplo por Muralidharan et al. (2001), quienes
ilustraron el uso de AHP como un modelo de toma de decisiones que ayuda a gerentes
a entender la relevancia de decisiones medioambientales. Pi y Low (2006) propusieron
un sistema para la selección de proveedores utilizando una solución hı́brida de AHP
y la función de Taguchi. Con la finalidad de manejar la incertidumbre, Kilincchi y
Onal (2011) combinaron AHP con el concepto de la lógica difusa (FAHP) y Martı́nez
(2018) proporcionó una herramienta para agilizar y facilitar el procesamiento de la
información en FAHP.
Otro método es el proceso de red analı́tica (ANP), el cual usualmente se basa

en AHP. En comparación a este, ANP permite una visión más amplia, dado que
considera retroalimentación y relaciones entre atributos de decisión. Consiste en dos
partes, donde la primera es una jerarquı́a de control y la segunda es una red de
influencia entre los elementos (Saaty, 1996). Varios autores comprueban la eficiencia
de ANP para el problema de selección de proveedores, como indican: Choy et al.
(2004), Bhattacharya et al. (2010), Taghizadeh y Ershadi (2013) y Bhattacharya et
al. (2014), entre otros.
Por otro lado, los modelos de costo total consisten básicamente en un resumen
de la cuantificación de todos los costos asociados con la selección de proveedores,
lo que permite tener un costo más real que únicamente el precio del producto. En
la práctica existen varios casos de aplicación. En la literatura destaca el trabajo de
Degraeve (2000), el cual revisa una serie de áreas de uso y propone un concepto TCO
como base para comparar modelos de selección de proveedores. De acuerdo a Ellram
(1993), el aumentado enfoque en calidad y racionalidad destacan la relevancia de
TCO. Más recientemente, Kanagaraj et al. (2014) proporcionan una herramienta de
programación lineal con base en TCO para seleccionar el mejor proveedor.
TOPSIS es otra técnica utilizada para la solución de este problema, en el cual

se define un coeficiente de cercanı́a a un resultado esperado. Se hace uso de valores
lingüı́sticos para otorgar valores a los factores. Se basa en el concepto de que la
alternativa óptima debe tener la distancia más corta a una solución óptima (PIS) y
la mayor distancia a una solución negativa, como definieron sus creadores Hwang y
Yoon (1981). En el siglo actual, este método fue aplicado en combinación con la lógica
difusa bajo el nombre FTOPSIS con la finalidad de manejar mejor la incertidumbre
(Chen et al., 2006). Recientemente, Mohammed et al. (2018) utilizaron una solución
hı́brida de AHP y FTOPSIS para evaluar el desempeño de proveedores verdes.
Otro modelo interesante es la teorı́a de utilidad de atributos múltiples (MAUT),

que permite a tomadores de decisiones formular estrategias de adquisición viables.
Sin embargo, se utiliza principalmente en la selección de proveedores a nivel inter-
nacional, bajo un entorno más complicado y de alto riesgo (Chan y Kumar, 2007).
Segura y Maroto (2017) realizaron una comparación de dos métodos de selección y
resumieron que aplicando MAUT se pueden obtener resultados eficientes en la toma
de decisiones, particularmente en la selección de proveedores.
Por último, los métodos de Outranking, una herramienta para resolver proble-
mas de múltiples criterios, se usan principalmente en situaciones donde existe un
gran nivel de incertidumbre. Aunque hasta la fecha se han realizado algunos tra-
bajos, no existe mucha literatura en el área de compras (Pal et al., 2013). Wang et
al. (2014) comprobaron la eficiencia de la metodologı́a para la toma de decisiones
e indicaron la necesidad de trabajo a futuro para establecer esta metodologı́a como
mejor práctica también en el área de aprovisionamiento.
2.3.1.3 Modelos matemáticos
Analizando la categorı́a de programación matemática, cabe destacar que estos

muchas veces consideran meramente criterios cuantitativos, para los cuales permi-
te la obtención de soluciones óptimas. Entre ellos se encuentran, por ejemplo, los
modelos de programación lineal, un método con amplio uso en el aprovisionamiento
de un único proveedor. La solución más simple se obtiene asignando valores a cada
criterio y posteriormente se calcula el resultado para cada proveedor, como menciona
Ghodsypour y O’Brien (1998). Además destaca que este método depende a grandes
rasgos de juicios humanos, por lo que propone una solución hı́brida con AHP. En
un trabajo más reciente, Hassanzadeh et al. (2011) propone un modelo de selección
de proveedores basado en programación lineal y un análisis FODA basado en lógica
difusa.
Puesto que en la programación lineal solo se considera un objetivo a optimizar,

no se asegura una solución óptima cuando existe una serie de objetivos a considerar.
Por lo tanto, surgió la idea de aplicar modelos de múltiples objetivos, los cuales
buscan optimizar dos o más criterios simultáneamente. Weber y Ellram (1993) ex-
ploran la aplicación de estos modelos en la práctica, demostrando los beneficios de
programación matemática de múltiples criterios en una empresa enfocada en la ma-
nufactura JIT (justo a tiempo). Siguiendo la tendencia de los últimos años, Kannan
et al. (2013) propone una solución hı́brida, combinando AHP y MAUT con progra-
mación multiobjetivo, cuyo éxito se comprobó en un caso de estudio en la industria
automotriz.
Por último, están los modelos de programación de objetivos (GP), una rama
de la programación multiobjetivo. Este método, el cual fue introducido por Charnes
y Cooper (1961), tiene como objetivo minimizar desviaciones no deseadas entre el
logro de objetivos y sus niveles de aspiración. Con el paso del tiempo, varios autores
han trabajado en el continuo desarrollo de este modelo, proporcionando una serie
de métodos, como GP lexicógrafo, GP ponderado o MINMAX GP (Romero, 2001).
Múltiples trabajos han mostrado que la aplicación de este modelo se le otorga a
la persona responsable la flexibilidad de fijar objetivos y obtener soluciones muy
cercanas a estos, aún más usando soluciones hı́bridas, como lo propusieron Lio y
Kao (2010).
2.3.1.4 Modelos de inteligencia artificial
Los métodos de inteligencia artificial recientemente han sido el foco de atención

de muchas empresas grandes. Estos modelos basados en computadoras están entre-
nados por el decisor usando datos históricos y experiencia, y se han comprobado
exitosos en la solución de problemas complejos e incertidumbre.
Un concepto importante es el razonamiento basado en casos (CBR), el cual es

el proceso de solucionar nuevos problemas basándose en las soluciones de problemas
anteriores. En contraste a otros sistemas de gestión de conocimientos, es capaz de
describir sus actividades en el contexto del caso del cual fue derivado, otorgándole al
operador información más valiosa Choy y Lee (2002). CBR es considerado como un
modelo de inteligencia artificial, pero se diferencia en algunos aspectos de soluciones
tradicionales, siendo un método que utiliza conocimiento especı́fico de experiencia
previa y tiene la habilidad de aprendizaje continuo. Aunque Pal et al. (2013) mencio-
na que como tecnologı́a bastante reciente, muy pocos sistemas han sido desarrollados
para la toma de decisiones en el área de aprovisionamiento, existen algunas publica-
ciones relacionadas al tema. Como unos de los primeros, Cook (1997) sugirió su uso
como una herramienta para la toma de decisiones de compra. Atacando el problema
de incertidumbre, Faez et al. (2009) propusieron un modelo de CBR con lógica difusa
y programación matemática. Zhao y Yu (2011) aplicaron CBS de forma exitosa en
la industria petrolera.
Inspirándose en el cerebro humano, una red neuronal artificial (ANN) es un

sistema de procesamiento de información que tiene ciertas caracterı́sticas en común
con redes neuronales biológicas. Siendo un campo muy importante dentro de la
Inteligencia Artificial, trata de crear modelos artificiales que solucionen problemas
difı́ciles de resolver mediante técnicas algorı́tmicas convencionales. Recientemente
se observa un aumentado interés en su aplicación para el problema de selección de
proveedores. Con su origen en el trabajo de McCulloch y Pitts (1943), las redes
neuronales han sido desarrolladas como generalizaciones de modelos matemáticos
de cognición humana, basándose en algunas de sus suposiciones. Un red neuronal
se caracteriza por neuronas, un método para entrenar las neuronas y su función de
activación (Yegnanarayana, 2004). Cada neurona está conectada con otras median-
te vı́nculos directos de comunicación y posee un peso respectivo. ANN es conocido
por su habilidad de aprendizaje (Zhang y Friedrich, 2003) y su uso práctico en la
industria; particularmente para situaciones dinámicas (Kumar y Roy, 2010). En el
área de aprovisionamiento, Lee y Ou-Yang (2009) desarrollaron una solución basada
en ANN para pronosticar los precios que ofrecerán los proveedores durante las ne-
gociaciones. Las publicaciones relacionadas a la selección son limitadas y presentan
potencial para futuro trabajo. Li (2009) proporciona un método para la solución de
este problema, basándose en un algoritmo de ANN. Asthana y Gupta (2015) com-

binan este método con un algoritmo genético y Shabanpour et al. (2016) proponen
una solución hı́brida de DEA y ANN para pronosticar el desempeño futuro de pro-
veedores verdes. Tang et al. (2013) sugiere una combinación de AHP y ANN, al cual
Kumar (2015) le agrega el uso de la lógica difusa, indicando alta precisión en la toma
de decisiones en grupos.
2.3.1.5 Otros métodos de solución
Cabe mencionar que los métodos presentados en esta sección no pretenden ser
una lista exhaustiva de todos los modelos, sino representar una visión global de los
modelos con mayor aplicación. Como se ha encontrado, la investigación reciente ya
no contempla únicamente un solo modelo, sino busca aumentar la confiabilidad de
los modelos mediante el uso de la lógica difusa o las soluciones hı́bridas. Se observó
en varios casos la aplicación del concepto de la lógica difusa. En este método, se
utilizan valores lingüı́sticos para las evaluaciones y factores. Debido a que juicios hu-
manos pueden ser imprecisos, se realiza la evaluación con variables lingüı́sticas. Otra
tendencia que se pudo observar es la mayor relevancia de la investigación de méto-
dos combinados debido a la creciente complejidad de las decisiones. En la literatura
se describe una multitud de combinaciones posibles con sus respectivos beneficios
e inconvenientes. En la siguiente sección se presenta la exitosa aplicación de una
solución hı́brida, la cual puede servir como referencia para este trabajo.
2.3.2 Proceso analı́tico jerárquico
Como se ha mencionado anteriormente, el proceso analı́tico jerárquico fue desa-

rrollado por Saaty (1980) y se ha convertido en una herramienta para múltiples pro-
blemas de toma de decisiones. Con el paso de los años, diversos investigadores han
aplicado esta técnica e incluso experimentado con mejoras de la misma. Una de las
más exitosas ha sido la combinación de lógica difusa. El beneficio de esto es que

toma en cuenta la incertidumbre que conllevan juicios humanos en la comparación
por pares en AHP. Se hace uso de variables lingüı́sticas representadas por núme-
ros triangulares (Kilincci y Onal, 2011). De esta manera es posible obtener mejores
resultados que con el método tradicional.
El fundamento de la metodologı́a AHP es el árbol jerárquico, el cual consiste

en cuatro niveles. Como se puede observar en la figura 2.2, el objetivo general se
encuentra en la parte superior, representando la decisión para la cual se busca una
respuesta. En el segundo nivel están los criterios de evaluación y, en caso de que
aplique, los respectivos subcriterios en el siguiente. Por último, se mencionan las
alternativas de solución a elegir.
Figura 2.2: Estructura general del árbol jerárquico según Saaty (2008)
Uno o varios expertos realizan comparaciones por pares, utilizando, en el mo-

delo tradicional, una escala de 9 valores. Sin embargo, varios autores, entre ellos
Kilincchi y Onal (2011) han mencionado que el uso de esta escala no resulta su-
ficientemente adecuado para representar la incertidumbre que conllevan los juicios
humanos. Por lo tanto, se observa en varios trabajos la aplicación del concepto de
la lógica difusa. La respectiva escala puede ser observada en la tabla 2.4.
Escala de Saaty Definición Escala difuso triangular

1 Igual Importancia (1,1,1)
3 Baja Importancia (2,3,4)
5 Moderada importancia (4,5,6)
7 Fuerte importancia (6,7,8)
9 Importancia absoluta (9,9,9)
2 (1,2,3)
4 Valores intermedios entre (3,4,5)
6 dos escalas adyacentes (5,6,7)
8 (7,8,9)
Tabla 2.4: Comparación de escalas AHP-FAHP (Kilincci y Onal, 2011)
De acuerdo a los números difusos correspondientes de estos términos lingüı́sti-

cos, si un experto determina que criterio 1 tiene baja importancia sobre criterio 2,
se tomará la escala triangular de (2,3,4).
2.3.2.1 Lógica difusa
La teorı́a de la lógica difusa cuenta con una gran variedad de áreas de aplica-
ción. Presentada en 1965 por Zadeh (1965) y aplicada más ampliamente en los años
70s, ha permitido desde entonces la consideración de la ambigüedad del razonamien-
to humano. En la figura 2.3 se puede observar un número difuso, representado por
M̃, indicando la tilde ˜ que es un conjunto difuso.
Figura 2.3: Un numero difuso triangular; según Kilincci y Onal (2011)
Como se ha observado en la escala anterior, un número difuso triangular (TFN)

es representado por (l,m,u). Los parámetros l, m y u, respectivamente denotan el
valor más pequeño posible, el valor más prometedor y el mayor valor posible que
describe un evento difuso (Kahraman et al., 2004). Por convención, cuando l=m=u,
no se tiene un número difuso (Chan y Kumar, 2007). Cada TFN cuenta con represen-
taciones lineales en su lado izquierdo y derecho, por lo que su función de membresı́a
puede ser definida de la siguiente forma:




 0 si x < 1



(x − l)/(m − l)

si l ≤ x ≤ m,
µ(x|M̃ ) = (2.1)
(u − x)/(u − m) si m ≤ x ≤ u,







0

si x > u,
Cabe destacar que un número difuso siempre puede ser dado por su represen-
tación de cada grado de membresı́a, donde l(y) y r(y) denotan el lado izquierdo y el
lado derecho de un número difuso respectivamente.
M̃ = (M l(y) , M r(y) )
(2.2)
= (l + (m − l)y, u + (m − u)y, y ∈ [0, 1]
2.3.3 Redes neuronales artificiales
Como se ha subrayado anteriormente, las redes neuronales son unos de los

algoritmos con mayor aplicación en el área de aprendizaje automatizado (ML; inglés:
machine learning). Dicho concepto recientemente está teniendo un efecto dramático
sobre la manera en la que las empresas operan (Hurwitz y Kirsch, 2018). En lugar
de diseñar herramientas de acuerdo con un estado actual, el uso de ML le otorga a la
empresa la agilidad y flexibilidad que exigen los entornos competitivos cambiantes del
siglo 21. Es por esto, que el aprendizaje automático es un conjunto de tecnologı́as
que pueden ayudar a las organizaciones a transformar su comprensión de datos,
debido a que su planteamiento tecnológico es dramáticamente diferente a las maneras
tradicionales de procesar datos. En lugar de partir con la lógica de negocio y a
continuación con la aplicación de datos, ML es capaz de diseñar la lógica. Uno de los
mayores beneficios de ML es que se reducen las suposiciones y por lo tanto permite
la toma de decisiones de una forma más objetiva (Allgurin, 2018).
Figura 2.4: Ciclo de aprendizaje automatizado según Hurwitz y Kirsch (2018)
Como se mencionó en la sección anterior, las redes neuronales, como parte de

ML, recientemente han sido el foco de atención de muchos investigadores y la indus-
tria. Basándose en el funcionamiento del cerebro humano, una red neuronal es un
sistema de procesamiento de información, cuyo componente principal es su estructu-
ra, consistiendo en un gran número de elementos interconectados de procesamiento:
las neuronas (Piqueras, 2017). Mediante ellas se busca trabajar en conjunto para
resolver un problema especı́fico. Para lograr esto, las redes neuronales aprenden, co-
mo humanos, con ejemplos. La figura 2.5 muestra la arquitectura básica de una red
neuronal.
Figura 2.5: Arquitectura general de una red neuronal multicapa (Šimunovic et al.,
2009)
Como se puede observar, la red consiste en tres capas. Comúnmente, se dife-

rencia entre dos tipos principales de capas, siendo estos ✭✭Mono-capa✮✮ y ✭✭Multi-capa✮✮
(Kriesel, 2005). Además, cuenta con un número variable de nodos (neuronas). Ge-
neralmente, todos los nodos de una capa tienen las mismas propiedades, como, por
ejemplo, la función de activación. Se suele diferenciar entre tres tipos de capas y los
respectivos nodos: de entrada, ocultos y de salida (Kriesel, 2005).
Nodos de entrada: Reciben información externa a la ANN. No se realiza

ninguna computación en esta etapa.
Nodos ocultos: Cuentan con dos caracterı́sticas importantes. La primera es

que solo reciben input de otros nodos. Por otro lado, su salida es únicamente
hacia otros nodos. No están directamente conectados con los datos de entrada
y salida.
Nodos de salida: Responsables para la computación y la transformación de

información desde la red hacia la salida.
Cabe mencionar que el número de nodos depende del tipo de problema a re-
solver. Mientras las neuronas de entrada y salida se determinan de acuerdo con los
datos disponibles, el número de nodos ocultos es variable. Algunos autores argu-
mentan que se recomienda usar un procedimiento de ensayo y error (Abbasi, 2015),
mientras otros investigadores alegan que deben ser establecidos según la capa de
entrada y salida (Buscema, 2018).
Otro factor importante en la selección de una red adecuada para un problema

es la forma de aprendizaje. Entre ellos destacan (Kriesel, 2005):
Aprendizaje supervisado: Se cuenta con datos suficientes para asignar una

serie de datos de entrada a una serie de datos de salida. Esto se realiza gene-
ralmente para problemas de clasificación, en el cual la red trata de generalizar
la relación entre los datos.
Aprendizaje no supervisado: Se busca aprender la estructura inherente de

una serie de datos, muchas veces sin saber la respuesta previamente. Es decir,
no se tiene instrucciones claras para la realización, por lo que comúnmente es
usado para el análisis de grupos o aprendizaje de representaciones.
Aprendizaje por refuerzo: Para este tipo de ML, el agente intenta encontrar
la manera óptima de lograr un objetivo especı́fico o mejorar el desempeño de
una tarea. Con el paso del tiempo, el agente recibe un cierto tipo de recompensa
para una acción que lo lleva más cerca del objetivo.
Por último, resulta necesario definir el flujo de señal de la red. Existen básica-
mente dos tipos de flujos (Hurwitz y Kirsch, 2018):
Alimentación hacia adelante: La señal pasa de la entrada hacia la salida

de la red, pasándola siempre a la siguiente capa.
Alimentación hacia atrás: Se caracteriza por tener una arquitectura en

niveles y conexiones estrictamente hacia adelante. El error global se propaga
hacia atrás, pasando por toda la red hasta la capa de entrada.
A continuación, se presenta el procedimiento y el funcionamiento de una red

neuronal de aprendizaje supervisada con propagación hacia atrás. Durante su camino
hacia atrás, se ajustan todas las conexiones ponderadas de acuerdo con los valores
de salida deseados de la red. Un incremento o una reducción de los valores reales de
[s]
los pesos wij afecta la disminución del error global.
Figura 2.6: Modelo de una estructura neuronal (Šimunovic et al., 2009)
Aplicando las reglas de descenso por gradiente, el aumento en las conexiones

[s]
ponderadas wij de la red pueden ser expresados como:
!
[s] ∂E
∆wij = −α · [s]
, (2.3)
∂wji
donde α es el coeficiente de aprendizaje.
Las derivaciones pueden ser calculadas de la siguiente manera:
[s]
! !
∂E ∂E ∂Ij [s] [s−1]
[s]
= [s]
· [s]
= −ej · xi (2.4)
∂wji ∂Ij ∂wj
[s]
El valor del incremento de las conexiones ponderadas △wij es por lo tanto:
[s] [s] [s−1]

∆wji = α · ej · xi , (2.5)
siendo α el coeficiente de aprendizaje y xsj el estado de salida de la j-ésima

[s]
neurona en la s-ésima capa. El parámetro ej que representa el error y propaga
hacia atrás a través de todas las capas de la red es definido por:
[s] −∂E
ej = [s]
(2.6)
∂Ij
Se recomienda mantener bajo el coeficiente de aprendizaje con la finalidad de

evitar la divergencia, aunque cabe mencionar que esto podrı́a reducir en un apren-
dizaje muy lento. Sin embargo, esto puede ser resuelto incluyendo un término de
momentum en la expresión:
[s] [s] [s−1] [s]

∆wji = α · ej · xi + momentum · ∆wji (2.7)
Los pesos de la red pueden ser actualizados para cada vector de aprendizaje
por separado o de forma acumulativa, lo que acelera notablemente la velocidad de
aprendizaje.
Consecuentemente, la meta de un proceso de aprendizaje en una red neuronal

es lograr el nivel de error más bajo entre las salidas obtenidas, a través del entrena-
miento de la red, y los resultados reales (deseados). Esto se lleva a cabo ajustando
los pesos de las neuronas y aceptando la función objetivo, la cual se define como mi-
nimización del error cuadrático medio. Una vector de forma general para la entrada
a una red neuronal se refleja de la siguiente forma:
Xi = {xi1 , xi2 , xi3 , . . . , xin } →

(2.8)
Yo = {yo1 , xo2 , xo3 , . . . , xon }
donde el vector Xi = {xi1 , xi2 , xi3 , . . . , xin } representa las variables de entrada
y Yo = {yo1 , yo2 , yo3 , . . . , yon } las variables de salida.
2.4 Aplicación en la industria
En la sección anterior, se estudiaron los diferentes métodos que existen para la

selección de proveedores y en esta se mencionan algunas aplicaciones en la práctica.
Primero se analizará un caso de aplicación del modelo AHP con lógica difusa y pos-
teriormente el caso de una solución hı́brida de AHP y ANN.
Kilincci y Onal (2011) proponen un método AHP con lógica difusa para la
solución del problema de selección de proveedores (VSP), destacando que es una
comparación de proveedores utilizando una serie común de criterios para identificar
proveedores con el máximo potencial para satisfacer las necesidades de la empresa a
un costo razonable. Destacan que seleccionar los proveedores correctos reduce signi-
ficativamente el costo de aprovisionamiento y mejora la competitividad corporativa,
lo que hace el VSP uno de los problemas de toma de decisiones más importantes. En
su trabajo, Kilincci busca aplicar el método mencionado para seleccionar el mejor
proveedor para una empresa manufacturera de lavadoras. Para esto, realiza primero
una revisión de la literatura, de la cual deriva tres atributos principales y 14 subcri-
terios en colaboración con un experto del área de planeación de la producción. En
este consideraron criterios relacionados a proveedores, desempeño del producto y del
servicio con sus respectivos subcriterios.
Figura 2.7: Traducción propia del árbol jerárquico de Kilincci y Onal (2011)
A través de una encuesta se realizaron comparaciones de los criterios principa-

les y los subcriterios. Siguiendo la metodologı́a de FAHP, se calcularon los pesos de
los criterios principales, los subcriterios y las alternativas. Finalmente, se pudo selec-
cionar el mejor proveedor de acuerdo con su calificación global. Para este trabajo, se
utilizó el programa Excel creando macros, lo que según los autores proporciona una
serie de beneficios, como menor tiempo de ejecución, más precisión y representación
de futuros cambios sin la necesidad de realizar el cálculo de nuevo.
Cabe mencionar que el trabajo considera meramente una única pieza de una
lavadora, por lo que representa potencial para futuras investigaciones que consideren
una serie de componentes. Los autores recomiendan complementar los resultados
obtenidos con otras herramientas. Por una parte, puede ser de utilidad como base
para calcular el EOQ, y por otra parte mencionan que los macros creados pueden
ser utilizados en un software ERP.
Como se puede observar en esta revisión de la literatura, AHP y particular-

mente FAHP, es uno de los métodos más estudiados y suele proporcionar buenos
resultados. Sin embargo, algunos autores mencionan que AHP carece de la objetivi-
dad necesaria para tomar importantes decisiones de una forma fundamentada. Por lo
tanto, surgieron una seria de soluciones hı́bridas en el siglo 21. Una de las propuestas
más innovadoras es la combinación de AHP con Inteligencia Artificial. Kumar (2015)
proporciona esto en su trabajo publicado en el Journal of Computational Science,
combinando FAHP con redes neuronales artificiales. En una primera instancia, se
llevaron a cabo los pasos del FAHP, similarmente al caso de éxito anterior, para prio-
rizar de criterios de evaluación. Posteriormente, se aplicó una ANN para seleccionar
a los proveedores. Cabe mencionar que las redes neuronales artificiales generalmente
habı́an sido consideradas como poco adecuadas para problemas con menos de 100
puntos de datos. No obstante, la integración con AHP reduce drásticamente este
requerimiento de información y amplı́a los beneficios de herramientas inteligentes y
predictivas para la toma de decisiones. Durante todo el periodo de pruebas y también
de validación, se obtuvieron bajos porcentajes de errores, indicando la idoneidad de
la herramienta.
Con solo 4.8 % de error a lo largo de los cinco periodos de prueba, los autores
comprobaron la validez de este modelo para el problema de la selección de provee-
dores. Esto fue posible porque se estableció la ponderación de los vı́nculos de la red
neuronal a un único punto de decisión, el cual representa el nodo de salida del NN.
Los pesos fueron calculados mediante FAHP y aunque se contaba con un número
muy bajo de puntos de información, se logró obtener una precisión alta, indicando
nuevamente la viabilidad de este modelo en aplicaciones prácticas. Además, se com-
probó, que el uso de soluciones hı́bridas, en contraste con modelos aislados, resulta
altamente útil para la toma de decisiones en grupos.
2.5 Conclusión
La revisión de la literatura ha demostrado que, ante la creciente globalización y

especialización de empresas manufactureras en las últimas décadas, se ha comproba-
do que el aprovisionamiento es una función principal para el éxito empresarial. Tanto
la evaluación como la selección de proveedores desempeñan un papel importante con
un impacto notable en toda la cadena de suministro. Se menciona que la cadena de
suministro se empeña en la coordinación y colaboración con socios comerciales, los
cuales pueden ser proveedores, intermediarios, empresas 3PL y clientes, otorgándole
una notable importancia a la relación con los socios. Puesto que el aprovisionamiento
se repite en cada eslabón de la cadena de suministro y el volumen de compras au-
menta cada vez más rápido, los proveedores son socios indispensables para cualquier
empresa. Se destacó que la selección de los mismos representa una tarea compleja,
puesto que es propia a las necesidades de cada empresa y depende de una multitud
de factores. Además, este proceso se considera como uno de los más importantes que
realizan las organizaciones. Por lo tanto, su cuidadosa selección, evaluación y desa-
rrollo es crucial para procesos eficientes, dado que el suministro de materia prima
dañada, en cantidades erróneas o en el momento incorrecto afecta directamente la
capacidad de la empresa de realizar procesos de transformación o distribución. Por
el contrario, la selección adecuada puede resultar en menores costos de compra y
aumenta la competitividad.
Debido a la creciente complejidad que se tiene hoy en dı́a en entornos empresa-

riales, se han comprobado exitosos los sistemas de medición y evaluación cientı́ficas
y basados en tecnologı́as de información. Como se mostró, existe una gran variedad
de herramientas para la selección de proveedores, como modelos de precalificación,
técnicas MADM, programación matemática e inteligencia artificial. Puesto que se
han estudiado de forma extensa las primeros tres categorı́as, se concluye que se re-
comiendan trabajos futuros acerca del uso de inteligencia artificial para la selección
de proveedores.
Capı́tulo 3
Metodologı́a
Como se ha observado en el capı́tulo anterior, la evaluación y selección de

proveedores es uno de los problemas con mayor relevancia en el área de aprovisio-
namiento. Con la finalidad de proponer una solución a esta problemática y aplicarla
en un caso de estudio en la industria automotriz, previamente se debe establecer la
metodologı́a, la cual se puede observar en la siguiente gráfica:
Figura 3.1: Representación visual de la metodologı́a propuesta
42
Capı́tulo 3. Metodologı́a 43
3.1 Selección del método
La revisión de la literatura ha demostrado que existe una gran variedad de

modelos para la solución del VSP. Algunos de ellos ya han sido estudiados extensi-
vamente y se han comprobado muy útiles en este ámbito, mientras que otras técnicas
más recientes parecen prometedoras, pero carecen de aplicaciones en la práctica. Es
por eso que tomando en cuenta el análisis realizado, se seleccionó una técnica robusta
y ampliamente estudiada con la capacidad de ofrecer una buena solución. Por otra
parte, también se tomaron en cuenta métodos más recientes y su posible aplicación
en este proyecto con la finalidad de incrementar el aporte cientı́fico del mismo. Para
esto, se recurrió a la revisión de la literatura, la cual sirvió como fundamento para
la selección.
Para cumplir con estos supuestos, destaca el modelo del proceso analı́tico
jerárquico como modelo con amplia aplicación para este problema. Existe un gran
número de casos documentados que comprueban su eficiencia y utilidad en este
ámbito. Considerando la alta complejidad y relevancia que conlleva la selección de
proveedores, se propuso llevar a cabo una comparación de esta metodologı́a con otra.
Como indica el capı́tulo anterior, una de las técnicas más recientes para este tipo de
problemas son las redes neuronales artificiales. Aunque existe un número limitado de
trabajos relacionado a este tema, queda pendiente su aplicación en un caso de estudio
en la industria automotriz para comprobar su utilidad para el presente problema. A
continuación, se describen los requisitos, el funcionamiento y el procedimiento para
la aplicación de estas técnicas a este proyecto.
3.1.1 FAHP
Como se ha mencionado anteriormente, el primer paso del AHP es definir el

objetivo o la pregunta que se busca resolver. Para el presente proyecto, esto serı́a la
selección del mejor proveedor, es decir, aquel que mejor se adapte a las necesidades
y mayor valor aporte a largo plazo. La selección de criterios se realiza en la misma
forma que en el método tradicional. Para esto, se tomaron en cuenta los criterios
identificados en el capı́tulo anterior como benchmark. De igual modo, se deben con-
siderar las necesidades de la empresa del caso de estudio, la cual maneja criterios de
evaluación especı́ficas a sus operaciones. Por consiguiente, se presentaron los crite-
rios identificados al responsable del área de Cadena de Suministro, el cual tomó la
decisión final sobre la selección de la serie de criterios a utilizar en el caso de estudio.
Con los criterios definidos, se pudo continuar con la creación del árbol jerárqui-
co, colocando el objetivo en el primer nivel, seguido por los criterios, en tercer nivel
los subcriterios y por último las diferentes alternativas. De acuerdo con la investi-
gación de literatura, se hizo uso de valores lingüı́sticos y la lógica difusa para las
comparaciones por pares, permitiendo tomar en cuenta la incertidumbre que conlle-
van juicios humanos en este proceso. De ahı́ que se aplicaron variables lingüı́sticas
representadas por números triangulares (Kilincci y Onal, 2011). De esta manera fue
posible obtener resultados más cercanos a la realidad que con el método tradicional.
Para el uso de este método en el proyecto, se presenta a continuación el pro-

cedimiento general que se siguió para el desarrollo del FAHP. Primero se definió X
= {x1 ,x2 ,. . . ,xn } como conjunto de objetos y U = {u1 ,u2 ,. . . ,un } como conjunto de
objetivos. De acuerdo al método de Chang (1992), se tomó cada objeto y se realizó
un análisis de extensión para cada objetivo. Por lo tanto, los valores de análisis de
extensión de m pueden ser obtenidos como:
M 1 gi , M 2 gi , . . . , M m gi , i = (1, 2, . . . , n) (3.1)
siendo todos los Mj gi (j = 1,2,. . . ,m) números difusos triangulares.
Los pasos del análisis de extensiones de Chang son los siguientes:
Paso 1 : Se define el valor del objeto i–ésimo del análisis extendido como:
m
" m
n X
#−1
X X
Si = Mgji ⊗ Mgji (3.2)
j=1 i=1 j=1
Pm
Para obtener j=1 Mgji se realiza la operación de adición difusa de m valores
del análisis extendido para una matriz particular, de tal manera que:
m m m m
!
X X X X
Mgji = lj , mj , uj (3.3)
j=1 j=1 j=1 j=1
hP i−1
n Pm j
Para obtener i=1 j=1 Mgi se realiza la operación de adición difusa de
los valores Mj gi (j = 1,2,. . . ,m) de modo que:
m
n X m m m
!
X X X X
Mgji = li , mi , ui (3.4)
i=1 j=1 i=1 i=1 i=1
Posteriormente a esto, se calcula el vector inverso de la ecuación:
" m
n X
#−1
X 1 1 1
Mgji = Pn , Pn , Pn (3.5)
i=1 j=1 i=1 ui i=1 mi i=1 li
Paso 2: Definir el grado de posibilidades de que

M2 = (l2 , m2 , u2 ) ≥ M1 = (l1 , m1 , u1 ) sea definido como:
V (M2 ≥ M1 ) = sup [mı́n(µM1 (x), µM2 (y))] (3.6)

y≥x
y puede ser expresado equivalentemente de la siguiente forma:
V (M2 ≥ M1 )
= hgt(M1 ∩ M2 ) = µM2 (d)


1 sı́ m2 ≥ m1 ,






= 0 sı́ l 1 ≥ u2 ,



l1 −u2

, sı́ no


(m2 −u2 )−(m1 −l1 )
Donde d es la ordenada del punto de intersección más alto D entre µM1 y µM2 ,
como se puede observar en la figura 3.2. Con la finalidad de comparar M1 y M2 , se
requieren tanto los valores de V (M1 ≥ M2 ) como de V (M2 ≥ M1 ).
Figura 3.2: Intersección entre M̃1 y M̃2 (Büközkan et al., 2004)
Paso 3 : Definir el grado de posibilidad de que un número difuso

convexo sea mayor que k números convexos:
V (M ≥ M1 , M2 , . . . , Mk ) = V [(M ≥ M1 ) y (M ≥ M2 ) y . . . y (M ≥ Mk )]
(3.7)
= mı́n V (M ≥ M1 ), i = 1, 2, 3, . . . , k
Suponiendo que
d′ (Ai ) = V (S1 ≥ Sk ) (3.8)
Para k = 1, 2, . . . , n; k 6= i. el peso del vector es dado por:
W ′ = (d′ (A1 ), d′ (A2 ), . . . , d′ (An ))T (3.9)
donde A1 (i = 1, 2, . . . , n) son n elementos.
Paso 4 : A través de la normalización, los vectores normalizados son:
W ′ = (d(A1 ), d(A2 ), . . . , d(An ))T (3.10)
siendo W un número no difuso.
Una vez encontrados los pesos mediante el procedimiento descrito, se multiplicó

cada peso con los respectivos criterios y se calculó el resultado para cada alternativa,
siendo la más prometedora la alternativa con mayor puntuación.
3.1.2 ANN
Con base en la información obtenida mediante el AHP, se propuso el desarrollo

de una red neuronal artificial para la clasificación de los proveedores, comparando
posteriormente los resultados obtenidos con aquellos del proceso analı́tico jerárquico
para comprobar su utilidad para el problema de evaluación y selección de proveedo-
res.
Para el desarrollo de la red neuronal, se tomó como base el trabajo de Šimunovic

et al. (2009), en el cual se aplicó el concepto de redes neuronales a una clasificación
de inventario. Su investigación es de relevancia, a pesar de que el presente trabajo
se enfocó en los proveedores, puesto que se tuvo como objetivo una clasificación en
las categorı́as A, B y C, de acuerdo a su respectivo desempeño.
Dado que esta investigación pertenece a los problemas de valores continuos de

entrada y salida, las redes que se propusieron para realizar la experimentación fueron
de propagación hacia atrás y una red prealimentada (feed-forward ). Ya que se tiene
un problema de asignación (fitting), se buscó asignar una serie de valores numéricos
de entrada a una serie de valores numéricos de salida. Para esto, se tomaron datos
históricos de la empresa del caso de estudio, usando como datos de entrada el re-
sultado de la evaluación del desempeño de los proveedores. Como datos de salida
se tomaron, de acuerdo al trabajo de Šimunovic et al. (2009) y el caso de estudio,
la categorı́a del proveedor, es decir: A,B o C. En vista de que se puede trabajar
únicamente con datos numéricos, resultó necesario convertir las letras en números,
donde A se puede representar con 1, B con 2 y C con 3.
Contando con los datos necesarios, se continuó con la preparación para su uso
en Matlab, donde se importaron únicamente valores numéricos en forma de matrices
al sistema. Es decir, si se manejan cinco criterios para evaluar 100 proveedores, se
tiene que crear una matriz de 5x100 para la entrada. Para la salida, se deberı́a
hacer una matriz de 1x100, representando la categorı́a asignada para cada uno de
los proveedores.
Una vez importados los datos históricos, se procedió con la selección del al-
goritmo adecuado. Existen diferentes opciones, siendo uno de los más usados para
este tipo de problema el algoritmo de Levenberg-Marquardt. De la misma forma, se
tuvo que determinar el número de neuronas. Mientras que el número de neuronas de
entrada y salida se definen de acuerdo con los datos, resulta un poco más complejo
determinar las neuronas ocultas. Para esto, se recomienda realizar varias pruebas,
variando este número. Seifollahi y Golbazi (2013) recomiendan el uso de 13 neuro-
nas ocultas, indicando que de esta manera se obtuvieron buenos resultados. Heaton
(2008) propuso una serie de reglas para la definición de la cantidad de nodos ocultos,
estableciendo que el número de neuronas ocultas deberı́a:
ser entre el número de las neuronas de entrada y salida

ser 2/3 de la capa de entrada, más el tamaño de la capa de salida
ser máximo dos veces del tamaño de la capa de entrada
Posteriormente, se pasó a la etapa de entrenamiento y validación. Para esto,

generalmente 70 % datos son usados para el entrenamiento, 15 % para la validación y
15 % para las pruebas. Igual que las neuronas, pueden ser ajustados hasta encontrar
una solución satisfactoria, considerando aquella que cumpla un con error cuadrático
medio menor al 10 %. Una vez creada la red, se puede evaluar el desempeño de
la misma. El objetivo principal de la red es facilitar la rápida convergencia y una
reducción del error global, dado por:
X
E = 0.5 · (dk − xk )2 (3.11)
En este tipo de red, el error global se propaga hacia atrás, pasando por toda
la red hasta la capa de entrada. Durante su camino hacia atrás, se ajustan todas las
conexiones ponderadas de acuerdo con los valores de salida deseados de la red. Un
[s]
incremento o una reducción de los valores reales de los pesos wij afecta la disminución
del error global.
Una vez terminado todos los pasos descritos anteriormente, se procedió con
la comparación de la red neuronal con la herramienta de AHP para verificar su
desempeño y comprobar que se aproxima a sus resultados y si resulta útil para este
tipo de problemas.
3.2 Diseño de la herramienta
Con la finalidad de poner en práctica el método planteado, se establecieron

las herramientas a usar para la realización del proyecto. Para esto, se propuso hacer
uso de servicios de onlinesurvey.com, Microsoft Excel y MatLab. En caso de que la
gerencia apruebe el proyecto, la forma más eficiente será integrar la herramienta de

evaluación desarrollada en la base de datos que maneja la empresa actualmente. Cabe
mencionar que este paso no formó parte del alcance de la presente investigación.
3.3 Aplicación y verificación de la

herramienta
Una vez desarrollada la herramienta, se llevó a cabo la aplicación de esta. Para

esto, se creó una encuesta y se pidió a los expertos emitir sus juicios en el caso de
estudio. También serán ellos, que darán su visto bueno acerca de una posible imple-
mentación de la herramienta o si resultará necesario hacer algunas adecuaciones.
3.4 Análisis de resultados
En esta sección, se buscó analizar los resultados obtenidos. Para esto se siguie-
ron cuatro puntos fundamentales:
1 Interpretación y explicación de resultados
2 Comprobar la hipótesis
3 Justificación de la solución
4 Evaluación crı́tica de la investigación
Los resultados obtenidos fueron analizados y comparados con los del método de
evaluación actual. Posteriormente a este proyecto, se procurará usar la herramienta
desarrollada en la empresa de estudio, donde se podrá verificar su confiabilidad y
utilidad a largo plazo.
Capı́tulo 4
Aplicación de la metodologı́a
Tras un análisis de la información del caso de estudio y la literatura revisada,

se ha detectado una serie de posibles mejoras, las cuales se realizaron mediante la
aplicación de la metodologı́a propuesta. Como se mencionó en el capı́tulo anterior,
la empresa actualmente maneja una metodologı́a scoring, la cual es conocida como
la más sencilla y basada en el parecer de los empleados. El proceso de la evaluación
logı́stica de proveedores se concentra en el departamento de Cadena de Suministro,
en el cual se aplicó la metodologı́a descrita, la cual se divide en dos partes principales:
el proceso analı́tico jerárquico con lógica difusa (FAHP) y la red neuronal artificial
(ANN).
4.1 FAHP
4.1.1 Definición de criterios
Como se habı́a descrito anteriormente, el primero paso del AHP fue determinar
el objetivo. Para el presente problema, se buscó seleccionar al proveedor que más
se adecue a las necesidades de las empresas, aportando mayor valor a largo plazo.
Posteriormente, se tuvieron que definir los criterios a usar para la evaluación. La
51
Capı́tulo 4. Aplicación de la metodologı́a 52
revisión de la literatura menciona una gran variedad de criterios usados para este
tipo de problema. Entre ellos los clásicos, como precio o calidad, y otros que han
surgido recientemente, como los criterios verdes. Sin embargo, en este trabajo se
buscó adecuar los criterios al caso de estudio, en el cual se evalúa especı́ficamente
el desempeño logı́stico. Habiendo realizado la revisión de la literatura y analizando
los criterios utilizados actualmente en la empresa, se tomó la decisión de usar los
siguientes criterios:
Disposición: desempeño y comportamiento del proveedor en cuanto a entre-

gas.
• Cumplimiento entregas (cant./plaz.): cumplimiento del proveedor

con entregas en cuanto a cantidades y plazos acordados.
• Flexibilidad de entregas: disposición del proveedor a aceptar plazos

flexibles y cambios en el procesos de entrega.
Comunicación: eficiencia de la comunicación entre empresa y proveedor.
• Tiempo de reacción: tiempo que transcurre hasta que el proveedor

contesta.
• Verificación del cumplimiento PDE: cumplimiento con las metas

establecidas en el pacto de estabilidad económica.
• Turnos disponibles: turnos que trabaja el proveedor por semana.
• Prov. servicios logı́sticos: servicios brindados por parte del proveedor,

como capacitaciones o mantenimiento.
• LE-DFÜ: uso de sistemas de EDI para asegurar una comunicación efi-

ciente.
Calidad DFÜ: calidad de documentos relacionados al proceso de transporte

y entrega.
• Documentos de envı́o: calidad y exhaustividad de los documentos de

envı́o necesarios para acompañar la mercancı́a.
• Albaranes: existencia y veracidad del albarán, el documento mercantil

que acredita la entrega de un pedido.
Operaciones logı́sticas: cumplimiento con las expectativas de la empresa

acerca de la logı́stica operativa.
• Documentos de envı́o: existencia de los documentos de envı́o necesarios

y correctos para acompañar la mercancı́a.
• Control de dispositivos vacı́os: desempeño en el proceso de manejo y

devolución de dispositivos vacı́os.
• Identificación de dispositivos: correcta identificación y etiquetado de

dispositivos.
Innovación: disponibilidad del proveedor y trabajo en equipo para el desa-

rrollo de nuevos conceptos logı́sticos.
Figura 4.1: Árbol jerárquico con objetivo, criterios y subcriterios

De acuerdo al objetivo establecido y los criterios definidos, el árbol jerárquico

se presenta en la figura 4.1. Cabe mencionar que las alternativas, que generalmente
forman parte de esta estructura, no fueron consideradas en esta ocasión, ya que la
representación visual de aproximadamente 200 proveedores no resultó oportuna.
4.1.2 Cuestionario
Con la finalidad de obtener los datos de entrada, se llevó a cabo una encuesta.
Esta se realizó usando la plataforma en lı́nea onlineencuesta, ya que, en compara-
ción con otras herramientas, ofrece una mayor flexibilidad en cuanto al diseño de
cuestionario y fue considerada la más adecuada para el tipo de encuesta a realizar.
De acuerdo con la metodologı́a establecida se realizan una serie de comparaciones.
Primero, se comparan los criterios del primer nivel entre ellos. De esta forma, dispo-
sición se compara contra todos los demás, luego comunicación, calidad, etc. La figura
4.2 muestra un ejemplo de una pregunta del cuestionario, en este caso del criterio
disposición.
Figura 4.2: Ejemplo de una pregunta del cuestionario
Este cuestionario fue enviado a expertos, es decir aquellas personas que se

encuentran trabajando en la empresa de estudio con mı́nimo 5 años de experiencia en
el área de logı́stica y cadena de suministro de la empresa y que participan activamente

en el proceso de evaluación de proveedores.
En total, contestaron seis personas, lo que representa un número satisfactorio

para este trabajo. Información detallada referente al cuestionario se encuentra dis-
ponible en el apéndice A.1. Posteriormente, se realizaron los cálculos como fueron
definidos en la metodologı́a, los cuales se encuentran descritos en la siguiente sección.
4.1.3 Cálculos y resultados del AHP
Una vez obtenidos los resultados del cuestionario, se utilizó la escala propuesta
en el capı́tulo de metodologı́a para convertir los valores lingüı́sticos de la encuesta
en números triangulares. Ya que en este trabajo se tiene una estructura con criterios
y subcriterios, se compararon primero los criterios entre ellos y posteriormente los
subcriterios de cada criterio. En lo siguiente, se puede observar el resultado de la
encuesta expresado en valores triangulares, tomando como el ejemplo el experto seis.
Criterios (Experto 6)
C1 C2 C3 C4 C5
C1 1 1 1 4 5 6 4 5 6 4 5 6 4 5 6
C2 1/4 1/5 1/6 1 1 1 2 3 4 1 1 1 1 1 1
C3 1/4 1/5 1/6 1/2 1/3 1/4 1 1 1 1 1 1 1 1 1
C4 1/4 1/5 1/6 1 1 1 1 1 1 1 1 1 2 3 4
C5 1/4 1/5 1/6 1 1 1 1 1 1 1/2 1/3 1/4 1 1 1
Tabla 4.1: Juicio del sexto experto en números triangulares
Para el segundo nivel, los subcriterios, los resultados son los siguientes:
Subcriterio C1 (Exp. 6)
S12 S22
S12 1 1 1 2 3 4
S22 1/2 1/3 1/4 1 1 1
Tabla 4.2: Juicio del experto para los subcriterios del criterio Disposición
Subcriterios C2 (Exp. 6)
S21 S22 S23 S24 S25
S21 1 1 1 1 1 1 4 5 6 4 5 6 4 5 6
S22 1 1 1 1 1 1 4 5 6 4 5 6 4 5 6
S23 1/4 1/5 1/6 1/4 1/5 1/6 1 1 1 1 1 1 1 1 1
S24 1/4 1/5 1/6 1/4 1/5 1/6 1 1 1 1 1 1 2 3 3
S25 1/4 1/5 1/6 1/4 1/5 1/6 1 1 1 1/2 1/3 1/3 1 1 1
Tabla 4.3: Juicio del experto para los subcriterios de Comunicación
S31 S32
S31 1 1 1 1 1 1
S32 1 1 1 1 1 1
Tabla 4.4: Juicio del experto para los subcriterios de Calidad DFÜ
S31 S32 S33
S31 1 1 1 1 1 1 1 1 1
S32 1 1 1 1 1 1 1 1 1
S33 1 1 1 1 1 1 1 1 1
Tabla 4.5: Juicio del experto para los subcriterios de Logı́stica Operativa
Respectivamente, se llevó a cabo la representación de los valores lingüı́sticos del

cuestionario en tablas con valores difusos triangulares. Por razones de claridad, no
se incluyeron todos los subcriterios en esta sección. Adicionalmente, se comprobó la

consistencia de los juicios de cada experto con la finalidad de determinar cuáles pue-
den ser usados para los siguientes cálculos. Los resultados para los criterios pueden
ser observadas en las siguientes tablas:
Criterios Experto 1
C1 C2 C3 C4 C5
C1 1 1 1 1/2 1/3 1/4 1/2 1/3 1/4 1/2 1/3 1/4 1/2 1/3 1/4
C2 2 3 4 1 1 1 1 1 1 1 1 1 1 1 1
C3 2 3 4 1 1 1 1 1 1 1 1 1 1 1 1
C4 2 3 4 1 1 1 1 1 1 1 1 1 1 1 1
C5 2 3 4 1 1 1 1 1 1 1 1 1 1 1 1
Tabla 4.6: Juicio del primer experto en números triangulares
Para comprobar la consistencia de los juicios, primero se debe convertir los

valores en números no difusos (Kwong, 2013). En este caso, se hizo uso del método
propuesto por Chang (2011) para obtener los valores y realizar la prueba de con-
sistencia de Saaty (2008). De acuerdo con este trabajo, la razón de consistencia se
obtiene dividiendo el ı́ndice de consistencia entre el ı́ndice aleatorio. Para este se
debe conocer:
λmax − n
CI = (4.1)
n−1
Para los juicios del experto uno, se calculó:
0.0151
CR = = 0.0135 (4.2)
1.1120
Como el resultado obtenido para esta matriz fue menor a 0.1, se puede conside-
rarla como consistente. Respectivamente, se calculó también la razón de consistencia
para las demás matrices.
Criterios Experto 2
C1 C2 C3 C4 C5
C1 1 1 1 9 9 9 9 9 9 9 9 9 9 9 9
C2 1/9 1/9 1/9 1 1 1 9 9 9 9 9 9 9 9 9
C3 1/9 1/9 1/9 1/9 1/9 1/9 1 1 1 9 9 9 9 9 9
C4 1/9 1/9 1/9 1/9 1/9 1/9 1 1 1 1 1 1 9 9 9
C5 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1 1 1
Tabla 4.7: Juicio del segundo experto en números triangulares
Comprobando la consistencia para la matriz del juicio del segundo experto, se

obtuvo:
0.7712
CR = = 0.6886 (4.3)
1.1120
Como la razón de consistencia fue mayor a 0.1, esta matriz resultó no consis-
tente y por lo tanto no fue considerada para los siguientes pasos del FAHP, es decir
no influyó en la obtención de los valores de los criterios.
Criterios Experto 3
C1 C2 C3 C4 C5
C1 1 1 1 2 3 4 2 3 4 2 3 4 2 3 4
C2 1/2 1/3 1/4 1 1 1 1 1 1 1 1 1 1 1 1
C3 1/2 1/3 1/4 1 1 1 1 1 1 1 1 1 1 1 1
C4 1/2 1/3 1/4 1 1 1 1 1 1 1 1 1 1 1 1
C5 1/2 1/3 1/4 1 1 1 1 1 1 1 1 1 1 1 1
Tabla 4.8: Juicio del tercer experto en números triangulares
La consistencia que se obtuvo para la matriz del tercer experto es de 0.0135 y

por lo tanto es considerada como consistente.
Criterios Experto 4
C1 C2 C3 C4 C5
C1 1 1 1 2 3 4 4 5 6 9 9 9 9 9 9
C2 1/2 1/3 1/4 1 1 1 2 3 4 4 5 6 4 5 6
C3 1/4 1/5 1/6 1/2 1/3 1/4 1 1 1 2 3 4 2 3 4
C4 1/9 1/9 1/9 1/4 1/5 1/6 1/2 1/3 1/4 1 1 1 2 3 4
C5 1/9 1/9 1/9 1/4 1/5 1/6 1/2 1/3 1/4 1/2 1/3 1/4 1 1 1
Tabla 4.9: Juicio del cuarto experto en números triangulares
Para el cuarto experto se calculó una razón de consistencia de 0.0456, lo que

indica que es consistente.
Criterios Experto 5
C1 C2 C3 C4 C5
C1 1 1 1 2 3 4 4 5 6 4 5 6 9 9 9
C2 1/2 1/3 1/4 1 1 1 4 5 6 4 5 6 6 7 8
C3 1/4 1/5 1/6 1/4 1/5 1/6 1 1 1 1 1 1 2 3 4
C4 1/4 1/5 1/6 1/4 1/5 1/6 1 1 1 1 1 1 2 3 4
C5 1/9 1/9 1/9 1/6 1/7 1/8 1/2 1/3 1/4 1/2 1/3 1/4 1 1 1
Tabla 4.10: Juicio del quinto experto en números triangulares
La consistencia que se obtuvo para la matriz del quinto experto es de 0.0375 y

por lo tanto es considerada como consistente.
Criterios Experto 6
C1 C2 C3 C4 C5
C1 1 1 1 4 5 6 4 5 6 4 5 6 4 5 6
C2 1/4 1/5 1/6 1 1 1 2 3 4 1 1 1 1 1 1
C3 1/4 1/5 1/6 1/2 1/3 1/4 1 1 1 1 1 1 1 1 1
C4 1/4 1/5 1/6 1 1 1 1 1 1 1 1 1 2 3 4
C5 1/4 1/5 1/6 1 1 1 1 1 1 1/2 1/3 1/4 1 1 1
Tabla 4.11: Juicio del sexto experto en números triangulares
Para la matriz del ultimo experto se obtuvo una consistencia de 0.0545, por lo
que puede ser utilizada para los siguientes pasos del cálculo.
Una vez establecidas las matrices que entran en el cálculo, se comenzó a juntar
los resultados. Saaty (2008) recomienda el uso de la media geométrica para resumir
los juicios en un proceso de toma de decisiones en grupos, ya que, entre otras ventajas,
evita la influencia de valores extremos. Aplicando la media geométrica a los criterios
del primer nivel, se obtuvieron los siguientes resultados:
Media geométrica
C1 C2 C3 C4 C5
C1 1.00 1.00 1.00 1.74 2.14 2.49 2.30 2.63 2.93 2.70 2.95 3.18 3.18 3.32 3.45
C2 0.57 0.47 0.40 1.00 1.00 1.00 1.74 2.14 2.49 1.74 1.90 2.05 1.89 2.04 2.17
C3 0.44 0.38 0.34 0.57 0.47 0.40 1.00 1.00 1.00 1.15 1.25 1.32 1.32 1.55 1.74
C4 0.37 0.34 0.31 0.57 0.53 0.49 0.87 0.80 0.76 1.00 1.00 1.00 1.52 1.93 2.30
C5 0.31 0.30 0.29 0.53 0.49 0.46 0.76 0.64 0.57 0.66 0.52 0.44 1.00 1.00 1.00
Tabla 4.12: Media geométrica de las cinco matrices de comparación
Siguiendo el método de Chang (2011) se convirtieron los valores difusos trian-

gulares en números reales, los cuales pueden ser observados en la tabla 4.13.
Media geométrica
C1 C2 C3 C4 C5
C1 1 1.93 2.46 2.46 3.25
C2 0.53 1 1.93 1.93 1.96
C3 0.41 0.53 1 1 1.43
C4 0.36 0.55 0.84 0.84 1.72
C5 0.31 0.51 0.71 0.71 1
Tabla 4.13: Los resultados de la media geométrica en números reales
Por último, se estableció la matriz normalizada. Siguiendo el procedimiento

clásico de Saaty (2008), se obtuvo el siguiente resultado:
Matriz normalizada
C1 C2 C3 C4 C5
C1 0.38 0.43 0.35 0.35 0.35
C2 0.2 0.22 0.28 0.28 0.21
C3 0.16 0.12 0.14 0.14 0.15
C4 0.14 0.12 0.12 0.12 0.18
C5 0.12 0.11 0.1 0.1 0.11
Tabla 4.14: Los resultados de la media geométrica en números reales
4.1.4 Valores de los criterios
Habiendo realizado los cálculos del FAHP, se pudieron obtener los valores de
los criterios. De la misma forma que se llevó a cabo la obtención de los valores del
primer nivel en la subsección anterior, se hizo el cálculo para los subcriterios. Las
matrices normalizadas y los respectivos valores de los criterios son los siguientes:
Matriz normalizada
C1 C2 C3 C4 C5 Suma Valor
C1 0.38 0.43 0.35 0.35 0.35 1.87 37.34 %
C2 0.2 0.22 0.28 0.28 0.21 1.19 27.81 %
C3 0.16 0.12 0.14 0.14 0.15 0.72 14.31 %
C4 0.14 0.12 0.12 0.12 0.18 0.68 13.69 %
C5 0.12 0.11 0.1 0.1 0.11 0.54 10.85 %
Tabla 4.15: Los valores de los criterios del primer nivel
Matriz normalizada Subcriterios C1

S11 S12 Sum. Valor
S11 0.75 0.75 1.5 74.97 %
S12 0.25 0.25 0.5 25.03 %
Tabla 4.16: Los valores de los subcriterios de Disposición

S21 S22 S23 S24 S25 Sum. Valor
S21 0.35 0.33 0.39 0.4 0.31 1.77 35.50 %
S22 0.24 0.23 0.2 0.19 0.28 1.14 22.81 %
S23 0.13 0.17 0.15 0.15 0.14 0.74 14.76 %
S24 0.13 0.18 0.15 0.15 0.15 0.77 15.35 %
S25 0.13 0.09 0.12 0.11 0.12 0.58 11.58 %
Tabla 4.17: Los valores de los subcriterios de Comunicación

S31 S32 Sum. Valor
S31 0.55 0.55 1.1 54.93 %
S32 0.45 0.45 0.9 45.07 %
Tabla 4.18: Los valores de los subcriterios de Calidad DFÜ


S41 S42 S43 Sum. Valor
S41 0.22 0.27 0.17 0.66 21.99 %
S42 0.41 0.5 0.57 1.48 49.38 %
S43 0.36 0.23 0.27 0.86 28.64 %
Tabla 4.19: Los valores de los subcriterios de Logı́stica Operativa
Como el criterio de Innovación no cuenta con subcriterios, no se realizaron los

cálculos en este caso. Contando con todos los valores de los respectivos criterios, se
procedió con la priorización de los proveedores.
4.1.5 Priorización de proveedores
Puesto que la empresa cuenta con un elevado número de proveedores, no fue

posible incluirlos directamente en el árbol jerárquico y el cálculo del AHP. La empresa
realiza periódicamente, cada tres meses, una evaluación del desempeño de sus socios.
Para esto, se hace uso de una escala de 1 a 6, dónde 1 representa el mejor desempeño
y 6 el peor. Esto, debido a que en el paı́s de origen de la empresa es la forma en
la que se otorgan calificaciones en escuelas y universidades. Sin embargo, a nivel
internacional, esto podrı́a causar confusión, ya que en la mayorı́a de los paı́ses las
personas no están familiarizados con esta escala, por lo que se recomienda usar la
Escala de Likert para futuras evaluaciones (Joshi, 2015).
En esta ocasión, se utilizaron datos históricos del año 2018 para realizar la
priorización de los proveedores. Para esto, se multiplicó el valor de cada criterio con
el desempeño obtenido.
4.2 ANN
Como se mencionó en la metodologı́a, además del desarrollo del FAHP, se busca

explorar la factibilidad de las ANN para el problema de evaluación y selección de
proveedores. Como primer paso, se tuvieron que definir los datos de entrada y salida.
En este caso, se usaron los datos del AHP para la alimentación de la red.
Datos de entrada: desempeño de proveedores para los cinco criterios, pon-

derado con valores del FAHP
Datos de salida: categorı́a del proveedor, es decir A, B o C
Cabe mencionar que las categorı́as fueron establecidas subjetivamente por un

experto de la empresa. Resultarı́a interesante analizar esta parte más a detalle y con-
siderar una reorganización, sin embargo, no forma parte del alcance de este proyecto,
por lo que fue incluido en las recomendaciones para trabajo futuro.
Dado el problema del caso de estudio, se recomienda el uso de una red preali-
mentada, ya que sus conexiones no forman un ciclo, sino la información se mueve
únicamente hacia una sola dirección: adelante. La estructura general de la red pro-
puesta se puede observar en la figura 4.3 con los datos de entrada y salida definidos
anteriormente.
Figura 4.3: Estructura general de la red neuronal
De esta forma se observan cinco nodos de entrada y tres nodos de salida. Como
se concluyó en la investigación de literatura, para la determinación de los nodos
ocultos se debe usar el método de prueba y error. Aunque no existen reglas exactas,
se han encontrado varios trabajos de investigadores que proponen aproximaciones
y sugerencias para este tema. Siguiendo las recomendaciones de Heaton (2008), se
obtuvo:
Ne > No > Ns = 5 > No > 3 → No = 4 (4.4)
2 2
No = × Ne + Ns = × 5 + 3 = 3.66 ≈ 4 (4.5)
3 3
No < 2 × Ne = No < 10 (4.6)
siendo Ne los nodos de entrada, No los nodos ocultos y Ns los nodos de salida.
Tomando en cuenta esto y recomendaciones de otros investigadores, se realizó

la experimentación con 4, 6, 8, 10, 12 y 14 neuronas ocultas.
Para el presente problema, se buscó asignar una serie de datos de entrada a

una serie de datos de salida. Por consiguiente, se creó la red mediante el aprendizaje
supervisado, tratando de generalizar la relación entre los datos. Con respecto al flujo
de señal de la red, se hizo uso de la alimentación hacia atrás, la forma estándar
y más utilizada para el entrenamiento de redes neuronales. Entre sus beneficios
destacan que es rápida, relativamente sencilla de programar, su flexibilidad y su
buen funcionamiento para la gran mayorı́a de los problemas (Nielsen et al., 2014).
La experimentación se llevó a cabo mediante el software Matlab R2015a. Pri-

mero, se experimentó con la herramienta Fitting toolbox de la Deep Learning Toolbox
con redes neuronales entrenadas por el algoritmo de Levenberg-Marquardt de pro-
pagación hacia atrás de cinco nodos de entrada, neuronas sigmoidales ocultas y un
nodo lineal de salida. Para todos los nodos, se usaron 70 % de los datos para el en-
trenamiento, 15 % para la validación y 15 % para las pruebas. Los resultados pueden
ser observados en la tabla 4.20.
Exp. Serie de datos Matr. Entrada Matr. Salida Neur. Oc. Iterac. MSE Val. MSE Tes. Verific Data %E
FN1 2018 T3 5x211 1x211 4 15 1.40E-02 3.03E-02 2018 T4 3.94 %
FN2 2018 T3 5x211 1x211 4 23 1.90E-04 1.12E-03 2018 T4 0.78 %
FN3 2018 T3 5x211 1x211 6 32 2.17E-11 1.03E+00 2018 T4 2.35 %
FN4 2018 T3 5x211 1x211 8 20 3.28E-04 6.25E-02 n/a n/a
FN5 2018 T3 5x211 1x211 10 16 6.81E-03 5.96E-03 2018 T4 1.96 %
FN6 2018 T3 5x211 1x211 12 19 2.86E-02 1.75E-02 2018 T4 1.57 %
FN8 2018 T3 5x211 1x211 14 12 6.13E-03 9.17E-03 2018 T4 0.78 %
FN9 2018 T1-T3 5x807 1x807 4 12 1.90E-12 1.18E-12 2018 T4 0.39 %
FN10 2017 T2-2018 T3 5x1667 1x1667 4 29 1.03E-05 2.05E-07 2018 T4 0.39 %
FN11 2018 T1-T3 5x807 1x807 6 89 3.74E-10 5.93E-04 2018 T4 1.18 %
FN12 2018 T1-T3 5x807 1x807 8 28 1.42E-10 1.41E-09 2018 T4 0.39 %
FN13 2018 T1-T3 5x807 1x807 10 21 7.76E-04 9.32E-04 2018 T4 0.39 %
FN14 2018 T1-T3 5x807 1x807 12 16 2.22E-03 6.98E-03 2018 T4 1.57 %
FN15 2018 T1-T3 5x807 1x807 14 19 9.08E-03 1.73E-03 2018 T4 2.75 %
Tabla 4.20: Resultados del escenario de experimentación 1
Se continuó la experimentación con la herramienta Pattern recognition con

redes neuronales entrenadas mediante el algoritmo de Levenberg-Marquardt de pro-
pagación hacia atrás de cinco nodos de entrada, neuronas sigmoidales ocultas y un
nodo lineal de salida. Para todos los nodos, se usaron 70 % de los datos para el en-
trenamiento, 15 % para la validación y 15 % para las pruebas. Los resultados pueden
ser observados en la tabla 4.21.
Exp. Serie de datos Matr. Entrada Matr. Salida Neur. Oc. Iterac. CE %E Val. %E Prue. 2018 T4 %E
PN1 2018 T3 5x211 3x211 4 28 13.73592 0.00 % 2018 T4 1.18 %
PN2 2018 T3 5x211 3x211 6 20 4.06836 3.13 % 2018 T4 1.57 %
PN3 2018 T3 5x211 3x211 8 14 3.62503 0.00 % 2018 T4 7.06 %
PN4 2018 T3 5x211 3x211 10 23 2.44452 3.13 % n/a 1.57 %
PN5 2018 T3 5x211 3x211 12 20 3.88316 3.13 % 2018 T4 2.75 %
PN6 2018 T3 5x211 3x211 14 16 3.65619 6.25 % 2018 T4 6.67 %
PN7 2018 T1-T3 5x807 3x807 4 73 12.65918 0% 2018 T4 1.57 %
PN8 2018 T1-T3 5x807 3x807 4 33 4.99257 1.65 % 2018 T4 2.35 %
PN9 2018 T1-T3 5x807 3x807 6 29 5.50294 0% 2018 T4 1.96 %
PN10 2018 T1-T3 5x807 3x807 8 43 5.64139 0% 2018 T4 2.75 %
PN11 2018 T1-T3 5x807 3x807 10 27 5.87802 0% 2018 T4 1.18 %
PN12 2018 T1-T3 5x807 3x807 12 26 5.85848 0% 2018 T4 1.57 %
PN13 2018 T1-T3 5x807 3x807 14 25 5.42885 0% 2018 T4 3.92 %
Tabla 4.21: Resultados del escenario de experimentación 2

Por último, se buscó observar el comportamiento de las redes para la deter-

minación del resultado exacto de los proveedores. Haciendo uso de redes neuronales
entrenadas con el algoritmo del gradiente conjugado escalado de propagación ha-
cia atrás de cinco nodos de entrada, neuronas sigmoidales ocultas y tres neuronas
softmax de salida. Para todos los nodos, se usaron 70 % de los datos para el entre-
namiento, 15 % para la validación y 15 % para las pruebas. Los resultados pueden
ser observados en la siguiente tabla:
Exp. Serie de datos Matr. Entrada Matr. Salida Neur. Oc. Iterac. ECM Val. ECM Prue. ECM 2018 T4 %E 2018 T4
FN1 2018 T3 5x211 1x211 4 1000 5.80E-09 1.39E-09 7.58E-10 0%
FN2 2018 T3 5x211 1x211 6 217 3.02E-08 6.83E-08 8.89E-08 0%
FN3 2018 T3 5x211 1x211 8 1000 2.37E-08 2.37E-08 3.88E-10 0%
FN4 2018 T3 5x211 1x211 10 262 2.14E-08 4.47E-10 8.34E-09 0%
FN5 2018 T3 5x211 1x211 12 1000 2.79E-10 6.57E-10 6.41E-10 0%
FN6 2018 T3 5x211 1x211 14 1000 6.11E-10 1.80E-10 6.41E-10 0%
Tabla 4.22: Resultados de la experimentación con valores exactos
Cabe destacar que los resultados mencionados son los que arrojaron el me-
nor error respectivamente para cada número de nodos, por lo que no representan
la totalidad de los experimentos realizados. En términos generales, se entrenó una
red aproximadamente diez veces o más hasta llegar a un error satisfactorio. En el
siguiente capı́tulo se hace énfasis en el análisis de los resultados y la selección de la
red más adecuada.
Capı́tulo 5
Análisis de los resultados
Mediante la aplicación de la metodologı́a se han obtenido una serie de resul-

tados, los cuales se analizan en este capı́tulo con la finalidad de responder a las
preguntas de investigación planteadas anteriormente. Adicionalmente, se evalúan las
herramientas propuestas y se formula una serie de recomendaciones para el uso de
redes neuronales artificiales para el problema de la selección de proveedores.
5.1 FAHP
En el capı́tulo anterior se calcularon los valores de los criterios mediante el

método del proceso analı́tico jerárquico con lógica difusa. De acuerdo con el árbol
jerárquico establecido anteriormente, los valores de los criterios y subcriterios obte-
nidos son visualizados de la siguiente forma:
69
Capı́tulo 5. Análisis de los resultados 70
Figura 5.1: Árbol jerárquico con los valores de los criterios
Comparando estos valores con los que maneja la empresa de estudio, se puede
observar en la tabla 5.1 que la mayor diferencia reside en el criterio de disposición,
el cual varió 12.66 % en comparación con el valor de la empresa. Esta pérdida re-
sultó favorable para los demás criterios, sobre todo Calidad y Comunicación, cuya
importancia aumentó 8.81 % y 4.31 %, respectivamente.
Valor empresa Valor FAHP Variación

Disposición 50 % 37.34 % -12.66
Calidad DFÜ 15 % 23.81 % +8.81
Comunicación 10 % 14.31 % +4.31
Logı́stica operativa 15 % 13.69 % +1.31
Innovación 10 % 10.85 % +0.85
Tabla 5.1: Comparación de los valores del FAHP y el Scoring
Los resultados que se obtuvieron pueden ser interpretados como favorables.

Aunque resultaron unas diferencias, se aproximan a los valores establecidos por la

empresa. Por eso se puede suponer que son válidos y sirve como ajuste para los
criterios.
Habiendo establecido los valores de los criterios se pudo continuar con la eva-
luación y selección de los proveedores. Siendo los datos más recientes con las que se
contaba del último trimestre de 2018, se usaron estos para la evaluación y prioriza-
ción. Por cuestiones de espacio, la tabla de priorización fue incluida en el apéndice
A.2. En la figura 5.2 se visualizó la evaluación de los proveedores, indicando la cali-
ficación final de cada proveedor.
Figura 5.2: Priorización de proveedores
La figura 5.3 destaca que el 82.87 % fue calificado como proveedor tipo A,
11.55 % en la categorı́a B y 5.58 % como proveedores C.
Figura 5.3: Proveedores priorizados por categorı́a
Comparando los resultados obtenidos con los datos de la empresa, cabe destacar
que a la gran mayorı́a de los proveedores se lo otorgó la misma o una calificación muy
similar. Esto se debe principalmente al hecho que muchos proveedores obtuvieron la
misma calificación para todos los criterios, por lo que un cambio en el valor del criterio
no se refleja. Por otro lado, para 87 socios se obtuvo una diferencia más grande. Para
situaciones, en las cuales los valores del FAHP superaron los de la empresa se observó
una variación entre 2 % a 8 %. Para el caso contrario, siendo la calificación del FAHP
más baja, se tiene una variación de -20 % a -1 % con 48 proveedores, indicando que
el primer criterio tenı́a un efecto muy notable en la evaluación.
Figura 5.4: Variación porcentual de los resultados de Scoring y FAHP
Con la finalidad de facilitar el proceso de evaluación y selección de proveedores,

se programó una base de datos mediante el software Microsoft Acess. De esta forma,
la empresa puede definir planes de acción para colaborar con los socios comerciales
para mejorar o mantener su respectivo desempeño. Además, se formuló una serie de
recomendaciones para mejorar este proceso, las cuales se definen en el capı́tulo de
conclusión
5.2 ANN
5.2.1 Hallazgos
Tomando en cuenta los hallazgos del capı́tulo anterior, destacan las redes con
cuatro neuronas ocultas, ya que para todos los escenarios se arrojaron errores muy
bajos. Para confirmar los errores obtenidos en el proceso de validación y pruebas de
la red, se aplicaron las redes con mejor rendimiento a una serie de datos diferente,
que no fue utilizada para la creación y el entrenamiento de la red. En la figura 5.5
se puede observar el porcentaje de error obtenido para cada red.
Figura 5.5: Errores porcentuales por número de neuronas ocultas
Como se observa, la gráfica está dividida en dos partes principales: entrena-

miento con el algoritmo de Levenberg-Marquardt y el algoritmo del gradiente conju-
gando escalado. Para ambos se entrenó la red primero con datos del tercer periodo
de 2018 con diferentes números de neuronas. Incrementando la cantidad de datos
para el entrenamiento, se logró disminuir tanto el error cuadrático medio como el
error porcentual para los dos algoritmos. De las redes entrenadas con el algoritmo
de Levenberg-Marquardt con datos del tercer trimestre de 2018, la mejor solución
fue obtenida con cuatro neuronas ocultas. Con una mayor serie de datos, de tres pe-
riodos, los mejores desempeños tuvieron las redes con 4,8 y 10 nodos. Por otro lado,
con el algoritmo del gradiente conjugado escalado se alcanzaron resultados similares,
teniendo el menor error porcentual la red con cuatro neuronas. Con más datos, la
red de 10 neuronas obtuvo el menor error, con la red de 4 nodos en segundo lugar.
El error más bajo de todas las redes fue logrado con el algoritmo de Levenberg-
Marquardt con neuronas sigmoidales ocultas y neuronas lineales de salida. Tanto con
4, 8 como 10 nodos se alcanzó un error porcentual de 0.39 %, lo que representa un
proveedor clasificado incorrectamente, comparándolo con 254 clasificados de forma
correcta. Debido a que la red con cuatro neuronas obtuvo errores muy bajos en todas
las fases, es considerada como la adecuada para este y posiblemente problemas simi-
lares. Resulta importante mencionar que con el paso del tiempo debe ser entrenado
con nuevos datos a fin de mejorar su desempeño hasta llegar a un error mı́nimo.
5.2.2 Recomendaciones para la aplicación de ANN al

VSP
Cabe destacar que la red neuronal artificial desarrollada puede ser considerada
como un método válido para la solución de este problema, pues determina con alta
precisión la categorı́a de los proveedores en este caso de estudio. De la misma forma,
se desarrolló una red que señala sin error la calificación exacta de cada proveedor.
Por consiguiente, se cumplió el objetivo especı́fico de este trabajo de explorar la
utilidad de ANN para el problema de evaluación y selección de proveedores.
Sin embargo, considerando los criterios de eficiencia y agilidad, es necesario

cuestionar si la ANN es capaz de lograr una ventaja notable en comparación con
la herramienta del FAHP. Cabe mencionar que en el presente caso de estudio se
conoció desde el principio la manera en la que evalúa los proveedores, es decir la
función para llegar desde los datos de entrada x hasta los datos de salida y. Dadas las
caracterı́sticas del caso de estudio, esto fue necesario para determinar la efectividad
de la ANN. No obstante, las redes neuronales suelen ser más útiles para situaciones,
en las cuales se desconoce la relación entre datos de entrada y salida. Por este motivo,
se define un conjunto de escenarios de toma de decisiones en la evaluación y selección
de proveedores, para los cuáles el uso de redes neuronales artificiales puede aportar
un considerable valor añadido.
Clasificación de proveedores: uno o varios expertos clasifican los proveedo-

res en categorı́as (ineficiente/eficiente, A/B/C, 1/2/3, etc.) de acuerdo con su
desempeño. Una red neuronal puede aproximar la relación entre los valores y
ayudará a clasificar otros socios de la compañı́a o incluso las de otra empresa.
Comparación de alternativas: comparación por pares de importantes pro-

veedores de una industria, la cual puede ser reproducida por otras empresas
del mismo sector.
Agrupamiento/Clustering : después de determinar el desempeño de los pro-

veedores, se puede aplicar una ANN de aprendizaje no supervisado para agru-
par proveedores con caracterı́sticas similares en diferentes categorı́as. Poste-
riormente, se puede usar aprendizaje supervisado para clasificar a otros pro-
veedores en estas categorı́as, ya sea dentro de la misma organización o en otra
empresa.
Capı́tulo 6
Conclusión
Este capı́tulo contiene lo referente a las resoluciones finales que surgieron de

la investigación. Además de destacar las conclusiones de este trabajo, se indica una
serie de recomendaciones para la mejora del proceso de evaluación y selección de
proveedores en la empresa de estudio. Por último, se mencionan las contribuciones
del trabajo, su impacto en la cadena de suministro y sugerencias para trabajos
futuros.
6.1 Conclusiones generales
En esta tesis se atacó un problema omnipresente en cada organización: la eva-

luación y selección de proveedores. En primer lugar, se analizó la situación actual
en la empresa con la finalidad de identificar áreas de mejora. A partir de esto, se
comenzó con una extensa investigación de la literatura acerca de tema. Se analiza-
ron la toma de decisiones, los conceptos de la logı́stica y cadena de suministro a lo
largo del tiempo y la selección de proveedores como uno de los procesos clave en
el área de aprovisionamiento. Analizando a detalle los diferentes métodos para esta
problemática, se realizó una comparación de ellos para determinar el más adecuado
para la empresa de estudio.
77
Capı́tulo 6. Conclusión 78
Se propuso una herramienta basada en el proceso analı́tico jerárquico con lógica

difusa. Para esto, se determinaron los criterios de evaluación de proveedores logı́sti-
cos, se realizó una encuesta a expertos de la empresa para posteriormente determinar
los valores de los criterios. Por último, se obtuvieron las calificaciones finales median-
te la multiplicación con el respectivo desempeño de los socios. De esta manera, la
empresa de estudio cuenta con una herramienta cientı́ficamente fundada para el pro-
blema de la evaluación de proveedores que toma en cuenta juicios de expertos del
área.
El trabajo realizado soluciona un problema que se presenta frecuentemente

en grandes organizaciones: llegar a un consenso en la toma de decisiones. Se logró
considerar todas las opiniones de un grupo de expertos, siendo la clave para resolver
un problema con elevada importancia, como es la evaluación de proveedores. De
esta forma se alcanzó una mejora en el proceso mediante esta tesis, permitiendo la
evaluación y posteriormente la selección de los proveedores que más valor aportan a
largo plazo.
Además, se exploró el uso de redes neuronales artificiales para la problemáti-

ca descrita. El objetivo que se siguió fue mapear el desempeño ponderado por los
criterios del FAHP de cada proveedor con su respectiva categorı́a. Para esto, se ex-
perimentó con una serie de arquitecturas hasta llegar a un desempeño satisfactorio,
considerando el error cuadrático medio y el error porcentual. La mejor red fue ca-
paz de clasificar nuevas series de datos con una precisión mayor al 99 %. Es por eso
que se consideraron útiles las redes neuronales para el problema de la selección de
proveedores, siempre y cuando se consideran algunas recomendaciones.
Finalmente, se determinaron medidas adecuadas y basadas en tecnologı́as de

información para la agilización del proceso. En primer lugar, se desarrolló una herra-
mienta basada en el proceso del FAHP mediante un software de bases de datos, la
cual ayudará a facilitar el proceso de evaluación del desempeño y será más amigable
para el usuario. Adicionalmente, se definieron algunas sugerencias respecto a temas
que no forman parte del alance de este proyecto, pero que ayudarán a aumentar aún
más la eficiencia de este proceso.
6.2 Recomendaciones
El trabajo realizado representa una notable mejora del proceso de evaluación

y lo fundamenta cientı́ficamente. Con la finalidad de lograr una eficiencia aún más
alta, se formuló una serie de recomendaciones, las cuales son el resultado del análisis
del estado actual del proceso.
Establecer parámetros cuantitativos: para aumentar la objetividad en el

proceso, se recomienda establecer rangos cuantitativos para evaluar el desem-
peño de los proveedores. Entre los criterios que podrı́an ser cuantificados fácil-
mente se encuentran: cumplimiento de entrega (tiempo/cantidad), turnos dis-
ponibles, tiempo de reacción, etc.
Reorganización de la escala de evaluación: La forma actual de evalua-

ción proviene de la matriz en Alemania, donde se califica de acuerdo a las
notas del sistema educativo: 1 representa el mejor desempeño, mientras un 6
es considerado como no satisfactorio. Debido a que la planta en México lleva
menos de dos años evaluando de esta forma y que esta escala podrı́a resultar
poco lógico para nuevos empleados, se recomienda usar otro tipo de escala. La
investigación indica que el uso de una variación de la escala de Likert (1932)
de cinco niveles se ha comprobada muy útil para este tipo de procesos.
Reestructuración de los criterios: Se recomienda considerar en la evalua-

ción otros datos, como la criticidad del proveedor y el volumen de ventas para
determinar la importancia del proveedor. Adicionalmente, se deberı́a evaluar la
posibilidad de juntar algunos criterios con la finalidad de simplificar el proceso
de evaluación, por ejemplo, los subcriterios de documentos de envı́o, el cual se
repite en dos criterios.
Calificación compositiva: Con la finalidad de armonizar los criterios cuan-

titativos y cualitativos se recomienda el uso de una escala de calificación com-
positiva, es decir, los números son traducidos a valores entre 0 a 1. Para esto,
se resta el valor mı́nimo obtenido para un criterio a cada uno de los valores
de x y se divide por la diferencia entre el valor máximo y el mı́nimo de este
criterio. De esta forma, el respectivo desempeño siempre es comparado con el
del mejor proveedor, creado una situación de benchmark como motivación para
la mejora continua del desempeño.
Reorganizar categorı́as: Con el uso de otra escala, también se debe pensar

en la reorganización de las categorı́as. Primeramente, no se recomienda el uso
de A, B y C, ya que ellos generalmente indican la criticidad y la importancia
del proveedor. Por otro lado, el desempeño podrı́a ser medido mediante el uso
de dos categorı́as ✭✭eficiente✮✮ o ✭✭ineficiente✮✮ o ✭✭desempeño alto✮✮, ✭✭desempeño
medio✮✮ o ✭✭desempeño bajo✮✮, o incluso mediante números ✭✭1✮✮, ✭✭2✮✮ o ✭✭3✮✮. Para
la determinación de los miembros de cada categorı́a puede ser de ayuda una red
neuronal o la división recomendada por Groupe Meloche Inc. (2011), siendo
proveedores de la primera categorı́a los que lograron más de un 90 % de los
puntos disponibles, de segunda más del 70 % y de tercera todos los demás.
Además, se podrı́a desarrollar una evaluación de dos dimensiones mediante una
categorı́a que evalúe el desempeño (numérico) y otra que evalúe la criticidad
y el volumen de compra (letra).
Considerar medidas de gestión del cambio: Cabe mencionar que algu-

nos evaluadores no le otorgan la importancia necesaria a este proceso, lo que
resulta en una evaluación incorrecta o incompleta. Tomando en cuenta que el
factor humano es uno de los puntos más importantes en la implementación
de nuevas herramientas, se deberı́an considerar medidas de gestión del cambio
para comunicar la relevancia de este proceso y asegurar su correcta realización.
Armonizar sistemas de información: La herramienta que se desarrolló se

realizó de acuerdo a las necesidades especı́ficas del departamento. Para lograr
una mayor eficiencia, se recomienda usar una sola base de datos para todos
los departamentos involucrados en el proceso de evaluación. En sı́, la base de
datos creada podrı́a ser exportada a un portal en el intranet, al cual todos los
evaluadores tienen acceso.
6.3 Contribuciones y trabajo futuro
6.3.1 Contribuciones
La contribución de esta tesis se centra en la aplicación de dos métodos de toma

de decisiones cientı́ficamente fundamentadas para la evaluación y selección de provee-
dores mediante un caso práctico en la industria automotriz. La herramienta, basada
en tecnologı́as de información adecuadas y en combinación con las recomendaciones
formuladas, ayudará a mejorar la eficiencia del proceso, permitiendo la selección de
los proveedores que mayor valor aportan a la empresa. De esta forma se espera a
mediano y largo plazo una mejora relacionada al cumplimiento de entregas, calidad,
tiempo de entrega, servicio logı́stico brindado, etc.
Por otra parte, la herramienta proporcionada representa un aporte para la

agilización del proceso, beneficiando a la empresa en términos de menor tiempo
dedicado a la evaluación y mayor amigabilidad para el usuario. Se espera una mayor
aceptación por parte de los empleados y, consecuentemente, una evaluación más
acertada y cercana a la realidad.
Por último, cabe destacar la investigación realizada con respecto al uso de redes
neuronales artificiales para el problema de evaluación y selección de proveedores.
Además de comprobar la utilidad para esta problemática, se definió una serie de
recomendaciones. Tomándolas en cuentas, las ANN pueden aportar un valor añadido
al VSP, agilizando y facilitando el proceso. En este aspecto, también se comprueba la
eficiencia del método de Heaton (2008) para determinar el número de nodos ocultos.
Aunque no representa una regla válida universalmente para todos los problemas,
puede ser considerado como un buen punto de partida para situaciones similares.
6.3.2 Trabajo futuro
En este proyecto se ha aplicado exitosamente el proceso analı́tico jerárquico con

lógica difusa al problema de evaluación y selección de proveedores, comparándolo con
redes neuronales artificiales para determinar su utilidad para este problema. Con la
finalidad de confirmar su uso, se recomienda el estudio de otros casos prácticos,
tomando en cuenta las recomendaciones que se formularon en este trabajo.
Enfocándose en la empresa, se le aconseja monitorear la evolución del desem-

peño de proveedores para determinar cómo varı́a el desempeño logı́stico de los mis-
mos. Además, se recomienda tomar en cuenta las sugerencias que se indicaron en
este proyecto para seguir mejorando el proceso de evaluación de proveedores.
Apéndice A
Apéndice
A.1 Estructura y resultados del Cuestionario
83
Apéndice A. Apéndice 84
A.2 Priorización de proveedores
Posición Proveedor Resultado Empresa Proveedor Resultado FAHP

1 6001018858 1 6001018858 1
2 6001017729 1 6001017729 1
3 6001003941 1 6001003941 1
4 6001019444 1 6001019444 1
5 6001011286 1 6001011286 1
6 6001000372 1 6001000372 1
7 6001009448 1 6001009448 1
8 6001013597 1 6001013597 1
9 6001012730 1 6001012730 1
10 6001001679 1 6001001679 1
11 6001011164 1 6001011164 1
12 6001004810 1 6001004810 1
13 6002014211 1 6002014211 1
14 6001020810 1 6001020810 1
15 6001014401 1 6001014401 1
16 6001001989 1 6001001989 1
17 6002010966 1 6002010966 1
18 6001000805 1 6001000805 1
19 6001017528 1 6001017528 1
20 6001019660 1 6001019660 1
21 6001009179 1 6001009179 1
22 6001020325 1 6001020325 1
23 6001001665 1 6001001665 1
24 6001017146 1 6001017146 1
25 6001013505 1 6001013505 1
26 6001020456 1 6001020456 1
27 6001021216 1 6001021216 1
28 6001020817 1 6001020817 1
29 6001017639 1 6001017639 1
30 6001021138 1 6001021138 1
31 6001016080 1 6001016080 1
32 6001019738 1 6001019738 1
33 6001018423 1 6001018423 1
34 6001021044 1 6001021044 1
35 6001010933 1 6001010933 1
36 6001011121 1 6001011121 1
37 6001000907 1 6001000907 1
38 6001021223 1 6001021223 1
39 6001003169 1 6001003169 1
40 6001020179 1 6001020179 1
41 6001003319 1 6001003319 1
42 6001020038 1 6001020038 1
43 6001020421 1 6001020421 1
44 6001014580 1 6001014580 1
45 6001008170 1 6001008170 1
46 6001018535 1 6001018535 1
47 6001000447 1 6001000447 1
48 6001000134 1 6001000134 1
49 6001018933 1 6001018933 1
50 6001010721 1 6001010721 1
51 6001016829 1 6001016829 1
52 6001019766 1 6001019766 1
53 6001018656 1 6001018656 1
54 6001018393 1 6001018393 1
55 6002012872 1 6002012872 1
56 6001018048 1 6001018048 1
57 6001006688 1 6001006688 1
58 6001007589 1 6001007589 1
59 6001014590 1 6001014590 1
60 6001018353 1 6001018353 1
61 6001018351 1 6001018351 1
62 6001019477 1 6001019477 1
63 6001018354 1 6001018354 1
64 6001016472 1 6001016472 1
65 6001018078 1 6001018078 1
66 6001010420 1 6001010420 1
67 6001019039 1 6001019039 1
68 6001018721 1 6001018721 1
69 6001014085 1 6001014085 1
70 6001019845 1 6001019845 1
71 6001021173 1 6001021173 1
72 6001021576 1 6001021576 1
73 6001021231 1 6001021231 1
74 6001011957 1 6001011957 1
75 6001002470 1 6001002470 1
76 6001010089 1 6001010089 1
77 6001016878 1 6001016878 1
78 6001021484 1 6001021484 1
79 6001019135 1 6001019135 1
80 6001020894 1 6001020894 1
81 6001018241 1 6001018241 1
82 6002012290 1 6002012290 1
83 6001021846 1 6001021846 1
84 6001019085 1 6001019085 1
85 6001016816 1 6001016816 1
86 6001005304 1 6001005304 1
87 6001020702 1 6001020702 1
88 6001011087 1 6001011087 1
89 6001011599 1 6001011599 1
90 6001014374 1 6001014374 1
91 6001010824 1 6001010824 1
92 6001020792 1 6001020792 1
93 6001018998 1 6001018998 1
94 6001018888 1 6001018888 1
95 6001007965 1 6001007965 1
96 6001020775 1 6001020775 1
97 6001021895 1 6001021895 1
98 6001009191 1 6001009191 1
99 6001014645 1 6001014645 1
100 6001016868 1 6001016868 1
101 6001012519 1 6001012519 1
102 6001020889 1 6001020889 1
103 6001014514 1 6001014514 1
104 6001020873 1 6001020873 1
105 6001016933 1 6001016933 1
106 6001019815 1 6001019815 1
107 6001018936 1 6001018936 1
108 6001000575 1 6001000575 1
109 6001020331 1 6001020331 1
110 6001018098 1 6001018098 1
111 6001021413 1 6001021413 1

112 6001014286 1 6001014286 1
113 6001020181 1 6001020181 1
114 6001019292 1 6001019292 1
115 6001003781 1 6001003781 1
116 6001008776 1 6001008776 1
117 6001021754 1 6001021754 1
118 6001001020 1 6001001020 1
119 6001009753 1 6001009753 1
120 6001020003 1 6001020003 1
121 6001022105 1 6001022105 1
122 6001022104 1 6001022104 1
123 6001019249 1 6001019249 1
124 6001020919 1 6001020919 1
125 6001005832 1 6001005832 1
126 6001021776 1 6001021776 1
127 6001010851 1 6001010851 1
128 6001019166 1 6001019166 1
129 6001004909 1 6001004909 1
130 6001001650 1 6001001650 1
131 6001014406 1 6001014406 1
132 6001013748 1 6001013748 1
133 6001013750 1 6001013750 1
134 6001014519 1 6001014519 1
135 6001021145 1 6001021145 1
136 6001018525 1 6001018525 1
137 6001020364 1 6001020364 1
138 6001020365 1 6001020365 1
139 6001018575 1 6001018575 1

140 6001005153 1 6001005153 1
141 6001021010 1 6001021010 1
142 6001013359 1 6001013359 1
143 6001019224 1 6001019224 1
144 6001017454 1 6001017454 1
145 6001013841 1 6001013841 1
146 6001021766 1 6001021766 1
147 6001003438 1.1 6001021604 1.10854355
148 6001021604 1.1 6001021240 1.13687011
149 6002017726 1.1 6001014626 1.13687011
150 6001011195 1.1 6001003438 1.14307596
151 6001018007 1.1 6002017726 1.14307596
152 6001019659 1.15 6001011195 1.14307596
153 6001007448 1.15 6001018007 1.14307596
154 6001014905 1.15 6001019659 1.2380913
155 6001019017 1.15 6001007448 1.2380913
156 6001021240 1.15 6001014905 1.2380913
157 6001010020 1.15 6001019017 1.2380913
158 6001014626 1.15 6001010020 1.2380913
159 6001013770 1.15 6001013770 1.2380913
160 6001020358 1.15 6001020358 1.2380913
161 6001006447 1.15 6001006447 1.2380913
162 6001010539 1.25 6001010539 1.24541366
163 6001014198 1.25 6001014198 1.24541366
164 6001014303 1.25 6001014303 1.27994607
165 6001020843 1.25 6001020843 1.27994607
166 6001021499 1.3 6001013980 1.37341908
167 6001019902 1.3 6001005871 1.37341908

168 6001021512 1.3 6001020339 1.37341908
169 6001010104 1.3 6001021109 1.37341908
170 6001021050 1.35 6001011933 1.37341908
171 6001020648 1.4 6001014528 1.37341908
172 6001013980 1.5 6001019737 1.37341908
173 6001005871 1.5 6001012054 1.37341908
174 6001020339 1.5 6001020153 1.37341908
175 6001021109 1.5 6001021056 1.37341908
176 6001011933 1.5 6001021499 1.3749614
177 6001014528 1.5 6001019902 1.3749614
178 6001019737 1.5 6001021512 1.3749614
179 6001012054 1.5 6001010104 1.3749614
180 6001020153 1.5 6001021050 1.38848962
181 6001003354 1.5 6001001165 1.51028919
182 6001021056 1.5 6001021535 1.51028919
183 6001004152 1.6 6001013981 1.51028919
184 6001019749 1.6 6001004152 1.51649505
185 6001006321 1.6 6001019749 1.51649505
186 6001001165 1.65 6001006321 1.51649505
187 6001019414 1.65 6001020648 1.51803737
188 6001021335 1.65 6001019414 1.61151038
189 6001002266 1.65 6001021335 1.61151038
190 6001017659 1.65 6001002266 1.61151038
191 6001019633 1.65 6001017659 1.61151038
192 6001017441 1.65 6001019633 1.61151038
193 6001021535 1.65 6001017441 1.61151038
194 6001020966 1.65 6001020966 1.61151038
195 6001013981 1.65 6001018202 1.61151038

196 6001018202 1.65 6001018478 1.61151038
197 6001018478 1.65 6001018846 1.61151038
198 6001018846 1.65 6001012864 1.61883274
199 6001007940 1.75 6001003354 1.62658092
200 6002012220 1.75 6001007940 1.72005393
201 6001012864 1.75 6001021232 1.74683817
202 6001018979 1.75 6002012220 1.75458634
203 6001021416 1.8 6001018979 1.75458634
204 6001017999 1.9 6001021416 1.84960168
205 6001014407 1.9 6001009351 1.89145645
206 6001009351 1.9 6001021175 1.98492947
207 6001012974 2 6001017999 1.99267764
208 6001002367 2 6001014407 1.99267764
209 6001016850 2 6001012974 2
210 6001005679 2 6001002367 2
211 6001005777 2 6001016850 2
212 6001018329 2 6001005679 2
213 6001020561 2 6001005777 2
214 6001020833 2 6001018329 2
215 6001021100 2 6001020561 2
216 6001021232 2 6001020833 2
217 6001018641 2 6001021100 2
218 6001019272 2.05 6001018641 2
219 6001005945 2.1 6001019272 2.02832655
220 6001021614 2.1 6001011380 2.10854355
221 6001011380 2.1 6001008184 2.12025725
222 6001017200 2.15 6001000683 2.12025725
223 6001021175 2.15 6001017200 2.13687011

224 6001020823 2.25 6001005945 2.14307596
225 6001012502 2.3 6001021614 2.17760837
226 6001005616 2.3 6001012502 2.22302077
227 6001014325 2.3 6001005616 2.22302077
228 6001017844 2.4 6001017844 2.36609673
229 6001004306 2.4 6001004306 2.36609673
230 6001018025 2.5 6001020823 2.38116726
231 6001008184 2.5 6001014325 2.40949382
232 6001000683 2.5 6001005890 2.49367634
233 6001014500 2.8 6001018395 2.60376221
234 6001017505 2.85 6001018025 2.62658092
235 6001018395 2.9 6001014500 2.84960168
236 6001018081 3 6001017505 2.86312989
237 6001001662 3 6001021930 2.88259177
238 6001005890 3 6001018081 3
239 6001021930 3 6001001662 3
240 6001021370 3.05 6001021370 3.09501534
241 6001020237 3.1 6001020237 3.14307596
242 6001011834 3.3 6001011834 3.22302077
243 6001016990 3.5 6001014565 3.34327802
244 6001011420 3.6 6001016990 3.37341908
245 6001014565 3.8 6001011420 3.44604153
246 6001020957 4.25 6001020957 4.05755191
247 6001020006 5 6001020006 5
248 6001018352 5 6001018352 5
249 6001020949 5 6001020949 5
250 6001012846 5 6001012846 5
251 6001020359 5 6001020359 5

Bibliografı́a
Abbasi, A. S. M. M. y. E.-D. Z., H. (2015), ✭✭Comparison of Trial and Error and

Genetic Algorithm in Neural Network Development for Estimating Farinograph
Properties of Wheat-flour Dough✮✮, Nutrition and Food Sciences Research, págs.
29–38.
Achilles Limited (2018), ✭✭SUPPLIER QUALIFICATION SYS-

TEM (SQS) - Providing global visibility of Shell sup-
pliers✮✮, URL https://www.shell.com/business-customers/
shell-for-suppliers/qualify-as-a-supplier-to-shell/_jcr_
content/par/textimage_1243601949.stream/1447247715709/
57dc82b8dd6ca544a447fccfc5015086a988f1df1bd6446d90194d30cc990587/
supplier-qualification-system.pdf.
Akkucuk, U. (2015), Handbook of Research on Waste Management Techniques for

Sustainability, Hershy: IGI Global.
Allgurin, A. (2018), ✭✭Exploring Machine Learning for Supplier Selection: A case

study at Bufab Sweden AB✮✮, .
Asthana, N. y M. Gupta (2015), ✭✭Supplier selection using artificial neural net-

work and genetic algorithm✮✮, Int. J. Indian Culture and Business Management,
11(4).
Atwater, B. (2017), ✭✭APICS Dictionary and the Evolution of

Supply Chain✮✮, URL http://www.apics.org/sites/apics-blog/
98
Bibliografı́a 99
think-supply-chain-landing-page/thinking-supply-chain/2017/10/
02/apics-dictionary-and-the-evolution-of-supply-chain.
Aumann, R. (1977), ✭✭The St. Petersburg paradox: A discussion of some recent

comments✮✮, Journal of Economic Theory.
Bernoulli, D. (1738), ✭✭Exposition of a New Theory on the Measurement of Risk✮✮,

Commentaries of the Imperial Academy of Science of Saint Petersburg.
Bhattacharya, A., J. Geraghty y P. Young (2010), ✭✭Supplier Selection Pa-

radigm: An Integrated Hierarchical QFD Methodology Under Multiple-criteria
Environment✮✮, Applied Soft Computing, 10(4), págs. 1013–1027.
Bhattacharya, A., P. Mohapatra, V. Kumar, P. Dey, M. Brady, M. Ti-

wari y S. Nudurupat (2014), ✭✭Green Supply Chain Performance Measurement
using Fuzzy ANP-based Balanced Scorecard: A Collaborative Decision-making
Approach✮✮, Production Planning & Control: The Management of Operations,
25(8), págs. 698–714.
Büközkan, G., T. Ertay, C. Kahraman y D. Ruan (2004), ✭✭Determining the

importance weights for the design requirements in the house of quality using the
fuzzy analytic network approach✮✮, International Journal of Intelligent Systems,
págs. 443–461.
Britannica, E. (2018), ✭✭Automotive Industry✮✮, URL https://www.britannica.

com/technology/automotive-industry.
Buscema, M. G. L. W. N. F. y. A.-Z. M., P (2018), Artificial neural networks,

Springer.
Cavinato (1992), ✭✭A Total Cost/Value Model for Supply Chain Competitiveness✮✮,
Journal of Business Logistics.
Chan, F. y N. Kumar (2007), ✭✭Global supplier development considering risk fac-

tors using fuzzy extended AHP-based approach pp. 417-431, 2007✮✮, Omega, 35,
págs. 417–431.
Bibliografı́a 100
Chang, D. (1992), Analysis and Synthetic Decision, Optimization Techniques and

Applications, tomo 1, Singapore: World Scientific.
Chang, H., K. y Yang (2011), ✭✭A study of cosmetic bundle by utilizing a fuzzy
Analytic Hierarchy Process (AHP) to determine preference of product attributers
toward customer value.✮✮, African Journal of Business Management, págs. 8728–
8739.
Charnes, A. y W. Cooper (1961), Management model and industrial application

of linear programming, New York: Wiley.
Chen, C., C. Lin y S. Huang (2006), ✭✭A fuzzy approach for supplier evaluation
and selection in supply chain management✮✮, Int. J. Prod. Econ, 102, págs. 289–
301.
Choy, K. y W. Lee (2002), ✭✭Development of a case based intelligent custo-

mer–supplier relationship management system✮✮, Expert Systems with Applica-
tions.
Choy, K., W. Lee y V. Lo (2004), ✭✭An Enterprise Collaborative Management

SYSTEM – A Case Study of Supplier Relationship Management✮✮, Journal of
Enterprise Information Management, 17(3), págs. 191–207.
Christopher, M. (1998), Logistics & Supply Chain Management:Strategies for

Reducing Costs and Improving Services, London: Pitman Publishing.
Christopher, M. (2016), Logistics & Supply Chain Management, quinta edición,

FT Press.
Cook, R. (1997), ✭✭Case-based reasoning systems in purchasing: applications and

development✮✮, International Journal of Purchasing and Materials Management
Winter, págs. 32–39.
Council of Logistics Management (2003), ✭✭CLM Develops Supply Chain Ma-

nagement Definition✮✮, Logistics Comment.
Bibliografı́a 101
Council of Supply Chain Management Professionals (2018),

✭✭CSCMP Supply Chain Management Definitions✮✮, URL https:
//cscmp.org/CSCMP/Educate/SCM_Definitions_and_Glossary_of_Terms/
CSCMP/Educate/SCM_Definitions_and_Glossary_of_Terms.aspx?hkey=
60879588-f65f-4ab5-8c4b-6878815ef921.
Danziger, S., J. Levav y L. Avnaim-Pessoa (2011), ✭✭Extraneous factors in

judicial decisions✮✮, Proc Natl Acad Sci USA.
De Boer, L., E. Labro y P. Morlacchi (2001), ✭✭A review of methods suppor-

ting supplier selection✮✮, European Journal of Purchasing & Supply Management,
7, pág. 78–89.
Degraeve, L. E. y. R. F., Z. (2000), ✭✭An evaluation of vendor selection models

from a total cost of ownership perspective✮✮, Eur J Oper Res, 125(1), págs. 34–58.
Diaz-Balteiro, L., J. González-Pachón y C. Romero (2016), ✭✭Measuring

Systems Sustainability With Multi-Criteria Methods: A Critical Review✮✮, Euro-
pean Journal of Operational Research.
Dickson, G. (1966), ✭✭An analysis of vendor selection system and decisions✮✮, Journal
of Purchasing.
Ellram, L. (1993), ✭✭Total cost of ownership: elements and implementation.✮✮, J

Supply Chain Manag, 29(4), págs. 2–11.
Ertugrul, E. y M. Dursun (2014), ✭✭An integrated supplier selection metho-

dology incorporating QFD and DEA with imprecise data✮✮, Expert Systems with
Applications.
Faez, F., S. Ghodsypour y C. O’Brien (2009), ✭✭Vendor selection and order

allocation using an integrated fuzzy case-based reasoning and mathematical pro-
gramming model✮✮, International Journal of Production Economics, 121(2), págs.
398–408.
Bibliografı́a 102
Ganeshan, R. y T. Harrison (1995), ✭✭An Introduction to Supply Chain Mana-

gement✮✮, Department of Management Sciences and Information Systems.
Gartner (2013), ✭✭IT Glossary✮✮, URL http://www.gartner.com/it-glossary/

supply-chain-management-scm/.
Ghodsypour, S. y C. O’Brien (1998), ✭✭A decision support system for supplier

selection using an integrated analytic hierarchy process and linear programming✮✮,
Int. J. Production Economics, págs. 56–57.
Ghodyspour, S. y O’Brien (2001), ✭✭total cost of logistics in supplier selection,

under conditions of multiple sourcing, multiple criteria and capacity constraint✮✮,
International Journal of Production Economics.
Ghorabaee, M., E. Zavadskas, M. Amiri y A. Esmaeili (2016), ✭✭Multi-criteria

evaluation of green suppliers using an extended WASPAS method with interval
type-2 fuzzy sets✮✮, Journal of Cleaner Production.
Gibson, B., J. Mentzer y R. Cook (2005), ✭✭SUPPLY CHAIN MANAGEMENT:

THE PURSUIT OF A CONSENSUS DEFINITION✮✮, Journal of Business Logis-
tics.
Govinda, K., S. Rajendran, J. Sarkis. y P. Murugesan (2015), ✭✭Multi cri-

teria decision making approaches for green supplier evaluation and selection: a
literature review✮✮, Journal of Cleaner Production.
Group, A. (2006), ✭✭Global Supply Chain Benchmark Report✮✮, .
Groupe Meloche Inc. (2011), ✭✭Supplier performance rating system✮✮, URL

https://www.melocheinc.com/documents/mesure_performance_en.pdf.
Harmon-Jones, E. y J. Mills (1999), Cognitive Dissonance: Progress on a Pivotal

Theory in Social Psychology, Washington, DC: Am Psychol Assoc.
Bibliografı́a 103
Hassanzadeh, S., J. Razmi y G. Zhang (2011), ✭✭Supplier selection and order

allocation based on fuzzy SWOT analysis and fuzzy linear programming✮✮, Expert
Systems with Applications, 38(1), págs. 334–342.
Heaton, J. (2008), Introduction to Neural Networks for Java, segunda edición,

Heaton Research.
Hinkle, C., P. Robinson y P. Green (1969), ✭✭Vendor evaluation using cluster

analysis✮✮, Journal of Purchasing, 5(3), págs. 49–58.
Ho, W., X. Xu y P. Dey (2010), ✭✭Multi-criteria decision making approaches for

supplier evaluation and selection: A literature review✮✮, European Journal of Ope-
rational Research.
Hurwitz, J. y D. Kirsch (2018), Machine Learning For Dummies, Hoboken: John

Wiley & Sons.
Hwang, C. y K. Yoon (1981), Multiple attribute decision making: methods and

applications, New York: Springer-Verlag.
Šimunovic, K., G. Šimunovic y Šaric (2009), ✭✭Application of Artificial Neural

Networks to Multiple Criteria Inventory Classification✮✮, Strojarstvo, 51(4), págs.
313–321.
Jain, A. (2010), ✭✭Data clustering: 50 years beyond K-means✮✮, Pattern Recognition

Letters, 31(8), págs. 651–666.
Jain, J., G. Dangayach, G. Agarwal y S. Banerjee (2010), ✭✭Supply Chain

Management: Literature Review and Some Issues✮✮, Journal of Studies on Manu-
facturing.
Joshi, D., A. y Kumar (2015), ✭✭Likert Scale: Explored and Explained.✮✮, Current
Journal of Applied Science and Technology, págs. 396–403.
Bibliografı́a 104
Jung, Y., M. Kang y J. Heo (2014), ✭✭Clustering performance comparison using

K-means and expectation maximization algorithms✮✮, Biotechnology & Biotechno-
logical Equipment, 28(1), págs. 44–48.
Kahneman, D. (2011), Thinking, Fast and Slow, New York: Farrar, Straus & Gi-
roux.
Kahneman, D. y A. Tversky (2000), Choices, values, and frames, New York :

Russell sage Foundation ; Cambridge, UK : Cambridge University Press.
Kahraman, C., U. Cebeci y D. Ruan (2004), ✭✭Multi-attribute comparison ofca-

tering service companies using fuzzy AHP: The case of Turkey✮✮, Int. Journal of
Production Economics, 87, págs. 171–184.
Kanagaraj, G., S. Ponnambalam y N. Jawahar (2014), ✭✭Reliability-based

total cost of ownership approach for supplier selection using cuckoo-inspired hybrid
algorithm✮✮, International Journal of Advanced Manfacturing Tecnology, 84, págs.
801–816.
Kannan, D., R. Khodaverdi, L. Olfat, A. Jafarian y A. Diabat (2013),

✭✭Integrated fuzzy multi criteria decision making method and multiobjective pro-
gramming approach for supplier selection and order allocation in a green supply
chain✮✮, Journal of Cleaner Production, 47, págs. 355–367.
Keith, O. y M. Webber (1982), ✭✭Supply-Chain Management: Logistics Catches

Up with Strategy✮✮, .
Kilincchi, O. y S. Onal (2011), ✭✭Fuzzy AHP approach for supplier selection in

a washing machine company✮✮, Expert Systems with Applications, 38, págs. 9656–
9664.
Kilincci, O. y A. Onal (2011), ✭✭Fuzzy AHP approach for supplier selection

in a washing machine company✮✮, Expert Systems with Applications, 38, pág.
9656–9664.
Bibliografı́a 105
Kou G., G., Peng Y. y Wang (2014), ✭✭Evaluation of clustering algorithms for
financial risk analysis using MCDM methods✮✮, 275(10), págs. 1–12.
Kozlenkova, I., T. Hult, D. Lund y P. Kekec (2016), ✭✭The Role of Marketing

Channels in Supply Chain Management✮✮, Journal of Retailing.
Kriesel, D. (2005), A Brief Introduction to Neural Networks.
Kumar, A. (2015), ✭✭A hybrid group decision support system for supplier selection
usinganalytic hierarchy process, fuzzy set theory and neural network✮✮, Journal of
Computational Science, 6, págs. 23–33.
Kumar, J. y N. Roy (2010), ✭✭A hybrid method for vendor selection using neural
network✮✮, International Journal of Computer Applications, 11(12), págs. 35–40.
Kwong, C. (2013), ✭✭Determining the importance weights for the customer require-
ments in QFD using a fuzzy AHP with extent analysis approach.✮✮, IEE transac-
tions, págs. 619–626.
Lee, C. y C. Ou-Yang (2009), ✭✭A neural networks approach for forecasting the
supplier’s bid prices in supplier selection negotiation process✮✮, Expert Systems with
Applications, 36(2), págs. 2961–2970.
Li, Q. (2009), ✭✭An ANN pruning algorithm based approach to vendor selection✮✮,
Kybernetes, 38(3/4), págs. 314–320.
Likert, R. (1932), ✭✭A technique for the measurement of attitudes✮✮, Archives of

Psychology, 22(140), págs. 5–55.
Lio, C. y H. Kao (2010), ✭✭Supplier selection model using Taguchi loss function,
analytical hierarchy process and multi-choice goal programming✮✮, Computers &
Industrial Engineering, 58(4), págs. 571–577.
Lio, J., F. Ding y V. Lall (2000), ✭✭sing data envelopment analysis to compa-
re suppliers for supplier selection and performance improvement✮✮, Supply Chain
Management: An International Journal, 5(3), págs. 143–150.
Bibliografı́a 106
M., N., O. Bin Ibrahim, N. Ithnin y N. Sarmin (2015), ✭✭A multicriteria colla-
borative filtering recommender system for the tourism domain using Expectation
Maximization (EM) and PCA–ANFIS✮✮, Electronic Commerce Research and Ap-
plications, 14(6), págs. 542–562.
Martı́nez, L. (2018), ✭✭Elección de un canal de distribución en el extranjero para

una PyME de comercio eletrónico✮✮, .
McCulloch, W. y W. Pitts (1943), ✭✭A Logical Calculus of Ideas Immanent in

Nervous Activity✮✮, Bulletin of Mathematical Biophysics, 5(4), págs. 115–133.
McKinsey (2009), ✭✭How companies make good decisions: McKin-

sey Global Survey Results✮✮, URL https://www.mckinsey.com/
business-functions/strategy-and-corporate-finance/our-insights/
how-companies-make-good-decisions-mckinsey-global-survey-results.
Mentzer, J., V. DeWitt, K. Keebler, S. Min, N. Nix y C. Smith (2001),

✭✭Defining Supply Chain Management✮✮, Journal of Business Logistics.
Mohammed, A., I. Harris, A. Soroka, N. Mohamed y T. Ramjaun

(2018), ✭✭Evaluating Green and Resilient Supplier Performance: AHP-Fuzzy Topsis
Decision-Making Approach✮✮, Proceedings of the 7th International Conference on
Operations Research and Enterprise Systems (ICORES 2018).
Monczka, R., R. Handfield, L. Giunipero y J. Patterson (2016), Purchasing

and Supply Chain Management, 6th Edition.
Muralidharan, C., N. Anantharaman y S. Deshmukh (2001), ✭✭Vendor rating

in purchasing scenario: A confidence interval approach✮✮, International Journal of
Operations & Production Management, 21(10), pág. 305–1325.
Nielsen, I., N. Banaeian, P. Golinstka, H. Mobli y M. Omit (2014), Green

Supplier Selection Criteria: From a Literature Review to a Flexible Framework for
etermination of Suitable Criteria.
Bibliografı́a 107
Novack, R. y S. Simco (1991), ✭✭The industrial procurement: process: a supply

chain perspective✮✮, Journal of Business Logistics.
Pal, O., A. Gupta y R. Garg (2013), ✭✭Supplier Selection Criteria and Methods in
Supply Chains: A Review✮✮, International Journal of Economics and Management
Engineering.
Park, S. y J. Lee (2017), ✭✭Supplier selection and stepwise benchmarking: a new

hybrid model using DEA and AHP based on cluster analysis✮✮, Journal of the
Operational Research Society.
Pi, W. y C. Low (2006), ✭✭upplier evaluation and selection via Taguchi loss fun-
ctions and an AHP✮✮, International Journal of Advanced Manufacturing Techno-
logy, 27(5-6), págs. 625–630.
Piqueras, V. (2017), ✭✭¿Qué es y para qué sirve una red neuronal

artificial?✮✮, URL https://victoryepes.blogs.upv.es/2017/01/07/
que-es-y-para-que-sirve-una-red-neuronal-artificial/.
Pohekar, S. y M. Ramachandra (2004), ✭✭Application of multi-criteria decision

making to sustainable energy planning - A review✮✮, Renewable and Sustainable
Energy Reviews.
Ramanathan, R. (2007), ✭✭Supplier selection problem: integrating DEA with the

approaches of total cost of ownership and AHP✮✮, Supply Chain Management: An
International Journal, 12(4), págs. pp.258–261.
Real Academia Española (2018), ✭✭Defı́nición logı́stico✮✮, URL http://dle.rae.

es/srv/fetch?id=NZJWMiV.
Robinson, A. (2015), ✭✭The Evolution and History of Supply

Chain Managemen✮✮, URL https://cerasis.com/2015/01/23/
history-of-supply-chain-management/.
Romero, C. (2001), ✭✭Extended lexicographic goal programming: A unifying ap-

proach.✮✮, Omega, 29, págs. 63–71.
Bibliografı́a 108
Saaty, T. (1980), The analytic hierarchy process, New York: McGraw-Hill.
Saaty, T. (1996), Decision Making with Dependence and Feedback the Analytic
Network Process, Pittsburgh: RWS.
Saaty, T. (2008), ✭✭Decision making with the analytic hierarchy process✮✮, Interna-
tional Journal of Service Sciences, 1(1).
Santos, L. y A. Rosati (2015), ✭✭The Evolutionary Roots of Human Decision

Making✮✮, Annual review of psychology.
Scott, C. y R. Westbrook (1991), ✭✭New Strategic Tools for Supply Chain Mana-
gement✮✮, International Journal of Physical Distribution & Logistics Management.
Segura, M. y C. Maroto (2017), ✭✭A multiple criteria supplier segmentation using

outranking and value function methods.✮✮, Expert Systems with Applications, 69,
págs. 87–100.
Seifollahi, A. T., S. y P. Golbazi (2013), ✭✭Artificial Neural Network and Analy-

tical Hierarchy Process Integration: A tool to estimate the success of knowledge
management implementation✮✮, Signal Processing, Computing and Control.
Shabanpour, H., S. Yousefi y R. Saen (2016), ✭✭Forecasting efficiency of green

suppliers by dynamic data envelopment analysis and artificial neural networks✮✮,
Journal of Cleaner Production, 1(10).
Stock, J. y S. Boyer (2009), ✭✭Developing a consensus definition of supply chain

management: A qualitative study✮✮, International Journal of Physical Distribution
& Logistics Management.
Taghizadeh, H. y M. Ershadi (2013), ✭✭Selection in Supply Chain with Combined

QFD and ANP Approaches (Case study)✮✮, Research Journal of Recent Sciences,
2(6), págs. 66–76.
Bibliografı́a 109
Tang, S., N. Hakim, W. Khaksar, M. Ariffin, S. Sulaiman y P. Pah (2013),

✭✭A Hybrid Method using Analytic Hierarchical Process and Artificial Neural Net-
work for Supplier Selection✮✮, International Journal of Innovation, Management
and Technology, 4(1).
Taylor, F. (1911), The Principles of Scientific Management, New York and Lon-
don: Harper & Brothers.
Tepić, J., I. Tanackov y G. Stojić (2011), ✭✭Ancient Logistics - Historial timeline

and etymology✮✮, Technical Gazette.
Towill, D., N. Naim y J. Wikner (1992), ✭✭Industrial Dynamics Simulation Mo-

dels in the Design of Supply Chains✮✮, International Journal of Physical Distribu-
tion and Logistics Management.
Universidad Autónoma de Nuevo León, H. C. U. (1995), Manual de estilo

para presentación de tesis de posgrado (UANL), Universidad Autónoma de Nuevo
León.
Van Weele, A. (2009), Purchasing and Supply Chain Management: Analysis, Stra-
tegy, Planning and Practice.
Wang, J., J. Wang, Chen, H. Zhang y X. Chen (2014), ✭✭An outranking ap-
proach for multi-criteria decision-making with hesitant fuzzy linguistic term sets✮✮,
Information Sciences, 280, págs. 338–351.
Weber, C. (1996), ✭✭A data envelopment analysis approach to measing vendor per-
formance✮✮, Supply Chain Management, 1(1), págs. 28–30.
Weber, C., J. Current y W. Benton (1991), ✭✭Vendor selection criteria and

methods✮✮, European Journal of Operational Research.
Weber, C. y L. Ellram (1993), ✭✭Supplier Selection Using Multi-objective Pro-

gramming: A Decision Support System Approach✮✮, International Journal of Phy-
sical Distribution & Logistics Management, 23(2), págs. 3–14.
Bibliografı́a 110
Yegnanarayana, B. (2004), Artificial Neural Networks, Prentice-Hall of India

Pvt.Ltd.
Zadeh, L. (1965), ✭✭Fuzzy Sets✮✮, Information and control, págs. 338–353.
Zhang, Z. y K. Friedrich (2003), ✭✭Artificial neural network applied to polymer

composites: a review✮✮, Computer Science Technology, págs. 2029–2044.
Zhao, K. y X. Yu (2011), ✭✭A case based reasoning approach on supplier selection

in petroleum enterprises✮✮, Expert Systems with Applications, 38(6), págs. 6839–
6847.
Zubar, A. y P. Parthiban (2014), ✭✭Analysis of supplier selection methods th-

rough conceptual module and empirical study✮✮, International Journal of Logistics
Systems and Management.
Resumen autobiográfico
Benedikt Stefan Schuierer
Candidato para obtener el grado de

Maestrı́a en Logı́stica y Cadena de Suministro
Universidad Autónoma de Nuevo León

Facultad de Ingenierı́a Mecánica y Eléctrica
Tesis:
Desarrollo de un modelo para la evaluación de
proveedores en la industria automotriz
El 23 de enero de 1994, Benedikt Stefan Schuierer nace como segundo hijo de

Maria Silvia y Michael Wilibald Schuierer en la ciudad de Schwandorf en el nores-
te del estado de Baviera en Alemania. Después de haber concluido la preparatoria,
ingresó al programa de Estudios Empresariales Europeos de la Universidad de Cien-
cias Aplicadas Aachen (Alemania) con una estancia académica en Jaén, España.
Además, es egresado de la Licenciatura en Gestión de la Cadena de Suministro y
Compras de la Escuela de Negocios Rennes (Francia). Cuenta con experiencia en la
industria automotriz en las áreas de diseño de la cadena de suministro, planeación
de la producción, tecnologı́as de información y gestión del cambio.

Universidad Autónoma de Nuevo León: Facultad de Ingeniería Mecánica Y Eléctrica

Cargado por

Copyright:

Formatos disponibles

Universidad Autónoma de Nuevo León: Facultad de Ingeniería Mecánica Y Eléctrica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Universidad Autónoma de Nuevo León: Facultad de Ingeniería Mecánica Y Eléctrica

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN

FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA

DESARROLLO DE UN MODELO PARA LA

BENEDIKT STEFAN SCHUIERER

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

DESARROLLO DE UN MODELO PARA LA

BENEDIKT STEFAN SCHUIERER

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

SAN NICOLÁS DE LOS GARZA, NUEVO LEÓN, MÉXICO AGOSTO, 2019

1.1. Descripción del problema . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2.1. Objetivos generales . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2.2. Objetivos especı́ficos . . . . . . . . . . . . . . . . . . . . . . . 2

1.6. Caso de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.6.2. Descripción del proceso . . . . . . . . . . . . . . . . . . . . . . 6

1.7. Estructura de tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1. La toma de decisiones en la cadena de suministro . . . . . . . . . . . 9

2.1.1. El proceso de toma de decisiones . . . . . . . . . . . . . . . . 9

2.1.2. La cadena de suministro . . . . . . . . . . . . . . . . . . . . . 11

2.2. La evaluación y selección de proveedores como proceso de toma de

2.2.1. El papel de la evaluación y selección de proveedores . . . . . . 15

2.2.2. Criterios de evaluación . . . . . . . . . . . . . . . . . . . . . . 17

2.3. Técnicas para la evaluación de proveedores . . . . . . . . . . . . . . . 20

2.3.1. Revisión de los métodos usados en la literatura . . . . . . . . 20

2.3.2. Proceso analı́tico jerárquico . . . . . . . . . . . . . . . . . . . 28

2.3.3. Redes neuronales artificiales . . . . . . . . . . . . . . . . . . . 32

2.4. Aplicación en la industria . . . . . . . . . . . . . . . . . . . . . . . . 38

3.1. Selección del método . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.2. Diseño de la herramienta . . . . . . . . . . . . . . . . . . . . . . . . . 49

3.3. Aplicación y verificación de la herramienta . . . . . . . . . . . . . . . 50

3.4. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.1.1. Definición de criterios . . . . . . . . . . . . . . . . . . . . . . . 51

4.1.3. Cálculos y resultados del AHP . . . . . . . . . . . . . . . . . . 55

4.1.4. Valores de los criterios . . . . . . . . . . . . . . . . . . . . . . 61

4.1.5. Priorización de proveedores . . . . . . . . . . . . . . . . . . . 63

5. Análisis de los resultados 69

5.2.2. Recomendaciones para la aplicación de ANN al VSP . . . . . 75

6.1. Conclusiones generales . . . . . . . . . . . . . . . . . . . . . . . . . . 77

6.3. Contribuciones y trabajo futuro . . . . . . . . . . . . . . . . . . . . . 81

6.3.2. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . 82

A.1. Estructura y resultados del Cuestionario . . . . . . . . . . . . . . . . 83

A.2. Priorización de proveedores . . . . . . . . . . . . . . . . . . . . . . . 88

1.1. Estructura de la metodologı́a . . . . . . . . . . . . . . . . . . . . . . 4

2.1. Clasificación de modelos de evaluación . . . . . . . . . . . . . . . . . 21

2.2. Estructura general del árbol jerárquico . . . . . . . . . . . . . . . . . 29

2.3. Un número difuso triangular . . . . . . . . . . . . . . . . . . . . . . . 31

2.4. Ciclo de aprendizaje automatizado . . . . . . . . . . . . . . . . . . . 33

2.5. Arquitectura de una red de propagación hacia atrás . . . . . . . . . . 34

2.6. Modelo de una estructura neuronal . . . . . . . . . . . . . . . . . . . 36

2.7. Árbol jerárquico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.1. Representación visual de la metodologı́a propuesta . . . . . . . . . . . 42

3.2. Intersección entre M̃1 y M̃2 . . . . . . . . . . . . . . . . . . . . . . . 46

4.1. Árbol jerárquico con objetivo, criterios y subcriterios . . . . . . . . . 53

4.2. Ejemplo de una pregunta del cuestionario . . . . . . . . . . . . . . . . 54

4.3. Estructura general de la red neuronal . . . . . . . . . . . . . . . . . . 65

5.1. Árbol jerárquico con los valores de los criterios . . . . . . . . . . . . . 70

5.2. Priorización de proveedores . . . . . . . . . . . . . . . . . . . . . . . 71

5.3. Proveedores priorizados por categorı́a . . . . . . . . . . . . . . . . . . 72

5.4. Variación porcentual de los resultados de Scoring y FAHP . . . . . . 73

5.5. Errores porcentuales por número de neuronas ocultas . . . . . . . . . 74