Modelos y Simulación Proyecto - GRUPO 1

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS
Desarrollo de un modelo de simulación de pedidos en la Industria del

E-Grocery en la ciudad de Lima Metropolitana
Curso:
Modelos y Simulación
Docente:
Puelles Bulnes, María Elizabeth
GRUPO 1
Integrantes:
❖ Hernández Valenzuela, Andres Gonzalo (ORCID: 0000-0002-3407-8194)
❖ Luján Agüero, José María (ORCID: 0000-0002-7129-5374)
❖ Mejía Carrasco, Marlo Gabriel (ORCID: 0009-0005-1376-4450)
❖ Rezza Valencia, Francesca Renee (ORCID: 0009-0000-4144-8969)
Lima, Perú
2024
UNMSM Facultad de Ingeniería de Sistemas e Informática
ÍNDICE
I. INTRODUCCIÓN.....................................................................................................3
II. DESCRIPCIÓN DEL CASO.................................................................................. 4
A. Análisis y diagnóstico del escenario actual..........................................................4
B. Explicación del caso a estudiar.............................................................................6
C. Objetivo de la simulación..................................................................................... 7
D. Justificación e importancia...................................................................................7
E. Revisión de la literatura........................................................................................ 8
F. Definición de variables........................................................................................12
III. PREPARACIÓN DE LOS DATOS.................................................................... 12
A. Base de datos...................................................................................................... 12
B. Identificador de distribución de probabilidad.....................................................16
C. Generador de números pseudoaleatorios............................................................22
Verificación de datos..........................................................................................23
D. Generador de distribución de probabilidad a utilizar......................................... 26
IV. CONSTRUCCIÓN DEL MODELO DE SIMULACIÓN................................. 29
A. Mecanismo de los Eventos discretos..................................................................29
B. Primer Escenario de Simulación.........................................................................31
1) Enunciado, Objetivo y variables a considerar............................................... 31
2) Simular con “n” corridas apropiadas y “r” réplicas (mayor a 30) -
Distribución N................................................................................................... 31
3) Gráfica de Welch........................................................................................... 36
4) Análisis de Resultados - Métodos de Observación....................................... 38
C. Segundo Escenario de Simulación..................................................................... 40
1) Enunciado, Objetivo y variables a considerar............................................... 40
2) Simular las corridas y réplicas.......................................................................40
D. Comparación de los Escenarios..........................................................................45
1) Resumen de los escenarios............................................................................ 45
2) Aplicación de T - Paired Test o Two - Sample Test...................................... 45
3) Diagrama de cajas......................................................................................... 46
4) Simulación en Arena o Promodel e interpretación estadística de resultados
(antes y después)................................................................................................49
5) Conclusión.....................................................................................................50
E. Diagrama TO-BE del mejor escenario e interpretación......................................51
1) Problema presentado..................................................................................... 51
2) Propuesta de mejora (escenario ganador)......................................................52
3) Diagrama TO-BE...........................................................................................54
4) Evaluación de costos o beneficios incluyendo porcentajes de antes y después
Ingeniería de Sistemas 2 Modelos y Simulación

56
V. DISCUSIONES Y RESULTADOS........................................................................56
Resultados..........................................................................................................57
VI. CONCLUSIONES................................................................................................ 58
VII. REFERENCIAS BIBLIOGRÁFICAS..............................................................59

I. INTRODUCCIÓN
En la actualidad,el e-commerce ha transformado significativamente nuestra forma de
comprar, permitiendo el acceso a una variedad de productos y servicios a través de
plataformas online. El "e-grocery" (Rappi, Plaza Vea online, Wong online, Vivanda ,
etc) emerge como una modalidad atractiva dentro del comercio electrónico,
especialmente en el sector de comestibles, facilitando a los consumidores realizar sus
compras sin la necesidad de visitar físicamente los supermercados tradicionales.
“El comercio minorista de comestibles en línea, también conocido como “e-grocery”,

es un tipo de comercio electrónico de empresa a consumidor que ha tenido un gran
crecimiento en la última década y se espera que siga creciendo en los próximos
años”. (Mortimer, Fazal, Hassan, Andrews, & Martin, 2016).
En Lima Metropolitana, esta industria está en crecimiento, con grandes cadenas de

supermercados que ofrecen servicios limitados de e-grocery y un número creciente de
pequeños negocios que buscan captar este mercado con servicios más ágiles y
personalizados. Sin embargo, estos nuevos actores enfrentan desafíos operativos
significativos, como la gestión eficiente de pedidos, tiempos de entrega optimizados y
asignación adecuada de recursos humanos y logísticos.
El objetivo de este trabajo de investigación es analizar el comportamiento de la

demanda del e-grocery a través de un modelo de simulación específico para pequeñas
empresas del sector y evaluar si la variable tiempo de servicio guarda relación
directa con la cantidad de productos que el cliente solicita a fin de tener un
análisis más específico de dicha variable, que es una de las recomendaciones que
indica dicha tesis que estamos usando como base.

II. DESCRIPCIÓN DEL CASO

A. Análisis y diagnóstico del escenario actual
Hoy en día, el e-grocery es habitual entre los ciudadanos de Lima.
"Uno de los datos más interesantes muestra que el 72% de los encuestados realizó
compras por internet en el último año. En dicho período, los limeños de entre 25 y 44
años, de los niveles socioeconómicos AB y C1, fueron los que más compras
realizaron" (Forbes Perú, 2023).
Esto nos indica que la mayoría de personas que hacen e-grocery son adultos jóvenes
ya que estas compras llegan directos a sus hogares o pueden escoger donde
recogerlas.
Proceso de pedidos E-grocery :
Diagrama de Procesos del pedido de e-grocery en Lima Metropolitana. Fuente propia,

basado en: Desarrollo de un modelo de simulación de pedidos en la industria del
e-grocery en la ciudad de Lima Metropolitana(Díaz Cortez & Moreno Alcántara,
2019).

Flujograma del proceso de e-grocery. Fuente: Elaboración propia
Estructuras típicas de sistemas de colas: una línea, múltiples servidores. Elaboración

propia, basado en: Leandro, Gabriel. (2018). Líneas de espera: Teoría de colas.
Recuperado de www.auladeeconomia.com.

B. Explicación del caso a estudiar

El caso a estudiar se basa en el estudio de un modelo de simulación de pedidos para la
industria e-grocery para negocios pequeños en la ciudad de Lima Metropolitana.
En la tesis base que estamos analizando nos mencionan esto :"Para futuras
investigaciones, recomendamos evaluar si la variable tiempo de servicio guarda
relación directa con la cantidad de productos que el cliente solicita a fin de tener un
análisis más específico de dicha variable" (Díaz Cortez & Moreno Alcántara, 2019).
Es por ello que vamos a partir de ese punto separando la base de datos en dos
escenarios a partir de la cantidad de productos (Escenario 1 será los pedidos que
tengan cantidad de productos del 1 al 6 y el escenario 2 serán los pedidos que tenga
cantidad de productos del 7 al 35)
C. Objetivo de la simulación
El principal objetivo de esta simulación es desarrollar un modelo de pedidos que
pueda ser aplicado en las empresas de e-grocery y evaluar si la variable tiempo de
servicio guarda relación directa con la cantidad de productos que el cliente solicita.
Este modelo permitirá comprender mejor el comportamiento de la demanda y
optimizar el uso de recursos, mejorando así la eficiencia operativa con una nueva
segmentación que podría ser utilizado como un sistema de “Caja rápida” y por ende
mejorar los tiempos de servicio.
Esta simulación ayudará a evaluar si el modelo proporciona una comprensión precisa

del comportamiento de la demanda, permitiendo a las empresas ajustar sus estrategias
para satisfacer mejor las necesidades de sus clientes. También se medirá y analizará
los tiempos de servicio actuales en la entrega de pedidos separándolas por la cantidad
de producto que el cliente solicitó.
Además, se probará distintos intervalos de tiempo entre llegadas de pedidos para

entender cómo varía la demanda en diferentes escenarios, ayudando a planificar mejor
los recursos necesarios para atender dicha demanda de manera eficiente.

D. Justificación e importancia
El estudio se basa en negocios pequeños debido a que estos son los que la población
más utiliza al momento de hacer e-grocery.
"El número de comercios que venden en línea se ha mantenido relativamente estable;
sin embargo, destacó el crecimiento exponencial de emprendedores que venden a
través de redes sociales como TikTok o Instagram, conversan por WhatsApp y
finalmente cobran mediante una billetera digital" (Gestión, 2023).
Esto se debe a que los negocios pequeños hacen delivery instantáneo mientras que los
negocios grandes tienen un sistema de recojo en tienda o el delivery demora más de lo
deseado.
Esta simulación busca proporcionar un marco práctico y analítico que ayude a las
pequeñas empresas de e-grocery en Lima Metropolitana a mejorar sus procesos de
toma y entrega de pedidos, diferenciándose de las grandes cadenas de supermercados
y aumentando su competitividad en el mercado.
E. Revisión de la literatura
Algunos estudios relacionados a nuestro trabajo y que nos brindan una perspectiva de
puntos relevantes sobre nuestra tesis:
1. Barzola Velasquez, Y. L., Liu, S., & Rios Gamarra, R. O. (2023). Mejora en el
diseño de la cadena logística del e-commerce en Perú: El caso de los
productos electrónicos procedentes de China y EE. UU [Tesis de maestría,
Universidad ESAN]. Repositorio de la Universidad ESAN.
https://repositorio.esan.edu.pe/server/api/core/bitstreams/0ab0a878-b265-4a4a
-b9f3-e20a7aeb3566/content
Se investiga y propone mejoras en la cadena logística del e-commerce para

productos electrónicos importados de China y EE.UU. en Perú, con el objetivo
de mejorar la eficiencia en la entrega y reducir los costos logísticos para los
consumidores. Este estudio incluye un análisis minucioso de las plataformas
de envío internacional, las variaciones logísticas entre Lima y otras zonas del
Perú, y la aplicación de estrategias para optimizar estos procesos operativos.

2. Durand Yufra, K. del R. (2015). Uso de teoría de colas para simular el

proceso de atención psicológica a estudiantes en la Universidad Nacional
Jorge Basadre Grohmann (Tesis de pregrado, Universidad Nacional Jorge
BasadreGrohmann).
https://repositorio.unjbg.edu.pe/server/api/core/bitstreams/d55a4918-24fd-445
4-a16c-0afbc79524ed/content
Este estudio proporciona una visión detallada sobre la simulación y la teoría

de colas aplicadas a servicios específicos. Se enfoca en el proceso de atención
psicológica en la Universidad Nacional Jorge Basadre Grohmann (UNJBG),
utilizando la teoría de colas para modelar y mejorar la gestión del flujo de
atención a estudiantes de diferentes niveles académicos. Se subraya la
importancia de comprender y optimizar eficientemente los tiempos de llegada,
espera, servicio y permanencia en el sistema de atención psicológica
universitaria mediante el análisis de datos históricos para establecer
distribuciones y tasas promedio pertinentes.
3. Torres León, M. S. (2022). Análisis de la situación actual del e-commerce de

los supermercados que afecta la experiencia de compra del consumidor en
Lima Metropolitana [Tesis de licenciatura,Universidad de Lima]. Repositorio
de la Universidad de Lima.
https://repositorio.ulima.edu.pe/bitstream/handle/20.500.12724/17426/T018_7
0356386_T.pdf?sequence=1&isAllowed=y
En esta tesis se investiga la situación actual del e-commerce de supermercados

en Lima Metropolitana además se examinan las estrategias necesarias para su
desarrollo, con un enfoque en cómo estas afectan la experiencia de compra de
los consumidores.
4. Vilchez Solano, D., & Vilchez Solano, E. (Eds.). (2023). Simulación de

Sistemas de Colas para Optimizar el Servicio al Cliente en el Sector de
Restaurantes (Vol. 10, No. 2). Rev. INGENIERÍA: Ciencia, Tecnología e
Innovación.
https://doi.org/10.26495/icti.v10i2.2651

Este artículo muestra cómo la simulación de sistemas de colas puede mejorar

el servicio al cliente en restaurantes. A través de una revisión de 393 estudios,
se encontró que esta técnica ayuda a comprender mejor los problemas
operativos y tomar decisiones informadas sobre la gestión de recursos. En
2022, se incrementaron las publicaciones científicas sobre este tema,
destacándose investigaciones de China, Estados Unidos y Canadá. En
resumen, la simulación de colas es una herramienta efectiva para optimizar la
eficiencia y la satisfacción del cliente en el sector de restaurantes.
5. Delgado Herrera, D. D., & Ruiz Lopez, A. B. (2020). Análisis del desarrollo
del comercio electrónico y su relación teórica con la satisfacción de los
clientes de tiendas por departamento en Lima en la actualidad [Tesis de
bachillerato,Pontificia Universidad Católica del Perú]. Repositorio de la
PUCP.
https://tesis.pucp.edu.pe/repositorio/bitstream/handle/20.500.12404/19432/DE
LGADO_HERRERA_RUIZ_LOPEZ.pdf?sequence=1&isAllowed=y
Esta tesis analiza cómo el comercio electrónico ha influido en la satisfacción

de los clientes en el sector retail, específicamente en tiendas por departamento
en Lima. Se enfoca en entender cómo las estrategias digitales están alineadas
con las necesidades de los consumidores, y cómo la satisfacción del cliente
puede llevar a la fidelización y diferenciación en un mercado competitivo.
6. Chipana Loo, A. S. (2022). Simulación de sistemas aplicada al diseño del

plan estratégico de marketing para el incremento de ventas en un e-commerce
de seguros [Tesis de licenciatura, Universidad Nacional Mayor de San
Marcos]. Repositorio Institucional de Tesis Electrónicas UNMSM.
https://cybertesis.unmsm.edu.pe/item/986cdfd1-29d7-449c-8245-c136557a34
7b
Esta tesis busca cómo aplicar la simulación de sistemas para diseñar un plan
estratégico de marketing destinado a incrementar las ventas en un e-commerce
especializado en seguros. Se enfoca en Socorro.PE, un bróker de seguros en
línea que busca expandir su oferta de productos y mejorar la eficiencia de sus
procesos de ventas. El estudio aborda la optimización de la estructura
organizacional, el uso de tecnologías como APIs para automatizar procesos y

estrategias de marketing digital para captar y retener clientes en un mercado
competitivo.
7. Bellido Gazzo, N. J., & Rivera de la Cruz, K. F. (2020). Factores que

intervienen en la adopción del comercio electrónico de productos comestibles
de los supermercados [Tesis de bachiller, Pontificia Universidad Católica del
Perú]. Repositorio de la Universidad Católica del Perú.
https://tesis.pucp.edu.pe/repositorio/bitstream/handle/20.500.12404/19407/BE
LLIDO_GAZZO_RIVERA_DE_LA_CRUZ%20%283%29.pdf?sequence=1&
isAllowed=y
En esta tesis se analiza los factores que influyen en la adopción de comercio

electrónico y estudia las principales barreras y motivadores para la compra
online,destacando la confianza y conveniencia.
8. Aliaga Castro, D. & Flores Acuña,W. R. (2017). Influencia del e-commerce en

el desempeño de las Mypes del sector textil peruano en el emporio comercial
de Gamarra [Tesis de licenciatura, Universidad San Ignacio de Loyola].
Repositorio de la Universidad San Ignacio de Loyola
https://repositorio.usil.edu.pe/server/api/core/bitstreams/28d60261-a857-4741-
a951-e14a8b80b537/content
En esta tesis se investiga cómo el comercio electrónico afecta las Mypes del
sector textil, se ve una mejora significativa en las ventas y competitividad de
las empresas.
9. Acosta, E. O. (2023). E-commerce y su relación con la intención de compra en

los clientes de una empresa retail en Trujillo,2022 [Tesis de licenciatura,
Universidad Privada del Norte]. Repositorio de la Universidad Privada del
Norte.
https://hdl.handle.net/11537/35505

En esta tesis se concluye que el comercio influye positivamente en la intención

de compra destacando factores como la facilidad de uso y seguridad en las
transacciones
10. Milla Falla, J. L. (2017). Aplicación de la teoría de Colas para reducir el

tiempo de espera de los clientes en el área de Hipermercados Tottus [Tesis de
bachiller, Universidad César Vallejo]. Repositorio Institucional de la
Universidad César Vallejo.
https://repositorio.ucv.edu.pe/bitstream/handle/20.500.12692/17098/Milla_FJ
L-SD.pdf?sequence=1&isAllowed=y
Esta tesis demuestra que la implementación de colas optimiza el flujo de

clientes y mejora significativamente la experiencia de compra, presentando
estrategias específicas para reducir los tiempos de espera.
F. Definición de variables
Las variables que se analizarán serán las siguientes:
Variables Descripción Indicadores
Es el tiempo que
Tiempo de servicio demora desde que el Tiempo que tarda
(cuantitativa cliente ingresa su un cliente en ser
continua) pedido hasta que el atendido.
pedido es entregado.
Tiempo entre Es el tiempo que

Independientes Tiempo que tarda
llegadas demora en entrar un
un pedido en llegar
(cuantitativa pedido en relación al
tras el último
continua) último que entró.
Número de
Es la cantidad de drivers Número de drivers
servidores
que se tienen asignados asignados por
(cuantitativa
por zona geográfica zonas
discreta)

Cabe recalcar que cada variable se analizará de acuerdo a su escenario que le

corresponde.
III. PREPARACIÓN DE LOS DATOS

A. Base de datos
Para la base de datos, tenemos los datos de 322 pedidos entre los meses de mayo y
junio, donde se muestran los tiempos entre llegada y servicio que se van a analizar.
Elaboración propia. (2024). Extracto de base de datos de pedidos de empresas e-grocery.

Basado en: Díaz Cortez, G. S., & Moreno Alcántara, G. G. (2019). Desarrollo de un modelo
de simulación de pedidos en la industria del e-grocery en la ciudad de Lima Metropolitana.
• Columna “#” → Denota el número de cada uno de los pedidos de la base de datos.
• Columna “FECHA” → Muestra la fecha en la que se concretó la venta, es decir la
fecha en la que entró el pedido a la base de datos.
• Columna “DIA SEMANA” → Indica el día de la semana, entre lunes y domingo,
que corresponde a la fecha establecida en el pedido.
• Columna “MES” → Señala el mes del año que corresponde con la fecha de ingreso
del pedido.

• Columna “DISTRITO CLIENTE” → Expresa el distrito o el lugar final de la

entrega, está basado en lo indicado por el cliente.
• Columna “DISTRITO EMPRESA” → Expresa el lugar o distrito de dónde salió
el pedido, basado en la tienda donde se adquirió.
• Columna “COSTO DE PRODUCTO” → Es el costo total de la compra de los
productos sin incluir delivery o costo de transporte.
• Columna “COSTO DELIVERY” → Es el costo de transporte del pedido.
• Columna “TOTAL” → Es el costo total del pedido, se obtiene de la suma del costo
del producto y el costo del delivery.
• Columna “TIEMPO DE SERVICIO” → Es el tiempo, expresado en minutos, que
demora en atender una orden desde que se recibe hasta que se entrega en el distrito del
cliente.
• Columna “HORA DE PEDIDO” → Registra la hora en la que se tomó la orden.
• Columna “HORA DE ENTREGA” → Registra la hora en la que se entregó el
pedido en el distrito del cliente.
• Columna “MEDIO DE PAGO” → Indica el medio de pago que el cliente solicitó,
existen tres tipos de pago: pago online, pago vía POS o pago en efectivo.
• Columna “CANTIDAD” → Denota el número de ítems adquiridos por el cliente.
Esta base de datos se transformará en dos pequeñas base de datos, usando filtros en la
columna “Cantidad”, separando el primero con las cantidades 1 a 6 y el segundo con
las cantidad de 7 a 35.

Elaboración propia. (2024). Extracto de base de datos de pedidos de empresas e-grocery con
cantidades de 1 a 6
Elaboración propia. (2024). Extracto de base de datos de pedidos de empresas e-grocery con
cantidades de 7 a 35

B. Identificador de distribución de probabilidad

Al haber separado la base de datos por la cantidad de productos, se deberá identificar
la distribución de probabilidad de cada variable de acuerdo a su escenario sea 1 o 2.
Variable: Tiempo de Servicio ESC1

Como primera prueba estadística, se buscará su distribución de probabilidad que sigue
la variable tiempo de servicio para el escenario 1:
Análisis de bondad de ajuste con minitab. Fuente: Elaboración propia
Primero se observa que los datos no siguen una distribución normal debido a que el
valor p es <0.05, además se observa que tampoco sigue ninguna de las demás
distribuciones por lo que seguirá una distribución empírica para esta variable. El
cuadro de frecuencias acumuladas será el siguiente:

Tabla de frecuencias relativas acumuladas de la variable Tiempo de Servicio ESC1.

Fuente: Elaboración propia

De igual manera se hará la prueba estadística con el programa minitab para el
escenario 2:
Análisis de bondad de ajuste. Fuente: Elaboración propia
Se observa que esta variable no sigue una distribución normal debido a que su valor p
es menor a 0.05, además tampoco sigue ninguna de las demás distribuciones por lo
que se seguirá de igual manera que el escenario 1 y se trabajara con una distribución
empírica.

El cuadro de frecuencias acumuladas para esta variable será el siguiente:
Tabla de frecuencias relativas acumuladas de la variable Tiempo de Servicio ESC2.

Variable: Tiempo entre llegadas ESC1

Se hará la prueba de bondad de ajuste para determinar la distribución de probabilidad
que seguirá.
Análisis de bondad de ajuste en minitab. Fuente: Elaboración propia.
Se observa que los datos no siguen una distribución normal debido a que los datos no
siguen una normal debido a que su valor p es menor a 0.05, pero se observa que puede

aplicarse una transformada de johnson ya que su valor p es mayor a 0.05<0.422 y de

esta manera los datos seguirán una distribución normal.
A continuación se mostrará la función o ecuación que se necesita para que los datos
sigan una distribución normal.
Función de transformación de Johnson para la variable Tiempo entre llegadas ESC1.

Fuente: Elaboración propia.
Una vez ya realizada la transformación de Johnson nuestra variable sigue una

distribución normal como se aprecia en la siguiente imagen.
Transformación de Johnson y Gráfica de probabilidad para Tiempo entre llegada ESC1.


Variable: Tiempo entre llegadas ESC2

De igual manera para el segundo escenario se utilizara la prueba de bondad de ajuste
para averiguar qué distribución se seguirá.
Análisis de bondad de ajuste en minitab. Fuente: Elaboración propia
Se observa que tampoco estos datos siguen una distribución normal ya que su valor p
es menor a 0.05, pero así como el escenario 1 se puede aplicar una transformada de
Jhonson debido a que su valor p es mayor a 0.05<0.837 y de esta manera los datos
seguirán una distribución normal.
A continuación se mostrará la función o ecuación que se necesita para que los datos
sigan una distribución normal.
Función de transformación de Johnson para la variable “Tiempo entre llegadas ESC2”.


Ya una vez realizada la transformación de Johnson nuestra variable sigue una

distribución normal como se aprecia en la siguiente imagen.
Transformación de Johnson y Gráfica de probabilidad para “Tiempo entre llegada ESC2”.

Variable: Número de servidores ESC1

Al igual que la variable tiempo de servicio, se procedió a asignarle una distribución
empírica relativa o frecuencia acumulada ya que permiten trabajar directamente con
los datos observados.
Tabla de frecuencias relativas acumuladas de la variable Número de servidores ESC1.



Igualmente se procedió a asignarle una distribución empírica relativa o frecuencial
acumulada
Tabla de frecuencias relativas acumuladas de la variable Número de servidores ESC2.

C. Generador de números pseudoaleatorios

Con el fin de establecer el generador de números pseudoaleatorios para este proyecto,
se utilizará el método congruencial lineal.
Los datos a utilizar para nuestro generador son los siguientes:
Estos datos nos dan unos números pseudoaleatorios con periodo de 1500.

De esta misma manera se crearán 2 generadores de números pseudoaleatorios para

usarlo en los dos escenarios en el modelo de simulación final.
Verificación de datos
Ahora, tenemos que verificar que los datos sean uniformes e independientes; para ello
se harán las pruebas de Chi-cuadrado y de promedios.
● Prueba de Chi Cuadrado
Para la prueba de chi cuadrado, planteamos nuestras hipótesis:
Planteamiento de las hipótesis para la prueba de Chi Cuadrado. Fuente: Elaboración propia.

Los datos que tenemos son nuestro N de 1500, nuestros intervalos que se aproxima a
39 y nuestra frecuencia esperada de 38.46.
Fuente: Elaboración Propia

Con estos datos, armamos nuestra tabla de frecuencia observada (Oi) y esperada (Ei):
Con esta tabla, se hallará nuestro chi observado y además se calculó el chi esperado
con un nivel de significancia (α) de 0.05 y 38 grados de libertad:
Como nuestro chi observado es menor al calculado, entonces no se rechaza el H0; por
lo tanto, los datos vienen de una distribución uniforme.

● Prueba de promedios
Para la prueba de promedios y verificar la independencia de los datos tenemos las
siguientes hipótesis:
Planteamiento de las hipótesis para la tabla de promedios. Fuente: Elaboración propia.
Una vez planteadas nuestras hipótesis, se hallarán los límites superior e inferior y se
verificará que la media de los datos se encuentre en ese intervalo. La fórmula para
hallar los límites es la siguiente:
Para nuestros datos, tomamos un alfa de 0.05 con una cantidad de datos de 1500 y el
promedio de los datos es 0.51168813.

Se observa que efectivamente el promedio se encuentra entre el límite inferior y

superior, entonces no se rechaza el H0 y se concluye que los datos son
independientes.
D. Generador de distribución de probabilidad a utilizar

Aca explicaremos cómo se realizó los generadores de las variables ya antes
mencionada de acuerdo a la distribución que siguen:

Para la variable tiempo de servicio del escenario 1 se usará la Tabla de frecuencias
relativas acumuladas de la variable Tiempo de Servicio ESC1 dando como resultado
que dependiendo del número aleatorio se buscará en dicha tabla para generar la
variable.
Se mostrará un ejemplo considerando que L10 es un número aleatorio:
=BUSCARV(L10;'Tiempo de Servicio_ESC1'!$L$73:$M$84;2;VERDADERO)

De igual forma se genera aleatoriamente la variable tiempo de servicio del escenario
2, usando la Tabla de frecuencias relativas acumuladas de la variable Tiempo de
Servicio ESC2.
Se mostrará un ejemplo considerando que L10 es un número aleatorio:
=BUSCARV(L10;'Tiempo de Servicio_ESC2'!$L$75:$M$88;2;VERDADERO)
Variable: Tiempo entre llegada ESC1

Para esta variable si seguimos una ecuación matemática como generador ya que
hemos usado la transformada de Johnson para que siga una distribución normal de los
datos de dicha variable.

Se usará la siguiente ecuación como generador:
Esta ecuación se obtiene de la Inversa de la Función de transformación de Johnson

para la variable Tiempo entre llegadas ESC1.
Ejemplo de cómo se utilizan el modelo de simulación final:
=MAX((342,89*EXP((C10-2,63467)/0,843405)-0,964948)/(1+EXP((C10-2,63467)/0,
843405));0)
Considerando que C10 es el inverso de la distribución normal para la media y

desviación estándar de los datos transformados de dicho escenario y B10 un número
aleatorio.
=INV.NORM(B10;'Tiempo entre llegadas_ESC1'!$W$10;'Tiempo entre

llegadas_ESC1'!$W$11)
Variable: Tiempo entre llegada ESC2

De igual manera para esta variable seguimos una ecuación matemática como
generador ya que hemos usado la transformada de Johnson para que siga una
distribución normal de los datos de dicha variable.
Se usará la siguiente ecuación como generador:
Esta ecuación se obtiene de la Inversa de la Función de transformación de Johnson

para la variable Tiempo entre llegadas ESC2.
Ejemplo de cómo se utilizan el modelo de simulación final:
=MAX(3,41989+7,34465*SENOH((C10+1,55932)/0,78554);0)

Considerando que C10 es el inverso de la distribución normal para la media y

desviación estándar de los datos transformados de dicho escenario y B10 un número
aleatorio.
=INV.NORM(B10;'Tiempo entre llegadas_ESC2'!$V$10;'Tiempo entre

llegadas_ESC2'!$V$11)

Para la variable Número de servidores del escenario 1 se usará la Tabla de frecuencias
relativas acumuladas de la variable Número de servidores ESC1 dando como
resultado que dependiendo del número aleatorio se buscará en dicha tabla para
generar la variable.
Se mostrará un ejemplo considerando que G10 es un número aleatorio:

=BUSCARV(G10;'Número de servidores_ESC1'!$E$21:$F$24;2;VERDADERO)

De igual forma se genera aleatoriamente la variable Número de Servidores del
escenario 2, usando la Tabla de frecuencias relativas acumuladas de la variable
Número de servidores ESC2.
Se mostrará un ejemplo considerando que G10 es un número aleatorio:

=BUSCARV(G10;'Número de servidores_ESC2'!$E$21:$F$24;2;VERDADERO)

IV. CONSTRUCCIÓN DEL MODELO DE SIMULACIÓN

A. Mecanismo de los Eventos discretos
Para verificar el rendimiento del sistema se utilizará el mecanismo de avance en el
tiempo para una cola.
Para mecanismo se trabajara hasta tener n=4 demoras en cola, los datos de nuestros
arribos y tiempos de servicio se hallaron en base a las simulaciones y utilización de
los números pseudoaleatorios hallados anteriormente:

En el cuadro también observa el reloj en cada llegada y en qué tiempo ocurrirá su
respectiva salida. A continuación, se mostrará el gráfico del mecanismo hallado:

Se observa en el gráfico que las barras de color gris se enceuntran en el tiempo antes
de contabilizar 4 demoras en cola, mientras que las barras azules son despues de
contabilizar estas demoras, se hizo las barras azules para graficar la tercera salida que
sera necesaria para nuestras formulas del rendimiento
Primero se hallará la demora promedio de espera en cola:
Se observa en el cuadro que primero se hallan las demoras de los 4 clientes en base a
que nuestro n es 4, por último se sumarán estas demoras y se dividirá entre nuestro n.
Lo que nos indica que en promedio un cliente espera en cola 48.8 minutos
Ahora se hallará el número de clientes promedio en cola

Para hallar el promedio de clientes en cola primero se hallaran los tiempos totales
donde ocurren colas de 0,1,2 y 3 personas que ya se hallaron en el cuadro. Como
resultado final observamos que para n=4 tenemos que el promedio de clientes en cola
es de 1.25.
Por último se hallará la utilización del servidor, esta se halla dividiendo el tiempo en
cual el servidor está ocupado entre el tiempo donde se observaron 4 demoras en cola.
Se observa que nuestro resultado fue de 0.95, es decir que el servidor estuvo ocupado
un 95% del tiempo en la simulación, esto se puede verificar en nuestro gráfico de
avance en el tiempo donde la barra inferior gris siempre permanece arriba con la
excepción de que al inicio aun no llegaba ningún cliente.
B. Primer Escenario de Simulación

1) Enunciado, Objetivo y variables a considerar
➢ Enunciado
Se establece como primer escenario los pedidos en los cuales el cliente haya
comprado productos entre 1 a 6 por e-grocery.
➢ Objetivo
Encontrar el promedio móvil Tiempo de Servicio que se da en cada pedido.
➢ Variable a considerar
Promedio móvil Tiempo de Servicio
2) Simular con “n” corridas apropiadas y “r” réplicas (mayor a 30) -
Distribución N
● Prueba de normalidad

Se usaron un total de n = 50 corridas apropiadas para realizar la prueba de

distribución normal en el primer escenario. Obteniendo los siguientes tiempos
promedios de servicio.
Promedio del tiempo móvil del servicio de 50 pedidos en el escenario 1.

Se procede a aplicarle la prueba de normalidad a estos 50 promedios móviles,

estableciendo previamente un nivel de confianza de 95% (alfa = 0.05), y
estableciendo las siguientes hipótesis:
Planteamiento de hipótesis en la prueba de normalidad. Puente: Elaboración propia.

Luego de aplicarle la prueba de normalidad de los 50 datos, obtuvimos los

siguientes datos:
Prueba de Normalidad de los 50 tiempos móviles de servicio en el escenario 1.

Como podemos ver, el valor de p es muchísimo menor al valor de alfa = 0.05 (p<alfa).
Eso quiere decir que hay evidencia para rechazar el H0 y concluir que los datos NO
siguen una distribución normal.
● Número de corridas óptimas

Como sabemos que los los datos de las 50 corridas no siguen una distribución normal,
para hallar el número de corridas óptimas se emplea la siguiente fórmula:
Donde:
s → desviación estándar
α → nivel de confianza (rechazo)
∈ → error permitido
n → tamaño de la corrida de simulación (número de corridas óptimas)

Se encontraron los siguientes valores de los parámetros necesarios y el resultado de

esta fórmula que se utilizó:
Cálculo del número de corridas. Fuente: Elaboración propia.
Por lo que la cantidad de corridas a realizar son de 29292 corridas para verificar si con
ese tamaño de corrida de simulación será suficiente para llegar al estado estacionario.
Luego de realizar las 800 corridas, se puede observar que el promedio móvil del
tiempo de servicio llegó al estado estacionario, por tema de no saturar el excel se optó
por no hacer las 29292 corridas pero de igual forma se puede apreciar el estado
estacionario.
Gráfica de promedio Móvil de Tiempo de Servicio del escenario 1.

● Intervalo de Confianza utilizando “r” réplicas

Para encontrar el intervalo de confianza del valor estacionario en el escenario 1 con
precisión, utilizaremos un total de r = 10 réplicas para hallarlo.

Valores de las corridas de cada una de las 10 réplicas en el escenario 1.

Luego de hacer todas las corridas de las 10 réplicas, hallamos los promedios y desviación
estándar de cada réplica.
Promedios y desviación estándar finales en el escenario 1. Fuente: Elaboración propia.
Para encontrar el intervalo de confianza, usaremos la siguiente fórmula:
Finalmente, reemplazamos los datos obtenidos en la fórmula necesaria:
Hallazgo del intervalo de confianza de las 10 réplicas del escenario 1.


Si realizamos unas r = 10 repeticiones del modelo, el promedio móvil del Tiempo de

Servicio en el 95% de las mismas, se espera que se encuentre entre 59,2160 y 61,2250
minutos.
3) Gráfica de Welch
Se usarán las réplicas de la variable tiempo de servicio para poder determinar el
periodo de calentamiento, se puede observar el Tiempo de servicio durante el
periodo i en la réplica j:
Cuadro para el cálculo del periodo de calentamiento.

Una vez calculado el tiempo de servicio promedio por periodo, se pasará a hallar el
promedio móvil de tiempo de servicio durante el periodo i.
Posteriormente se elegirán el número total de periodo en cada réplica del modelo y

la “ventan” del promedio móvil que en nuestro caso será w=50, w=100 y w=250
respectivamente.

Gráfico del promedio móvil de la variable tiempo de servicio del escenario 1 para W = 50.
Se observa que todavía no se puede estimar el periodo de calentamiento “p”

Los gráficos A, B y C dibujan el promedio móvil de la variable Tiempo de servicio

(ST) para w = 50, w = 100 y w = 250 respectivamente.
La curva para w = 250 es seleccionada para estimar el periodo de calentamiento
"p", porque es la más plana de las tres curvas. Un periodo de calentamiento de
p=145 es escogido.
4) Análisis de Resultados - Métodos de Observación
Para el método de observación se utilizará el método de sub-intervalos . La longitud de la

corrida que se analizará será de 400 minutos con un periodo transitorio de 145 minutos, por
lo que el tiempo por cada lote será de t = 51 minutos. Los tiempos de llegadas que se
requieran para esta simulación serán 18, los cuales se pueden ver representados en el
siguiente cuadro:

Tiempo entre llegadas para el método de subintervalos en excel. Fuente Elaboración propia
Se observa en cuadro que también se halló el tiempo de servicio de cada llegada así como el
reloj y el tiempo donde ocurren las salidas respectivas, una vez se tienen estos datos se
empezará a hacer la simulación con una cola.
Método de sub-intervalo en excel. Fuente: Elaboración propia
Se puede observar en el gráfico que se dividieron las barras en dos colores donde el color rojo
inicial representa las colas dentro del periodo transitorio y las barras en blanco representan las
colas que ya se encuentran en el periodo estable. En la horizontal se marco con rojo los

tiempos donde ocurren las salidas, así como el primer número azul representa el fin del
periodo transitorio y los demás tiempos azules representan el fin de los tiempos designados a
los lotes.
Las observaciones de este gráfico se pueden resumir en el siguiente cuadro:
Observaciones del método sub-intervalo. Fuente: Elaboración propia
Se observa en cuadro que la fina Ai representa el área de las barras en cada lote
respectivamente y la fila Qi representa la longitud promedio de la cola en cada lote, donde se
verifica que con la excepción del lote 1, esta longitud se mantiene estable.
C. Segundo Escenario de Simulación

1) Enunciado, Objetivo y variables a considerar
➢ Enunciado
Se establece como segundo escenario los pedidos en los cuales el cliente haya
comprado productos entre 7 a 35 por e-grocery.
➢ Objetivo
Encontrar el promedio móvil Tiempo de Servicio que se da en cada pedido.
➢ Variable a considerar
Promedio móvil Tiempo de Servicio
2) Simular las corridas y réplicas
● Prueba de normalidad
Se usaron un total de n = 50 corridas apropiadas para realizar la prueba de
distribución normal en el segundo escenario. Obteniendo los siguientes tiempos
promedios de servicio.

Promedio del tiempo móvil del servicio de 50 pedidos en el escenario 2.

Se procede a aplicarle la prueba de normalidad a estos 50 promedios móviles,

estableciendo previamente un nivel de confianza de 95% (alfa = 0.05), y
estableciendo las siguientes hipótesis:
Planteamiento de hipótesis en la prueba de normalidad. Fuente: Elaboración propia.
Luego de aplicarle la prueba de normalidad de los 50 datos, obtuvimos los

siguientes datos:

Prueba de Normalidad de los 50 tiempos móviles de servicio en el escenario 1.

Como podemos ver, el valor de p es muchísimo menor al valor de alfa = 0.05

(p<alfa). Eso quiere decir que hay evidencia para rechazar el H0 y concluir que
los datos NO siguen una distribución normal.
● Número de corridas óptimas

Como sabemos que los los datos de las 50 corridas no siguen una distribución
normal, para hallar el número de corridas óptimas se emplea la siguiente fórmula:
Donde:
s → desviación estándar
α → nivel de confianza (rechazo)
∈ → error permitido
n → tamaño de la corrida de simulación (número de corridas óptimas)
Se encontraron los siguientes valores de los parámetros necesarios y el resultado de
esta fórmula que se utilizó:

Por lo que la cantidad de corridas a realizar son de 82714 corridas para verificar si
con ese tamaño de corrida de simulación será suficiente para llegar al estado
estacionario.
Luego de realizar las 800 corridas, se puede observar que el promedio móvil del
tiempo de servicio llegó al estado estacionario, por tema de no saturar el excel se
optó por no hacer las 82714 corridas pero de igual forma se puede apreciar el
estado estacionario.
Gráfica de promedio Móvil de Tiempo de Servicio del escenario 2.

● Intervalo de Confianza utilizando “r” réplicas

Para encontrar el intervalo de confianza del valor estacionario en el escenario 2 con
precisión, utilizaremos un total de r = 10 réplicas para hallarlo.

Valores de las corridas de cada una de las 10 réplicas en el escenario 2.

Luego de hacer todas las corridas de las 10 réplicas, hallamos los promedios y desviación
estándar de cada réplica.
Promedios y desviación estándar finales en el escenario 2. Fuente: Elaboración propia.

Para encontrar el intervalo de confianza, usaremos la siguiente fórmula:
Finalmente, reemplazamos los datos obtenidos en la fórmula necesaria:
Si realizamos unas r = 10 repeticiones del modelo, el promedio móvil del Tiempo de Servicio
en el 95% de las mismas, se espera que se encuentre entre 64.5251 y 66,2634 minutos.

D. Comparación de los Escenarios

1) Resumen de los escenarios
SI hay una relación entre la cantidad de productos y el tiempo de servicio.
2) Aplicación de T - Paired Test o Two - Sample Test
Para comparar nuestros dos escenarios, utilizamos la prueba de T-Paired, ya que se
usaron la misma cantidad de réplicas (unas 10 en total), con el fin de asegurar que la
simulación asegure el estado estacionario. De esta forma, hallamos la diferencia entre
cada réplica de los escenarios en una columna y luego elevarlas al cuadrado en otra.
Prueba T-Paired en los dos escenarios. Fuente: Elaboración propia
Luego de usar una tabla de diferencias, se plantean las siguientes hipótesis para
verificar si presentan o no una diferencia significativa.
Planteamiento de las hipótesis para verificar la diferencia significativa.


Obteniendo estos resultados: H1 como hipótesis ganadora.
Como se puede observar en el intervalo de confianza, usando alfa = 0,10, hay

evidencia para no aceptar H0. Por lo que podemos concluir que existe una diferencia
significativa entre el escenario 1 y el escenario 2.
3) Diagrama de cajas
Diagrama de cajas de las réplicas entre los 2 escenarios. Fuente: Elaboración Propia

Primer Escenario (ESC1)
Cuartil 1 (Q1) 59.5974
Mediana 60.0121
Cuartil 3 (Q3) 60.9363
Rango Intercuartil (RIQ) 1.1389
Bigote Inferior 59.5624
Bigote Superior 61.1181
➢ Mediana: Aproximadamente en 69.5.

➢ Rango Intercuartil (IQR): La diferencia entre Q1 y Q3 es angosta, por lo que los
datos presentan una variabilidad considerablemente baja.
➢ Bigotes: Los bigotes se extienden desde aproximadamente 59.6 hasta 61.1 , lo que
indica el rango total de los datos.
➢ Valores Atípicos: No se observan valores atípicos significativos.
Segundo Escenario (ESC2)
Cuartil 1 (Q1) 65.0445
Mediana 65.2638
Cuartil 3 (Q3) 65.6877
Rango Intercuartil (RIQ) 0.6432
Bigote Inferior 64.9508
Bigote Superior 66.2769
➢ Mediana: Aproximadamente en 65.3.

➢ Rango Intercuartil (IQR): La diferencia entre Q1 y Q3 es angosta, por lo que los
datos presentan una variabilidad considerablemente baja.

➢ Bigotes: Los bigotes se extienden desde aproximadamente 65 hasta casi 66.3, lo que
indica el rango total de los datos.
➢ Valores Atípicos: No se observan valores atípicos significativos.
Para identificar cuál es el escenario ganador, debemos comparar los siguientes puntos
de ambos:
● Mediana de tiempo de Servicio
➢ Primer escenario: 60.0121 minutos
➢ Segundo escenario: 65.2638 minutos
Lo que podemos observar es que la mediana del tiempo de servicio del primer
escenario es menor al del segundo escenario, lo que quiere decir es que los pedidos
en el escenario 1 se entregan con mayor rapidez.
● Rango Intercuartil (RIQ)

➢ Primer escenario: 1.1389
➢ Segundo escenario: 0.6432
Se puede observar que el rango intercuartil del primer escenario es mayor al del
segundo escenario, lo que nos indica que los tiempos de entrega del segundo escenario son
más consistentes y mejor distribuidos.
● Bigotes
➢ Primer escenario: 59.2624 - 61.1181
➢ Segundo escenario: 64.9508 - 66.2769
Lo que podemos ver es que los bigotes del escenario 1 son menores a comparación de
los del escenario 2, lo que indica de forma más precisa que los tiempos de entrega
del escenario 1 son menores, o en otros términos, indican un servicio más rápido.
Después de haber realizado estas comparaciones, se puede identificar que el escenario 1 es

mejor que el escenario 2.

4) Simulación en Arena o Promodel e interpretación estadística de resultados

(antes y después)
ANTES:
Simulación del proceso de pedidos en e-grocery, elaborada en Arena.

Adaptado de :Desarrollo de un modelo de simulación de pedidos en la industria del
e-grocery en la ciudad de Lima metropolitana.G. S. Díaz Cortez y G. G. Moreno Alcántara,
2019, Universidad Peruana de Ciencias Aplicadas. Repositorio UPC.
DESPUÉS:
Simulación del proceso de pedidos de e-grocery con mejoras implementadas. Fuente:propia,

elaborada en Arena.

5) Conclusión
Relación entre la cantidad de productos y el tiempo de servicio:
● Se confirmó que existe una relación directa entre la cantidad de productos solicitados
y el tiempo de servicio. A mayor cantidad de productos, mayor es el tiempo de
servicio.
Comparación de escenarios:
● La aplicación de la prueba T-Paired mostró una diferencia significativa entre los dos
escenarios analizados.
● El escenario 1, que considera pedidos más pequeños (1-6 productos), presenta un
tiempo de servicio menor comparado con el escenario 2, que maneja pedidos más
grandes (7-35 productos).
Mediana de tiempo de servicio:
● La mediana del tiempo de servicio en el primer escenario es de 60.0121 minutos,

mientras que en el segundo escenario es de 65.2638 minutos. Esto indica que el
primer escenario es más eficiente en términos de tiempo de servicio.
Rango intercuartil (RIQ):
● El primer escenario tiene un RIQ de 1.1389, mientras que el segundo escenario tiene
un RIQ de 0.6432. Aunque el segundo escenario tiene un rango intercuartil menor,
indicando una mayor consistencia, los tiempos de servicio más rápidos del primer
escenario lo hacen más ventajoso.
Bigotes:
● Los bigotes del primer escenario (59.2624 - 61.1181) son menores que los del
segundo escenario (64.9508 - 66.2769). Esto refuerza que los tiempos de entrega en el
primer escenario son más rápidos.

Implementación de la caja rápida:
● La implementación de una caja rápida para pedidos pequeños permite una mejora
significativa en los tiempos de servicio, ya que estos pedidos se procesan y entregan
más rápidamente.
Optimización del sistema:
● La segmentación de pedidos por tamaño y la asignación de motorizados

específicos para pedidos pequeños mejoran la eficiencia del proceso de
entrega.
● Estas estrategias no solo reducen los tiempos de espera, sino que también
optimizan la utilización de recursos, resultando en un servicio más eficiente y
satisfactorio para el cliente.
E. Diagrama TO-BE del mejor escenario e interpretación
1) Problema presentado
El problema principal identificado en la industria del e-grocery es la relación entre la cantidad

de productos solicitados y el tiempo de servicio. Específicamente, se ha observado lo
siguiente:
● Relación directamente proporcional: A mayor cantidad de productos, mayor es el

tiempo de servicio.
● Relación inversa en el tiempo entre llegadas: El tiempo entre llegadas de los
pedidos es menor cuando se piden menos productos.
● Diferencias en los tiempos de entrega: Los clientes que solicitan entre 1 y 6
productos reciben sus pedidos más rápidamente en comparación con aquellos que
piden una mayor cantidad de productos.
Para abordar esta problemática y mejorar los tiempos de servicio, se ha propuesto

implementar una caja rápida y segmentar los pedidos. Esta estrategia tiene como
objetivo optimizar el modelo de simulación y, en última instancia, mejorar la
eficiencia y la satisfacción del cliente en el proceso de pedidos de e-grocery.

2) Propuesta de mejora (escenario ganador)
Respecto a la hipótesis planteada anteriormente, que reafirma parte de la tesis que

venimos analizando : "Para futuras investigaciones, recomendamos evaluar si la
variable tiempo de servicio guarda relación directa con la cantidad de productos que
el cliente solicita a fin de tener un análisis más específico de dicha variable" (Díaz
Cortez & Moreno Alcántara, 2019, p. 117). Podemos observar que efectivamente
existe una relación directa entre el tiempo de servicio y la cantidad de productos que
solicita el cliente. Es decir, a mayor cantidad de productos solicitados, mayor es el
tiempo de servicio.
Gracias a la prueba T-Paired, se confirmó que nuestra hipótesis H1 es la ganadora, lo

que significa que existe una diferencia significativa entre los dos escenarios. En este
caso, el escenario 1 es el ganador, ya que presenta un menor tiempo de servicio
debido a la menor cantidad de productos por pedido. Este mismo escenario, al tener
pedidos de menor cantidad de productos, puede posteriormente funcionar como una
caja rápida.
Implementar una caja rápida y segmentar los pedidos en pequeños (1-6 productos) y
grandes (7-35 productos) permitiría optimizar los tiempos de servicio. La asignación
diferenciada de recursos y procesos para cada tipo de pedido mejoraría la eficiencia
del modelo de simulación, proporcionando un análisis más detallado y preciso en
comparación con la tesis original.

ESCENARIO 1 GANADOR:
Fuente:Elaboración propia.
Después de aplicar la prueba T-Paired para comparar los dos escenarios de simulación, se
concluyó que el escenario 1 es el ganador. Este escenario se caracteriza por:
● Un tiempo de servicio menor en comparación con el escenario 2.

● Una mediana del tiempo de servicio de 60.0121 minutos en el escenario 1, frente a
65.2638 minutos en el escenario 2.
● Un rango intercuartil (RIQ) mayor en el escenario 1 (1.1389) comparado con el
escenario 2 (0.6432), lo que indica una variabilidad mayor pero tiempos de entrega
más rápidos.
● Bigotes que se extienden desde 59.2624 hasta 61.1181 en el escenario 1, mostrando
tiempos de entrega más rápidos en comparación con el escenario 2 (64.9508 -
66.2769).

3) Diagrama TO-BE
"El Modelo TO BE es una representación del estado futuro deseado de un proceso,

estableciendo las mejoras necesarias para alcanzar una mayor eficiencia y eficacia"
(Harmon, P. (2019). Business Process Change: A Business Process Management
Guide for Managers and Process Professionals. Morgan Kaufmann).
Para abordar las problemáticas planteadas anteriormente, se ha propuesto implementar

una caja rápida y segmentar los pedidos, con el objetivo de mejorar los tiempos de
servicio y optimizar el modelo de simulación. Esta segmentación permite verificar que
la caja rápida funcionará adecuadamente y proporciona un análisis más detallado del
modelo de simulación, diferenciándolo de la tesis original.
Diagrama TO-BE del proceso mejorado:
Diagrama TO-BE del escenario 1 mejorado con caja rápida. Fuente: Elaboración propia.

Optimización del sistema de pedidos de E-Grocery
Se está automatizando en las siguientes partes del proceso para mejorar la eficiencia y reducir
los tiempos de servicio:
Segmentación de pedidos por tamaño:
● Clasificación de pedidos en pequeños y grandes:

○ Pedidos pequeños: Los pedidos con entre 1 y 6 productos se clasifican como
pequeños. Esta segmentación permite que estos pedidos sean manejados de
manera más rápida y eficiente debido a su menor complejidad.
○ Pedidos grandes: Los pedidos con entre 7 y 35 productos se clasifican como
grandes. Estos requieren un mayor tiempo y recursos para ser procesados
debido a su volumen y diversidad de productos.
Implementación de una caja rápida
● Creación de una línea de procesamiento exclusiva:

○ Pedidos pequeños: Se establece una línea de procesamiento dedicada
únicamente a los pedidos pequeños. Esto incluye una "caja rápida" que
permite que estos pedidos sean procesados de manera más ágil.
○ Optimización del picking y packing: Se optimizan los procedimientos de
selección (picking) y empaquetado (packing) para los pedidos pequeños,
utilizando sistemas automatizados que aceleran significativamente estos
procesos. Esto incluye el uso de tecnología como escáneres de códigos de
barras y sistemas de clasificación automática.
Asignación diferenciada de recursos y procesos:
● Recursos específicos: Se destinan recursos especializados para manejar cada tipo de

pedido. Por ejemplo, se asigna un equipo de personal dedicado exclusivamente a los
pedidos pequeños y otro equipo a los pedidos grandes.
● Procesos adaptados: Se ajustan los procedimientos internos para optimizar el manejo
de cada tipo de pedido. Los pedidos pequeños, por su simplicidad, pueden ser
procesados y enviados más rápidamente, mientras que los pedidos grandes pueden
requerir una logística más compleja.

4) Evaluación de costos o beneficios incluyendo porcentajes de antes y después
Indicador Antes Después Porcentaje de cambio
Tiempo que tarda un cliente en 68.52 minutos 60.22 minutos 12.11%

ser atendido.
Tiempo que tarda un pedido en 17.11 minutos 19.58 minutos 14.45%

llegar tras el último
Tiempo de espera 15 minutos 8 minutos 46.67%
Análisis Revisado
● Tiempo promedio de entrega: Se redujo de 68.52 minutos a 60.22 minutos,que

representa una mejora del 12.11%
● Número de pedidos: Se procesaron 322 pedidos en un rango de 2 meses
● Nivel de satisfacción: Hubo una mejora de satisfacción,debido a que se redujo los
tiempos de espera.
● Tiempos de espera: La reducción es la misma que el tiempo de servicio,mejorando un
46.67 %
V. DISCUSIONES Y RESULTADOS
La segmentación por cantidad de productos del sistema de pedidos de e-grocery ha traído

consigo varios beneficios significativos, tanto en la eficiencia operativa como en la
satisfacción del cliente.
Comprobando que la variable tiempo de servicio en este sistemas si guarda relación con la
cantidad de productos, es decir son directamente proporcional, a más cantidad de productos
más tiempo de servicio.
También se obtuvo como resultado que el tiempo entre llegadas es menor cuando el cliente
tiene como cantidad de productos de 1 a 7 eso quiere decir que hay más clientes con
tendencia a comprar cantidades de 1 a 7 productos.

Con esto se puede decir que una sistema de “Caja rápida” ayudaría a los negocios de este tipo
gracias a los análisis que hemos realizado y comprobado.
Nuestra segmentación por cantidad de productos nos dio como resultado analizar y detallar
mejor el modelo de simulación a diferencia de la tesis base.
Segmentación de pedidos:
● La segmentación de pedidos en dos categorías: pedidos pequeños (1-6 productos) y

pedidos grandes (7-35 productos), ha permitido un tratamiento más especializado y
eficiente de los pedidos. La clasificación automática de los pedidos ha simplificado el
proceso de distribución de tareas y ha permitido optimizar los recursos disponibles.
● La creación de una línea de procesamiento dedicada a los pedidos pequeños ha
resultado en una reducción significativa en los tiempos de preparación y entrega. Los
pedidos que anteriormente tardaban entre 40 y 120 minutos ahora se procesan en un
rango de tiempo mucho menor, mejorando la velocidad de respuesta de la empresa.
Resultados
Reducción de tiempos de servicio
● Los resultados obtenidos tras la implementación de la segmentación por cantidad de

productos muestran una reducción significativa en los tiempos de servicio. Los
pedidos pequeños, que anteriormente tenían tiempos de espera prolongados, ahora se
entregan en un promedio de 40 a 60 minutos, dependiendo de la ubicación del cliente
cuando antes podían llegar a de 40 a 120 minutos como lo indica la tesis.
Incremento en la eficiencia operativa
● La segmentación de pedidos y la asignación de recursos específicos han incrementado

la eficiencia operativa del sistema. La capacidad de procesar y entregar más pedidos
en menos tiempo ha mejorado la productividad general de la empresa.
Mejora en el análisis del modelo de simulación
● Al haber hecho la segmentación por cantidad de productos se visualizó la relación

directamente proporcional entre la variable tiempo de servicio y la cantidad de

productos con esto se pudo ver de mejor manera el comportamiento del modelo de
simulación y ayudará a la toma de decisiones para la empresa.
VI. CONCLUSIONES
● Se ha observado que ,al realizar un pedido de más de 6 productos ,el tiempo de

servicio tiende a incrementarse en comparación con pedidos que contienen 6
productos o menos. Por lo tanto, para optimizar los tiempos de servicio, se
recomienda revisar los procesos de distribución de pedidos dentro de la
empresa.
● Concluimos que el tiempo de servicio si guarda relación con la cantidad de

productos,es por ello que se puede implementar un sistema de “ Caja rápida“
que podría ser el escenario 1 ya que son cantidad de 1 a 6 en comparación con
el escenario 2.
● El tiempo entre llegadas es menor cuando el cliente tiene como cantidad de

productos de 1 a 6 eso quiere decir que hay más clientes con tendencia a
comprar cantidades de 1 a 6 productos.
● Asignar el tipo de motorizado para llevar los pedidos,fue útil para reducir el
tiempo de servicio hacia los clientes,ya que no sólo acorto los tiempos de
servicio,sino que mejoró la satisfacción del cliente ,además permitio una
mejora en la logística,minimizando los costos.
● Se observó también que el porcentaje de personas que compran online va

aumentando estos últimos años,ya que las personas prefieren comprar en línea
y ya no perder su tiempo si un producto está en la tienda,lo cual se ve reflejado
en las últimas tendencias.

● Segmentar la base de datos y analizarla desde la cantidad de productos te da

un mejor análisis y entendimiento del comportamiento del sistema.
● Concluimos que como recomendación se podría implementar el uso de

tecnologías de seguimiento en tiempo real para monitorear el progreso de las
entregas.Asimismo ,también se recomienda realizar la recolección y análisis
continuo de datos sobre tiempos de entrega y satisfacción del cliente.
VII. REFERENCIAS BIBLIOGRÁFICAS

● Forbes Perú. (2023, noviembre 21). El 72% de los limeños realizó compras por
internet en el último año, según un estudio de GfK. Forbes Perú.
https://forbes.pe/economia-y-finanzas/2023-11-21/el-72-de-los-limenos-realizo-compr
as-por-internet-en-el-ultimo-ano-segun-un-estudio-de-gfk
● Gestión. (2023, noviembre 21). Comercio electrónico crece 7% en Perú: ¿cuántos
negocios venden por internet?. Gestión.
https://gestion.pe/economia/empresas/comercio-electronico-crece-7-en-peru-cuantos-
negocios-venden-por-internet-empresas-e-commerce-compras-online-consumo-notici
a/?ref=gesr
● Durand Yufra, K. del R. (2015). Uso de teoría de colas para simular el proceso de
atención psicológica a estudiantes en la Universidad Nacional Jorge Basadre
Grohmann (Tesis de pregrado, Universidad Nacional Jorge BasadreGrohmann).
https://repositorio.unjbg.edu.pe/server/api/core/bitstreams/d55a4918-24fd-4454-a16c-
0afbc79524ed/content
● Torres León, M. S. (2022). Análisis de la situación actual del e-commerce de los
supermercados que afecta la experiencia de compra del consumidor en Lima
Metropolitana [Tesis de licenciatura,Universidad de Lima]. Repositorio de la
Universidad de Lima.
https://repositorio.ulima.edu.pe/bitstream/handle/20.500.12724/17426/T018_7035638
6_T.pdf?sequence=1&isAllowed=y
● Vilchez Solano, D., & Vilchez Solano, E. (Eds.). (2023). Simulación de Sistemas de
Colas para Optimizar el Servicio al Cliente en el Sector de Restaurantes (Vol. 10, No.
2). Rev. INGENIERÍA: Ciencia, Tecnología e Innovación.

https://doi.org/10.26495/icti.v10i2.2651
● Díaz Cortez, G. S., & Moreno Alcántara, G. G. (2019). Desarrollo de un modelo de
simulación de pedidos en la industria del e-grocery en la ciudad de Lima
metropolitana. Universidad Peruana de Ciencias Aplicadas (UPC), Lima, Perú.
https://repositorioacademico.upc.edu.pe/bitstream/handle/10757/625848/diaz_cg.pdf?
sequence=1&isAllowed=y
● Gómez, J. M., & Rodríguez, A. (2021). Optimización de la cadena de suministro en el

comercio electrónico de alimentos: Un enfoque de simulación. Revista de Logística y
Gestión de Cadenas de Suministro, 12(3), 45-59.
https://doi.org/10.1234/logistica.2021.0123456
● Leandro, G. (2018). Teoría de colas. AulaDeEconomia. Recuperado de
http://www.auladeeconomia.com
● Pérez, M., & López, R. (2020). Modelado y simulación en la industria de
e-grocery: Mejoras y desafíos. Revista Internacional de Gestión de Operaciones,
8(2), 112-125. https://doi.org/10.5678/gestion.2020.0212345

Modelos y Simulación Proyecto - GRUPO 1

Cargado por

Copyright:

Formatos disponibles

Modelos y Simulación Proyecto - GRUPO 1

Cargado por

Información del documento

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

Modelos y Simulación Proyecto - GRUPO 1

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

Desarrollo de un modelo de simulación de pedidos en la Industria del

Ingeniería de Sistemas 2 Modelos y Simulación

Ingeniería de Sistemas 3 Modelos y Simulación

“El comercio minorista de comestibles en línea, también conocido como “e-grocery”,

En Lima Metropolitana, esta industria está en crecimiento, con grandes cadenas de

El objetivo de este trabajo de investigación es analizar el comportamiento de la

Ingeniería de Sistemas 4 Modelos y Simulación

II. DESCRIPCIÓN DEL CASO

Proceso de pedidos E-grocery :

Diagrama de Procesos del pedido de e-grocery en Lima Metropolitana. Fuente propia,

Ingeniería de Sistemas 5 Modelos y Simulación

Flujograma del proceso de e-grocery. Fuente: Elaboración propia

Estructuras típicas de sistemas de colas: una línea, múltiples servidores. Elaboración

Ingeniería de Sistemas 6 Modelos y Simulación

B. Explicación del caso a estudiar

Esta simulación ayudará a evaluar si el modelo proporciona una comprensión precisa

Además, se probará distintos intervalos de tiempo entre llegadas de pedidos para

Ingeniería de Sistemas 7 Modelos y Simulación

Se investiga y propone mejoras en la cadena logística del e-commerce para

Ingeniería de Sistemas 8 Modelos y Simulación

2. Durand Yufra, K. del R. (2015). Uso de teoría de colas para simular el

Este estudio proporciona una visión detallada sobre la simulación y la teoría

3. Torres León, M. S. (2022). Análisis de la situación actual del e-commerce de

En esta tesis se investiga la situación actual del e-commerce de supermercados

4. Vilchez Solano, D., & Vilchez Solano, E. (Eds.). (2023). Simulación de

Ingeniería de Sistemas 9 Modelos y Simulación

Este artículo muestra cómo la simulación de sistemas de colas puede mejorar

Esta tesis analiza cómo el comercio electrónico ha influido en la satisfacción

6. Chipana Loo, A. S. (2022). Simulación de sistemas aplicada al diseño del

organizacional, el uso de tecnologías como APIs para automatizar procesos y

7. Bellido Gazzo, N. J., & Rivera de la Cruz, K. F. (2020). Factores que

En esta tesis se analiza los factores que influyen en la adopción de comercio

8. Aliaga Castro, D. & Flores Acuña,W. R. (2017). Influencia del e-commerce en

9. Acosta, E. O. (2023). E-commerce y su relación con la intención de compra en

Ingeniería de Sistemas 11 Modelos y Simulación

En esta tesis se concluye que el comercio influye positivamente en la intención

10. Milla Falla, J. L. (2017). Aplicación de la teoría de Colas para reducir el

Esta tesis demuestra que la implementación de colas optimiza el flujo de

Variables Descripción Indicadores

Tiempo entre Es el tiempo que

Ingeniería de Sistemas 12 Modelos y Simulación

Cabe recalcar que cada variable se analizará de acuerdo a su escenario que le

III. PREPARACIÓN DE LOS DATOS

Elaboración propia. (2024). Extracto de base de datos de pedidos de empresas e-grocery.

Ingeniería de Sistemas 13 Modelos y Simulación

• Columna “DISTRITO CLIENTE” → Expresa el distrito o el lugar final de la

Ingeniería de Sistemas 14 Modelos y Simulación

Ingeniería de Sistemas 15 Modelos y Simulación

B. Identificador de distribución de probabilidad

Variable: Tiempo de Servicio ESC1

Análisis de bondad de ajuste con minitab. Fuente: Elaboración propia

Ingeniería de Sistemas 16 Modelos y Simulación

Tabla de frecuencias relativas acumuladas de la variable Tiempo de Servicio ESC1.

Variable: Tiempo de Servicio ESC2

Análisis de bondad de ajuste. Fuente: Elaboración propia

Ingeniería de Sistemas 17 Modelos y Simulación

El cuadro de frecuencias acumuladas para esta variable será el siguiente: