UN MODELO DE MARKOV SOBRE LOS EFECTOS DE LA LIQUIDEZ EN LOS PROCESOS DE LOGÍSTICA INVERSA.

Logística inversa es el conjunto de procesos mediante el cual se gestiona la relación cliente-proveedor desde el punto de consumo hasta el productor. En la actualidad muchas de las perdidas o disminución de flujos de caja se asocian con el volumen de productos que son devueltos a las compañías, a lo que estas han hecho frente bajo la imposición de sistemas de logística inversa, para saber dónde y que garantías se le pueden dar al cliente, partiendo de sus requerimientos y deseos.

Hoy en día existe una relativa falta de investigación analítica frente a la mejor manera de gestionar los flujos de productos de logística inversa, sobre todo desde el punto de vista financiero. La investigación limitada existente tiene como objetivo ayudar a los gerentes a entender mejor cómo lograr una eficaz y eficiente optimización de costes y beneficios de las actividades.

Por todo lo que la logística inversa conlleva este artículo trata de hacerle frente a la aleatoriedad con que son devueltos los artículos, es decir a los volúmenes, variables de bienes que son reintegrados por usuarios inconformes con ellos, frente a la liquidez futura que podrá enfrentar cualquier compañía.

El modelo de la valoración de liquidez que se plantea nos permite observar el proceso de retornos de productos que se sigue a través del sistema de logística inversa. Este modelo incorpora el número de devoluciones y la dinámica del flujo de caja en este proceso. Dicho modelo es de vital importancia para las empresas, en el sentido de que la logística inversa le genera un flujo de información, que en algún determinado momento mejora las relaciones cliente-proveedor, teniendo en cuenta que este proceso está regido generalmente por el siguiente diagrama:

Proceso de logisitica inversa en las empresas

El modelo de MARKOV considera el número de retornos independientes en algún periodo de tiempo dados; utilizando un modelo con estados de transición y estados absorbentes, mediante el cual se tienen en cuenta las probabilidades que están asociadas de pasar de un estado a otro y que serán organizadas en una matriz de transición. Identificando el impacto que tiene el volumen de retornos y la liquidez en a través de los costos, permitiendo que por medio de este modelo cada empresa tenga una escala programada y una capacidad diseñada.

A partir de este artículo, podemos observar los modelos planteados por Cyer y Thompson, los cuales establecen que las probabilidades de los estados de transición difieren entre si y que las características de riesgo producen un impacto en las cuentas por cobrar.

Por otra parte, los gerentes interesados en el aspecto de liquidez de la logística inversa también valoran la habilidad para evaluar las mismas características de flujo de caja desde cada estado de transición/capacidad de combinarlas lo que representa la salida del proceso.

Una de las principales aplicaciones de las cadenas de Markov en la vida real es el caso del flujo de efectivo, para determinar cómo migran los bonos corporativos de un nivel de calificación a otro; se utilizan las cadenas de Markov para modelar procesos aleatorios que caracterizan los cambios en la calidad de las actividades. Esto se puede realizar bajo diferentes circunstancias por ejemplo bajo una certeza relativa, flujo de dinero periódico bajo incertidumbre, etc., para lo cual se ha desarrollado diferentes modelos que permiten facilitar el proceso según sea el caso.

El proceso debe responder a preguntas como:

   1. ¿Cuáles son las expectativas, la incertidumbre y la asimetría de la inversión del dinero en efectivo necesaria para apoyar a las unidades al azar con el azar efectos monetarios, permaneciendo en el sistema un número aleatorio de períodos antes de ser absorbidos?

   2. ¿Cuáles son las expectativas, incertidumbres, y el sesgo en los efectos monetarios como unidades al azar con los efectos monetarios aleatorios después de ser absorbidos en el sistema?

Las ventajas que contrae es que se puede trabajar con variables extraídas de los estados financieros y se puede aplicar a todos los sectores. pero una desventaja notable es que las variables se encuentran altamente correlacionadas por lo tanto se duda en la optimalidad de los resultados.

Esta investigación contribuye a la planificación de la gestión, proceso que facilita el desarrollo de los intervalos de confianza asociados con las características de distribución identificadas con el análisis de la cadena de Markov. Los intervalos de confianza diferentes permitirán a los administradores estimar la probabilidad de que los resultados del siguiente periodo se producirán dentro de un rango. Esto permite a las empresas entender mejor a corto y a largo plazo planear en base a la necesidades de liquidez.