CONOCER TUS DATOS: ALIGERAR LA CARGA DE LOS EMPLEADOS Y REDUCIR LAS EXISTENCIAS

Muchas empresas medianas se enfrentan al mismo problema: los fabricantes producen una variedad cada vez mayor de dispositivos y accesorios con diferentes configuraciones. Esto incluye un volumen de piezas cada vez mayor. Al mismo tiempo, el servicio y el tiempo de reacción juegan un papel cada día más importante para los clientes. Sin embargo, muchas empresas de fabricación se enfrentan a la planificación de inventarios y pedidos con procesos y métodos clásicos, a veces incluso polvorientos. Esto conlleva una carga de trabajo siempre mayor para los empleados, almacenes llenos y, en última instancia, un compromiso de capital elevado sin necesidad. 

Nuestro cliente tenía muy claro que quería reducir las existencias de las casi 75 000 piezas de recambio. Debido al elevado número de piezas, desde el principio era evidente que una optimización de los procesos existentes solo podía lograrse mediante una automatización avanzada del mismo calibre.

Tras asegurarse de que se disponía de datos relevantes y de que era muy probable que se produjera un retorno de la inversión (ROI) positivo al final de la evaluación, se creó una métrica científica de datos sobre la base de los KPI de logística existentes en la empresa, lo que constituyó la base del entrenamiento y la evaluación de los algoritmos de aprendizaje automático. Los algoritmos aprenden sobre la base de datos históricos y tienen en cuenta factores estacionales, criterios de material y otra información. Todo esto es esencial para que la precisión de las predicciones sea aún mayor. Para ello, hemos creado un sistema que combina modernos algoritmos de aprendizaje profundo con métodos estadísticos establecidos. ¿El resultado? El algoritmo calcula en un momento determinado la probabilidad de que se necesite una determinada cantidad de piezas en un lugar concreto de la red logística de la empresa.

Gracias a nuestro método, la empresa obtuvo una previsión más precisa, así como un conocimiento más profundo del consumo de piezas y de los factores que influyen en las desviaciones. Todo ello ayuda a identificar y combatir a tiempo los posibles focos de riesgo. Como resultado, los problemas en los procesos pueden detectarse y remediarse con rapidez. Asimismo, las situaciones negativas que puedan producirse se diagnostican de forma proactiva gracias a los datos obtenidos. Esto no solo permite una mayor flexibilidad, sino que también ayuda a minimizar el volumen de almacenamiento y el capital suscrito asociado. 

ACTUALIZAR TUS DATOS: TRADUCIR EL LENGUAJE DEL CLIENTE EN UN ALGORITMO APLICADO

Al principio, nuestro equipo comenzó con la revisión de los datos y un análisis de viabilidad basado en el conjunto de datos que se había elaborado. Enseguida quedó claro que se podía conseguir un alto valor añadido en comparación con la estrategia de planificación utilizada en ese momento. Por término medio, se realizan unos 50 000 movimientos de existencias al día en almacenes del tamaño del almacén del cliente. Las piezas se piden, se montan y se envían: todo está en constante movimiento. Los sistemas utilizados para ello suelen estar anticuados, pero siguen representando una inversión para la empresa y no pueden desconectarse o sustituirse sin más, sobre todo porque la mayoría de los empleados ya han interiorizado los procesos. Sin embargo, estos sistemas ofrecen la ventaja de que contienen todos los datos necesarios para optimizar los procesos del almacén de forma económica.

CÓDIGO CON TUS DATOS: EL ANÁLISIS DE DATOS A MEDIDA SE UNE A LA SOLUCIÓN INDIVIDUAL EN LA NUBE

En varios sprints, se evaluaron los conjuntos de datos recopilados y se perfeccionaron los procedimientos hasta lograr un nivel de servicio óptimo con un inventario mínimo. Con esta solución, el inventario de piezas de repuesto puede reducirse hasta un 15% con el mismo nivel de servicio. La nueva previsión logística se integró en los sistemas SAP ERP y BW existentes del cliente, lo cual protege la inversión con respecto a los sistemas existentes y reduce el esfuerzo de integración de procesos. 

El conjunto de datos de aprendizaje, que se remonta a muchos años atrás, y los algoritmos de aprendizaje automático aplicados precisaron considerables capacidades informáticas para una ejecución. Sin embargo, como la planificación se realiza en ciclos semanales, la nube ofrece recursos informáticos adecuados bajo demanda. Estos son rentables para operar, son escalables y están disponibles sin servidor. Por esta razón, nuestra solución se ejecuta en la nube privada virtual (VPC) del cliente. Esto significa que los datos de la empresa permanecen en el centro de datos de la nube, lo que se corresponde exactamente con las necesidades de seguridad del cliente en lo que respecta al procesamiento de datos de procesos críticos que merecen protección. La implementación se realizó en Microsoft Azure. 

La solución técnica se basa tanto en métodos estadísticos como en el aprendizaje profundo para el análisis de series temporales. Los algoritmos que desarrollamos son punteros en el sector logístico. Métodos similares se desarrollan y utilizan en los almacenes de Amazon y Zalando, entre otros. Los bloques de construcción se empaquetan dentro de la moderna tecnología de contenedores utilizando Dockers y Kubernetes y se alojan en entornos sin servidor en la nube. Los algoritmos se implementaron en Apache MXNet, un marco de aprendizaje profundo, y en las herramientas científicas de datos en Python.

Cómo pueden ayudar los algoritmos de previsión a gestionar las existencias.

Cómo funcionan conjuntamente los sistemas SAP y la plataforma de datos del cliente en Azure.

El camino desde la preparación de los datos hasta la solución final.

A menudo, los sistemas ya utilizados, como SAP, ofrecen todos los datos necesarios para seguir perfeccionando los procesos del almacén de forma económica.

Los algoritmos que hemos construido no solo permiten una mayor flexibilidad en la gestión del inventario, sino que también ayudan a minimizar el volumen de almacenamiento y el capital suscrito asociado.