Un estudio de caso del mundo real sobre cómo liberar el potencial de la IA: la IA en la cadena de suministro

A medida que las empresas se enfrentan a las complejidades de la logística global, la implementación de la IA en la cadena de suministro se ha convertido en un eje para aquellos que quieren mantenerse por delante de la competencia. En este artículo, subrayaremos la importancia de la IA en la cadena de suministro y ofreceremos información sobre una historia de éxito que ilustra vívidamente los beneficios tangibles de la IA en la optimización de la gestión de la cadena de suministro.

Una cadena de suministro es la red completa de individuos y organizaciones que producen y entregan un producto o servicio al consumidor final. Incluye cada paso, desde el abastecimiento de materias primas, la fabricación y el ensamblaje del producto hasta el transporte, el almacenamiento y, finalmente, llegar a las manos del cliente.

El 49% de los encuestados del sector de la cadena de suministro expresaron que las interrupciones condujeron a dificultades de planificación.

El 44% indicó desafíos debido a la huella de la cadena de suministro, lo que les obligó a realizar cambios durante el año.

McKinsey

Hoy en día, esta red multifacética enfrenta muchas perturbaciones, como tensiones geopolíticas, fluctuaciones económicas, cambio climático y regulaciones en evolución. Al mismo tiempo, los objetivos comunes trascienden las industrias, incluida la satisfacción del cliente, la resiliencia a la optimización de costos y la adaptación. Tanto los desafíos como los objetivos exigen soluciones innovadoras, y la optimización de la cadena de suministro emerge como un factor crucial para garantizar la eficiencia.

Breve descripción general de la optimización de la cadena de suministro

La optimización de la cadena de suministro (SCO) es un campo complejo dedicado a gestionar el flujo de bienes y servicios desde las materias primas hasta el cliente final de la manera más eficiente y rentable posible. SCO es el ajuste de las operaciones de una cadena de suministro que garantiza que esté en la cima de la eficiencia posible.

Los cinco principales desafíos de la optimización de la cadena de suministro:

1. Previsión de la demanda: predecir con precisión la demanda de los clientes es crucial para optimizar los niveles de inventario, las posibilidades de transporte y los programas de producción.

   
   

2. Gestión de inventario: equilibrar el costo de mantener inventario con el riesgo de desabastecimiento.

   
   

3. Optimización del transporte: Seleccionar las rutas más eficientes y rentables para el transporte de mercancías, especialmente con factores como la congestión del tráfico y los precios del combustible.

   
   

4. Selección y gestión de proveedores: Encontrar proveedores confiables que ofrezcan precios competitivos y calidad.

   
   

5. Colaboración y comunicación: Cooperación eficiente entre todos los actores de la cadena de suministro.

Para abordar estos desafíos, SCO emplea análisis de datos, modelos matemáticos, algoritmos de optimización, inteligencia artificial (IA) y aprendizaje automático (ML). Estas herramientas en conjunto permiten a las empresas navegar con precisión por el panorama dinámico de las cadenas de suministro globales.

La IA y el ML, en particular, emergen como poderosos aliados en la búsqueda de la eficiencia de la cadena de suministro.

Aprovechar los servicios de desarrollo de IA y aprendizaje automático ayuda a automatizar tareas, mejorar la precisión de los pronósticos y permitir la toma de decisiones en tiempo real, garantizando que las empresas puedan mantenerse ágiles y receptivas ante circunstancias cambiantes.

Optimización de la gestión de la cadena de suministro mediante la integración de IA

La IA desempeña un papel importante en la mejora de la eficiencia de la cadena de suministro. Se puede utilizar en diferentes áreas de la gestión de la cadena de suministro.

Mejorar la visibilidad y la transparencia:

• Recopilación y análisis de datos en tiempo real: proporciona información en tiempo real sobre los niveles de inventario, ubicaciones de envío y posibles interrupciones.

• Análisis predictivo: la IA puede analizar datos históricos y factores externos como pronósticos meteorológicos o tendencias económicas, posibles interrupciones y necesidades de mantenimiento.

Optimización de operaciones y toma de decisiones:

• Gestión de inventario: la IA puede optimizar los niveles de inventario pronosticando la demanda, considerando los tiempos de entrega y los patrones estacionales, y minimizando los costos asociados con el exceso o la falta de existencias.

• Optimización de rutas: los algoritmos de IA pueden determinar las rutas de transporte más eficientes y rentables, considerando factores como las condiciones del tráfico, el consumo de combustible y los horarios para encontrar un equilibrio entre los costos de transporte y de inventario.

• Automatización de almacenes: los robots impulsados por IA pueden automatizar tareas como recoger, empaquetar y clasificar, mejorando la velocidad, la precisión y la eficiencia en los almacenes.

Resiliencia y gestión de riesgos:

• Identificación de riesgos: la IA puede analizar datos para identificar posibles interrupciones o vulnerabilidades de la cadena de suministro, lo que permite a las empresas tomar medidas preventivas para minimizar su impacto.

• Planificación de escenarios: la IA puede simular varios escenarios, como desastres naturales o crisis económicas, ayudando a las empresas a desarrollar planes de contingencia para garantizar la continuidad del negocio.

• Detección y prevención de fraude: la IA puede detectar anomalías en el orden de los datos y las transacciones financieras, identificar posibles intentos de fraude y proteger a las empresas de pérdidas financieras.

Sostenibilidad y experiencia del cliente:

• Sostenibilidad mejorada: la IA puede optimizar los procesos para reducir los residuos, minimizar el consumo de energía y optimizar el uso de combustible, contribuyendo a una cadena de suministro más sostenible.

• Personalización y personalización: la IA puede personalizar la experiencia del cliente adaptando las recomendaciones y ofertas de productos en función de las preferencias individuales y el historial de compras.

Exploremos cómo la IA, en particular, desempeña un papel transformador en la remodelación de la cadena de suministro en la industria minorista, ilustrado por un caso de uso del mundo real.

Desarrollo de un sistema inteligente de optimización del suministro

Nuestro cliente, un fabricante de herramientas y equipos de plomería con puntos de distribución en todo Estados Unidos, necesitaba ayuda para optimizar su proceso de suministro.

La principal lucha surgió de las elevadas experiencias asociadas con el transporte de mercancías desde las fábricas en China a los centros de distribución en Estados Unidos. El cliente mantenía numerosos almacenes y puntos de venta en casi todos los estados federados. Por tanto, determinar la ruta óptima no planteaba una tarea trivial.

Además, era crucial considerar la cadena de transporte preferida. Cada producto inicia su viaje en un contenedor marítimo desde un puerto marítimo chino y recorre el Océano Pacífico hasta llegar a un puerto en Estados Unidos, desde donde continúa su recorrido en un camión hasta el almacén designado. Posteriormente, el producto espera la entrega de última milla hasta el punto de distribución objetivo.

El cliente quería tener la siguiente funcionalidad:

• especificar almacenes disponibles;
• identificar puntos de distribución, algunos derivados automáticamente de datos históricos y otros seleccionados manualmente por el usuario;
• crear una lista de artículos junto con sus respectivas cantidades;
• tener una lista de puertos marítimos.

Finalmente, el cliente expresó el deseo de poder comparar varios métodos de embalaje de mercancías dentro de contenedores de envío, ya sea con o sin paletas. El resultado del problema de optimización debería producir el cronograma de transporte óptimo y las estadísticas de gastos asociados.

Pero antes de profundizar en los detalles de los casos de uso, describiremos rápidamente un concepto matemático fundamental que se utiliza en la solución inteligente.

Programación entera para la eficiencia de la cadena de suministro

La programación entera (lineal) (IP) es una técnica de optimización matemática que se utiliza para encontrar la mejor solución a un problema con relaciones lineales considerando que algunas o todas las variables deben tomar valores enteros (números enteros). La forma general de un problema de IP es maximizar (o minimizar) una función objetivo lineal sujeta a un conjunto de restricciones lineales, donde algunas o todas las variables de decisión deben ser números enteros.

La función objetivo es una combinación lineal de variables de decisión y las restricciones son desigualdades o igualdades lineales que las variables deben satisfacer. La formulación matemática de un problema de propiedad intelectual se puede expresar de la siguiente manera:

Los valores x₁, x₂, ..., xₙ son las variables de decisión, c₁, c₂, ..., cₙ son coeficientes en la función objetivo, aᵢⱼ son coeficientes en las ecuaciones de restricción y bᵢ son constantes.

Resolver un problema de IP implica encontrar los valores de las variables de decisión que optimizan la función objetivo y al mismo tiempo satisfacen las restricciones lineales y el requisito adicional de que las variables deben ser números enteros. Los problemas de propiedad intelectual se utilizan comúnmente en diversos campos, incluida la investigación de operaciones, la logística, la fabricación, las finanzas y las telecomunicaciones, donde las variables de decisión a menudo representan cantidades que deben ser números enteros.

La programación entera es una herramienta valiosa para resolver problemas de optimización de la cadena de suministro debido a su capacidad para modelar procesos complejos de toma de decisiones que involucran variables discretas (enteras).

Las formas en que se puede aplicar la propiedad intelectual en el contexto de la optimización de la cadena de suministro:

• Gestión de inventario: IP puede ayudar a determinar los niveles óptimos de inventario para diferentes productos en diversas etapas de la cadena de suministro; al considerar limitaciones como la capacidad de almacenamiento, la variabilidad de la demanda y las cantidades de los pedidos, los modelos IP pueden encontrar el mejor equilibrio entre los costos de mantenimiento y los desabastecimientos.

• Planificación de la producción: IP puede optimizar los programas de producción considerando factores como la capacidad de producción, la disponibilidad de materia prima y las previsiones de demanda. El modelo puede ayudar a determinar las cantidades óptimas a producir para cada producto para satisfacer la demanda y minimizar los costos.

• Enrutamiento y programación: los modelos IP se pueden aplicar para optimizar la estructura general de la red de la cadena de suministro.

• Optimización de la red de la cadena de suministro: los modelos IP se pueden aplicar para optimizar la estructura general de la red de la cadena de suministro.

• Planificación de la demanda: los modelos IP pueden incorporar datos de previsión de la demanda para optimizar las decisiones de producción y distribución y, al mismo tiempo, alinear las operaciones de la cadena de suministro con la demanda prevista de los clientes, reduciendo el riesgo de exceso de existencias o desabastecimiento.

Mejora de la logística de la cadena de suministro: descripción general de la solución ELEKS

Para satisfacer los requisitos de nuestros clientes, creamos un sistema que aprovecha los beneficios de la técnica de Programación Entera, que optimiza los cronogramas de suministro, rutas y niveles de inventario para cinco tipos de artículos: lavabos, inodoros, bidés, válvulas de gas y mezcladores de bañera de cerámica ( Los códigos SA correspondientes son 6910.10.0030, 6910.10.0010, 6910.10.0025, 8414.90.1080, 7323.93.0080). El sistema consta de tres partes (o páginas) principales: configuración, simulación y análisis. Cada uno de ellos será explicado en los siguientes párrafos.

Para garantizar la confidencialidad de los datos y los detalles de la aplicación, anonimizamos nombres y ubicaciones reales, creando un prototipo de una aplicación de demostración sencilla que ilustra la eficacia de la IA para abordar los desafíos de optimización.

Página de configuración

El usuario puede seleccionar almacenes disponibles, puntos de distribución y puertos marítimos deseables para participar en la ruta final optimizada. Además, el cliente puede especificar las mercancías deseadas y su respectiva cantidad a transportar a sus clientes. Lo último es el selector de fecha, en caso de que esté prevista la entrega.

El sistema calculará el inventario restante en la fecha de entrega en función de la demanda prevista y asignará los envíos planificados alineados con los residuos del almacén. ¡Hacer clic en el botón "optimizar" hace toda la magia! Establece tareas de optimización y lanza su solución. Después de unos segundos, se pueden observar los resultados en las dos páginas restantes.

Página de simulación (mapa)

Esta página ofrece al cliente la oportunidad de ver una simulación precisa de la solución del modelo propuesto. En conversaciones previas, deliberamos sobre los INCOTERMS adecuados para nuestro cliente y llegamos a un consenso sobre el CFR. El cliente puede especificar el número de horas de cada paso y pulsar el botón correspondiente para ver el estado de la cadena de suministro en ese periodo de tiempo.

En primer lugar, existen cinco tipos de puntos: dos para vehículos de transporte (barco y camión) y tres para puertos marítimos (naranja), almacenes (morado) y puntos de distribución (verde). El mapa es interactivo, lo que significa que el usuario puede pasar el cursor sobre cualquier punto o conexión y ver la información relacionada con ese objeto.

Por ejemplo, las líneas azules que conectan los almacenes y los puntos de distribución muestran el plan de entrega de última milla y contienen información sobre cuánto se entrega diariamente cada producto. Si el usuario pasa el cursor sobre el barco, se muestra información sobre su capacidad, tipos de contenedores, cantidad cargada de cada mercancía y ruta.

Página de análisis

Esta página presenta todos los datos y estadísticas sobre la solución propuesta por el modelo. El usuario puede observar el plan de entrega, dónde se encuentra cada barco y camión, su hora estimada de llegada, ruta y llenado. También hay una serie de gráficos, que van desde el gráfico circular con los gastos totales hasta los mapas de calor de los costos de entrega entre diferentes puertos marítimos, almacenes y puntos de distribución.

Además, el cliente puede observar un gráfico de precios por bien para diferentes puntos de distribución y, en base a esos datos, tomar las decisiones comerciales correspondientes.

Métricas de rendimiento: la solución de ELEKS frente al sistema heredado del cliente

El siguiente desafío fue probar nuestra solución en escenarios del mundo real y compararla con el enfoque del cliente. Para ello, el cliente consideró un plazo de 1 mes. Las principales condiciones de la tarea (como puertos marítimos disponibles, ubicación y número de almacenes y clusters) se observan en las ilustraciones de los párrafos anteriores. Como resultado, la solución de nuestro modelo fue más efectiva en términos de gastos operativos, tiempo promedio de entrega de última milla y reducción del tiempo inactivo de los almacenes.

5,76% de ahorro promedio de costos mensuales logrado por el cliente y 50% de reducción en el tiempo de entrega para algunos clusters.

Equipo de ciencia de datos de ELEKS

Los datos indican que la utilización de nuestra solución resultó ser más ventajosa para el cliente, lo que resultó en una reducción del precio por artículo. Este resultado se puede atribuir a varios factores, siendo los principales los siguientes:

• Distribución de mercancías más inteligente
• Red de entrega más óptima
• Rutas y almacenamiento más eficientes

Por ejemplo, nuestra solución presentaba algunos grupos para los cuales el modelo sugiere entrega de última milla para diferentes productos desde distintos almacenes (una explicación radica profundamente en la red de entrega, y nuestro modelo detectó esta posibilidad de optimización). La distribución de mercancías entre almacenes difería (principalmente entre almacenes en Washington y Nueva York).

A primera vista las diferencias no son tan significativas, pero el resultado habla por sí solo.

Conclusiones

La integración de la inteligencia artificial (IA) en la gestión de la cadena de suministro emerge como un componente crítico para las empresas que buscan navegar de manera efectiva las complejidades de la logística global. La naturaleza multifacética de las cadenas de suministro modernas, junto con desafíos como interrupciones, tensiones geopolíticas y fluctuaciones económicas, requiere soluciones innovadoras para lograr eficiencia y resiliencia.

La solución presentada destaca el papel transformador de la IA en la racionalización de las responsabilidades de los gerentes de la cadena de suministro y demuestra los beneficios tangibles de la IA y la propiedad intelectual en la logística de la cadena de suministro, mostrando un ahorro de costos mensual promedio del 5,76 % y una reducción del 50 % en el tiempo de entrega para algunos grupos.

Su adaptabilidad permite ajustes fluidos, ofreciendo a los usuarios acceso a un estudio de simulación, donde pueden ejecutar varios escenarios que involucran diversos artículos y cantidades, facilitando un análisis comparativo para determinar estrategias óptimas para diferentes situaciones.

Para programar una demostración de primera mano de esta solución transformadora y explorar más a fondo sus capacidades, comuníquese con nosotros .