Articulo

Universidad Nacional de Colombia. Grass D. Machine Learning .
1

ResumenEste documento introduce a la integracin de
tres objetivos principales a la hora de administrar una cadena
de suministros el pronstico de demanda, seleccin de
proveedores y manejo de polticas de inventarios para mitigar
costos y clientes perdidos.
En la primera parte se implementa el kernel ridge regression
para pronosticar por cada proveedor la demanda futura de
acuerdo a un histrico. En la segunda parte se introduce al
concepto de una red bayesiana de decisin difusa (FBN) la
cual selecciona al proveedor con la probabilidad ms baja
para impactar negativamente los ingresos de la compaa de
acuerdo a un riego en la red, en operaciones y eventos
externos.
Finalmente dada la demanda pronosticada y el proveedor
por cada cliente se procede a simular en arena dos polticas
muy usadas Q,r y S,s, las cuales tratan de disminuir los costos
de pedido y almacenamiento y a la vez de prever de que no se
pierdan clientes por falta de inventario.

ndice de Trminos control de inventarios, Fuzzy
bayesian networks, Kernel ridge regression, simulacin

I. INTRODUCCIN
Debido a los altos niveles de competencia en los
mercados internacionales han aparecido tres nuevas
tendencias en la gestin de las cadenas de suministro:
Adquisicin de materiales, fabricacin de productos y
distribucin de productos a nivel global [3]. Por lo que las
empresas han debido utilizar enfoques ms innovadores
que permitan iniciar relaciones de intercambio de
informacin, materiales y recursos con los proveedores y
clientes en una forma mucho ms integrada, ya que no es
suficiente con el mejoramiento de las operaciones internas
[4]. Estas relaciones formadas por diversos agentes
(Productores, comercializadoras, almacenistas,
proveedores, mayoristas, vendedores al detal, clientes) los

cuales se relacionan de una manera dinmica y compleja
[5].
Al existir relaciones cambiantes entre los agentes se
puede hablar de una configuracin dinmica de cadenas
de suministro [6], en el cual deben definir ciertas reglas
con el objetivo de capturar los desafos involucrados en
la dinmica de las prcticas de los agentes en la cadena
de suministro [6]. Se han propuesto trabajos que
permiten de acuerdo al riesgo la reconfiguracin
dinmica dentro de las cadenas de suministro, donde los
proveedores, precios, plazos de entrega y demandas de
los clientes pueden cambiar con el tiempo [7].
El cerebro de cada agente se compone de una Red
de decisin bayesiana difusa (FBDN), esta permite al
agente tomar las mejores decisiones de estimar los
beneficios y los riesgos potenciales de las diferentes
estrategias, anlisis y gestin de informacin de seguro
de las empresas colaboradoras [7][8]. Cada agente
recoge la informacin sobre los pedidos de los clientes y
los precios actuales del mercado, y las anteriores
experiencias de la colaboracin con los socios
comerciales. Por consiguiente, el agente realiza un
razonamiento inferencial probabilstico para filtrar la
informacin modelada en su conocimiento de base con
el fin de lograr el mejor rendimiento en la organizacin
de la cadena de suministro [7]. La perspectiva de tomas
de decisiones es una respuesta dada por el entorno con
los agentes involucrados, en la que cada uno colabora y
coparte informacin para tomar una decisin mutua que
los afecta a todos, implicando un grado de subjetividad,
informacin imprecisa e incierta que debe traducirse en
datos cuantitativos que permitan la toma de decisiones
[9] , por lo cual se han utilizado teoras de conjuntos
difusos con el fin de generar una medida cuantitativa
dado estos datos inciertos con el fin definir las reglas de
la seleccin de los proveedores[9, 10].
En este documento se propone el uso de redes de
decisin bayesiana difusa para la seleccin de
proveedores en cada uno de los niveles y agentes de la
red de suministro.
Administracin de una cadena de suministro con
tcnicas de aprendizaje de maquina: Pronstico de
demanda, seleccin de proveedores y eleccin de
polticas de inventarios

Daniel Grass
{dsgrassg }@unal.edu.co
Universidad Nacional de Colombia


2
En [9] las redes bayesianas, se utiliza para formalizar las
interacciones entre agentes de la cadena de suministro durante
el proceso de cumplimiento de pedidos. Las relaciones
directas de oferta y demanda entre pares de agentes se
modelan segn las indicaciones vnculos causales, ya que el
hecho de que un proveedor de cumplir con sus compromisos
puede afectar compromiso con el progreso de sus clientes. El
intercambio de informacin entre los agentes se modela como
la propagacin de la creencia. El modelo de red bayesiana
creencia extendida permite a los agentes llevar a cabo
acciones estratgicas, como seleccionar dinmicamente o
cambiar los proveedores, o tomar decisiones de cancelar un
compromiso en base a su funcin relacionada con la utilidad
esperada. Modelando las principales variables del dominio y
sus relaciones causales, pero aprovechando las ventajas de los
modelos de decisin red bayesiana. Cada agente de la cadena
tiene su propio BDN para representar sus creencias acerca de
la fiabilidad de los socios comerciales, sobre la base de las
relaciones comerciales establecidas durante la ltima
experiencia en los negocios. La informacin resultante de cada
red se utiliza para configurar toda la cadena de suministro.
II. DEFINICIN DEL OBJETIVOS
Mediante tcnicas de regresin (Kernel ridge regression)
identificar la demanda para un nodo cliente.

Generar una medida de confianza entre agentes y
proveedores mediante la construccin de funciones de
pertenencia difusas que describan las experiencias de los
agentes y sus vinculaciones con los proveedores.

Mediante tcnicas de clasificacin (Redes bayesianas)
seleccionar el proveedor de acuerdo a la medida confianza
construida.

Simular las polticas de inventario a utilizar por el nodo
cliente.
III. PRONOSTICO DE DEMANDA EN LA CADENA DE SUMINISTRO
POR MEDIO DE TCNICAS DE APRENDIZAJE DE MAQUINA
Para el pronstico de la demanda por cada uno de los clientes
se estudia la capacidad predictiva de kernel ridge regression
[12]. Primero se define el modelo de regresin tal como lo
propone [12]:

Donde
.

De acuerdo a lo propuesto en [12], se realizo la siguiente
consulta en MySQL para la extraccin de los datos de la
demanda necesarios para cumplir las condiciones de Linear
AR(2), ya que debe cumplir con las caractersticas de una serie
de tiempo autoregresiva:

SELECT d1.demanda, d2.demanda, d3.demanda FROM
demanda as d1, demanda as d2, demanda as d3 where
d1.id_agente=d2.id_agente and d2.id_agente = d3.id_agente and
d2.mes=d1.mes+1 and d3.mes=d2.mes+1;

Ya encontrados los parmetros para realizar la regresin por
cada uno de los proveedores se procedi a programar en
MATLAB el pronstico para el siguiente periodo el nivel a
pedir sus proveedores de la siguiente manera:

%lee el csv para entrenar los datos
%x = csvread('C:\Zhita\demanda\demanda.csv')
demanda(1,2)
espacio_caracterizticas = ones(360,2)
y=ones(360,1)
for i=1:360

espacio_caracterizticas(i,1)=demanda(i,1)%*demanda(i
,1);

espacio_caracterizticas(i,2)=demanda(i,2)%*demanda(i
,2);
%espacio_caracterizticas(i,3)=
(1.4142)*demanda(i,1)*demanda(i,2);
y(i,1)=demanda(i,3)
end
K=espacio_caracterizticas*espacio_caracterizticas'
I=eye(360)
i=0.1

for l=1:17
lambda=i
inversa= inv(K+lambda*I)
factor= espacio_caracterizticas'* inversa *y;
resul= espacio_caracterizticas * factor
train_error(l)=norm(resul-y)

%Se extrae el conjunto de test
resul_test=demandatest*factor
test_error(l)=norm(resul_test-y_test)
i=i+0.1
end
h_0=[0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2
1.3 1.4 1.5 1.6 1.7]
h= 1:17
plot(h_0,train_error,h_0,test_error)

Para el ejemplo propuesto mostro el siguiente comportamiento
de la demanda para cada uno de los proveedores en la cadena
de suministro:
Error_Train
0,1 84,9434174
0,2 88,3809572
0,3 89,820281
0,4 90,536086
0,5 90,8392978
0,6 90,9706537
0,7 91,1228943
0,8 91,1713465
0,9 91,2316773
1 91,2733903
1,1 91,3022345
1,2 91,30694

3
1,3 91,3320935
1,4 91,3442673
1,5 91,3528631
1,6 91,3584919
1,7 91,3680106

Tabla 1. Variacin del parmetro de regularizacin y el error
de entrenamiento obtenido

Figura 1. Error de entrenamiento y prueba variando el
parmetro de regularizacin

Figura 2. Pronostico de demanda realizado para un nodo
proveedor

Figura 3. Pronostico de demanda para cada nivel de la
cadena de suministro
IV. SELECCIN DE PROVEEDORES UTILIZANDO RED DECISIN
BAYESIANA DIFUSA

A. Definicin
En la teora tradicional un objeto pertenece a un conjunto o no,
cuando esto sucede a este tipo de conjuntos se les denomina
conjuntos discretos. Por otra parte cuando a un elemento se le
da un grado de pertenencia a un conjunto y esta membreca es
imprecisa o difusa se dice que el conjunto es difuso.
Para ser ms formales a continuacin se definir en trminos
matemticos para dar claridad a lo mencionado anteriormente.
Sea un espacio de objetos donde sus elementos se denotan
, tal que . Sea un subconjunto difuso de se
caracteriza por su funcin de membreca
el cual asocia
a cada punto real en un valor en el intervalo [0,1]. El valor
de membreca que es el valor de un punto en representa el
grado de membreca de en .
Si
es el conjunto difuso correspondiente al conjunto

entonces una tcnica llamada Fuzzy Bayesian equation
combina las probabilidades y los valores de pertenencia
difusa en un solo valor multiplicando las probabilidades por el
valor de pertenencia difusa relacionada con esta [8].

(
|)

|)

Donde representa el conjunto de estados de e es un
estado individual. Como se puede ver es muy parecido a la
forma tradicional de calcular la regla de Bayes, la diferencia
consiste en que se enumera cada posibilidad para la variable
y este se pondera con el valor de membreca de cada estado
de
, en las dos ecuaciones anteriores se puede observar

cmo funciona la ecuacin bayesiana difusa cuando se
condiciona un valor concreto sobre una variable difusa o
viceversa.
La probabilidad marginal difusa est dada por la siguiente
ecuacin:
(

Por ltimo se considera el caso en el cual las dos variables que
se condicionan son de tipo difuso, donde se tiene

(
)(

B. Red de decisin bayesiana difusa
De acuerdo a la red propuesta por [7] se realizo la
tranformacin de las variables con estados discretos a
continuos para poder aplicar las inferencias utilizando entradas
continuas [13]:

4

Figura 4. Red de decisin bayesiana difusa para encontrar el
impacto sobre los ingresos de acuerdo a la escogencia de
proveedor

1. La desalineacin de intereses
2. Proveedor de tensiones financieras
3. Cambio de Liderazgo Proveedor
4. Nivel de paro
5. La desalineacin en la red de proveedores
6. Problemas de calidad
7. Problemas de entrega
8. Problemas del servicio
9. Problemas de proveedores
10. Proveedor bloqueado
11. Fusin/Desinversin
12. Desastres naturales
13. RR=riesgo de la red
14. RO=Riesgo operacional
15. RE=Riesgo externo
16. RI=Impacto sobre los ingresos
17. A=alto, M=Medio y B=Bajo

La idea de esta red de decisin es seleccionar el proveedor
con menor probabilidad de que el impacto sobre los ingresos
sea alto por lo cual se diseo un escenario pesimista tal como
sigue:

P(II=A|1=A,2=A,3=B,4=A,5=A,6=A,7=A,8=A,9=A,10=M,11
=M;12=B,RR=A,RO=A,RE=M) =
P(1=A)*P(RR=A|1=A)*P(II=A|RR=A)*
1A
+
2A
+
P(3=B)*P(RR=A|3=B)*P(II=A|RR=A)*
3B
+
4A
+
5A
+
P(6=A)*P(RO=A|6=A)*P(II=A|RO=A)*
6A
+
7A
+
8A
+
9A
+
P(10=M)*P(RE=M|10=M)*P(II=A|RE=M)*
10M
+
11M
+

12M

A continuacin se muestran las probabilidades apriori y
condicionales asumidas de acuerdo a lo propuesto en [7]:

Var P(Var=alto) P(Var=medio) P(Var=bajo)
1 0,2 0,3 0,5
2 0,4 0,4 0,2
3 0,3 0,3 0,4
4 0,2 0,25 0,55
5 0,3 0,6 0,1
6 0,4 0,4 0,2
7 0,5 0,35 0,15
8 0,1 0,4 0,6
9 0,3 0,35 0,35
10 0,05 0,3 0,65
11 0,03 0,2 0,77
12 0,01 0,1 0,89

Tabla 2. Probabilidades a priori en la FBN

Probabilidades condicionales
P(RR=A|1=A) 0,8
P(RR=A|2=A) 0,9
P(RR=A|3=B) 0,6
P(RR=A|4=A) 0,35
P(RR=A|5=A) 0,43
P(RO=A|6=A) 0,77
P(RO=A|7=A) 0,8
P(RO=A|8=A) 0,4
P(RO=A|9=A) 0,42
P(RE=M|10=M) 0,34
P(RE=M|11=M) 0,36
P(RE=M|12=M) 0,21
P(II=A|RR=A) 0,34
P(II=A|RO=A) 0,56
P(II=A|RE=M) 0,68

Tabla 3. Probabilidades condicionales para calcular la
probabilidad de Impacto sobre los ingresos

Para la clasificacin difusa se utilizaron las siguientes
funciones de pertenencia trapezoidales, asumiendo las mismas
para las 12 variables de entrada.

Figura 5. Funciones de pertencia para el nivel de cada una de
las variables a medi.r

Se procedi a programar el cdigo de la red decisin
bayesiana difusa:

for i=1:20


5
if PuntajesFBN(i,1)<55 || PuntajesFBN(i,1)>136
u1=0
elseif PuntajesFBN(i,1)>=55 &&
PuntajesFBN(i,1)<90
u1=(PuntajesFBN(i,1)-55)/(90-55)
PuntajesFBN(i,1)<=104
u1=1
end
u2=0
PuntajesFBN(i,2)<90
u2=1
end
if PuntajesFBN(i,3)<-36 || PuntajesFBN(i,3)>45
u3=0
elseif PuntajesFBN(i,3)>=-36 &&
PuntajesFBN(i,3)<=-4
u3=(x+36)/(-4-36)
elseif PuntajesFBN(i,3)>-4 &&
u3=1
elseif PuntajesFBN(i,3)>10 &&
u3=(45-PuntajesFBN(i,3))/(35)
end
u4=0
PuntajesFBN(i,4)<90
u4=1
end
u5=0
PuntajesFBN(i,5)<90
u5=1
end
u6=0
PuntajesFBN(i,6)<90
u6=1
end
u7=0
PuntajesFBN(i,7)<90
u7=1
end
u8=0
PuntajesFBN(i,8)<90
u8=1
end
u9=0
PuntajesFBN(i,9)<90
u9=1
end

u10=0
PuntajesFBN(i,10)<45
u10=(PuntajesFBN(i,10)-10)/(45-10)
u10=1
end

u11=0
u11=(PuntajesFBN(i,11)-10)/(45-10)
u11=1
end

u12=0
u12=(PuntajesFBN(i,12)-10)/(45-10)
u12=1
end
resultado(i)= (0.2*0.8*0.34*u1) +
(0.4*0.9*0.34*u2) + (0.4*0.6*0.34*u3)
+(0.2*0.35*0.34*u4) +(0.3*0.43*0.34*u5)
+(0.4*0.77*0.56*u6) +(0.5*0.8*0.56*u7) +
(0.1*0.4*0.56*u8) +(0.3*0.42*0.56*u9)
+(0.3*0.34*0.68*u10) +(0.2*0.36*0.68*u11) +
(0.1*0.21*0.68*u12) +0.1
end

El cual se prob con las calificaciones otorgadas a los
proveedores por parte de un cliente, donde el proveedor
seleccionado es el que tenga la probabilidad ms baja ya que
indica menos probabilidad en el impacto de ingresos:

1 2 3 4 5 6 7 8 9 10 11 12
19 90 55 30 61 53 24 38 47 71 14 82
40 24 19 68 33 85 36 85 87 37 17 99
58 33 19 28 92 66 39 83 99 68 32 26
15 53 92 94 73 33 100 66 31 14 65 66
29 48 78 52 45 86 92 62 22 70 53 68

6
62 78 72 50 91 30 36 24 35 15 76 81
37 25 15 57 17 33 66 46 95 83 24 97
33 73 23 92 24 23 34 44 42 47 24 48
37 76 41 59 40 32 81 96 50 24 10 42
61 70 98 90 18 78 19 58 92 75 12 38
57 62 33 40 87 80 36 76 14 51 25 93
19 50 58 97 34 90 31 45 94 21 60 18
96 98 94 41 20 13 82 87 34 41 69 51
29 89 13 94 19 81 23 67 23 49 97 79
90 36 52 55 14 55 89 95 61 88 82 26
73 35 70 29 30 38 50 60 69 100 87 25
37 42 11 91 14 49 33 30 27 55 25 24
23 48 72 81 94 12 62 27 63 35 74 36
13 66 60 12 26 70 97 94 75 79 89 73
58 32 96 44 73 21 97 19 70 39 27 10

Tabla 4. Calificacin de las 12 variables por parte un nodo
cliente a sus posibles proveedores

Donde cada fila indica el puntaje de las 12 variables en un
proveedor. Para el conjunto de datos anterior se obtuvo los
siguientes resultados:

Proveedor Probabilidad Impacto Ingresos
1 0,276430857
2 0,464307429
3 0,432728571
4 0,430086857
5 0,578818286
6 0,268338857
7 0,345718857
8 0,341264
9 0,415085714
10 0,415354286
11 0,422649143
12 0,433868571
13 0,575169143
14 0,526964571
15 0,428178286
16 0,169717714
17 0,299123429
18 0,305000571
19 0,529242286
20 0,462709714

Tabla 5. Probabilidad de que el impacto sobre los ingresos
sea alto.

Donde el proveedor seleccionado es el 16, ya que presenta la
menor probabilidad de influir negativamente sobre los
ingresos del cliente que lo selecciona.

Hasta el momento hemos pronosticado la demanda para un
periodo siguiente por cada proveedor y a su vez hemos
decidido los enlaces entre clientes y proveedores de acuerdo a
una medida de riesgo sobre los ingresos. La escogencia de
proveedor trae consigo unas polticas de inventarios adoptar
para optimizar los costos de almacenamiento y pedido entre
los involucrados.
V. SIMULACIN DE POLTICAS PARA EL CONTROL DE
INVENTARIOS
Dado que en las dos secciones anteriores se desarrolla
metodologas para encontrar el pronstico de la demanda y la
seleccin de proveedores, en esta se concentra en encontrar la
mejor poltica de inventarios que disminuya los clientes
perdidos por desabastecimiento dado la generacin de la
demanda pronosticada y las condiciones del proveedor
seleccionado tales como tiempos de entrega y mximos puntos
de reorden [14].

Se simularon 2 polticas (Q,r y S,s) las cuales se explican con
mayor detalle en [14], en las que los parmetros de
entrada de los modelos son:
Demanda pronosticada para el siguiente periodo
De acuerdo al proveedor seleccionado encontrar el
punto de reorden (r y s respectivamente en cada
modelo).

Simulacin Q,r:

La llegada de los clientes pronosticadas por el kernel ridge
regresin, en las que se evala si hay existencias en stock
para poder cumplir con la venta, si existe la cantidad demanda
en inventario se descuenta la cantidad demandada al
inventario en caso contrario se asume la perdida de venta. Si el
inventario es menor o igual al punto de reorden realiza un
pedido al proveedor (el cual tiene un tiempo de entrega y una
capacidad mxima para cumplir sus compromisos).
Se procedi a simular con los datos hallados anteriormente,
mostrando los siguientes resultados:


7

Figura 7. Nivel de inventarios para la poltica Q,r y cantidad
de clientes perdidos

Simulacin S,s:

En el caso de evaluar el inventario S,s Si el inventario es
menor o igual al punto de stock minimo (s) realiza un pedido
al proveedor hasta S unidades en inventario.

Figura 8. Nivel de inventarios para la poltica S,s y cantidad
de clientes perdidos
Se observa que aplicando la poltica de S,s disminuye la
cantidad de clientes perdidos drsticamente, pero a la vez se
realizan mas pedidos lo cual influye en mas costos fijos de
pedido. Se propone para trabajos futuros realizar ms
escenarios con diferentes parmetros para tener resultados
empricos de polticas de inventario de acuerdo a los
parmetros y poder entrenar modelos de clasificacin para no
simular necesariamente todos los casos.

VI. CONCLUSIONES
Este estudio tiene como objetivo de integrar tres variables de
gran importancia para la administracin de las cadenas de
suministros. En el artculo se muestra que la utilizacin de
kernels para el pronstico de la demanda es una buena
alternativa para estos propsitos. La seleccin de proveedores
se basa sobre el riesgo potencial que tiene cada uno de los
proponentes en la afectacin de los ingresos de los clientes.
Finalmente se propone un modelo de simulacin para
seleccionar las polticas de inventarios que minimizan los
clientes perdidos y la vez los costos de almacenamiento y
pedido.
REFERENCIAS
[1] Zhao, X., Xie, J., Wei, J.C., 2002. The impact of forecast
errors on early order commitment in a supply chain.
Decision Sciences 33 (2), 251280.
[2] Byrnes, J. and R. Shapiro, "Intercompany Operating Ties:
Unlocking the Value in Channel Restructuring," Working
Paper, Harvard Business School, Cambridge, MA, 1992.
[3] T. Cheng, J. Yue, and T. Guo, Inventory Modeling in
Supply Chain Management: A Review, in 2008 4th
International Conference on Wireless Communications,
Networking and Mobile Computing, 2008, pp. 14.
[4] N. K. Vidyarthi and R. S. Lashkari, A multi-criterion
decision model for advanced manufacturing technology
acquisition in supply chain networks, 2002 IEEE Int.
Conf. Ind. Technol. 2002. IEEE ICIT 02., pp. 1235
1240.
[5] M. Christopher, logistics & supply chain management.
2011, pp. 1288.
[6] J. Collins, W. Ketter, and N. Sadeh, Pushing the limits of
rational agents: the Trading Agent Competition for
Supply Chain Management, AI Magazine, Vol. 31, No. 2,
2010.
[7] A Lockamy, An Evaluation of Network Risks in Supply
Chains, in Contemporary Business Studies, 2012.
[8] N. F. Ryhajlo, Fuzzy bayesian networks for prognostics
and health management, 2013.
[9] Ka-Chi Lam, Ran Tao, Mike Chun-Kit La. A material
supplier selection model for property developers using
Fuzzy Principal Component Analysis. Automation in
Construction 19 (2010) 608-618.
[10] Ali Fuat Guneri, Atakan Yucel , Gokhan Ayyildiz. An
integrated fuzzy-lp approach for a supplier selection
problem in supply chain management. Expert Systems
with Applications 36(2009).
[11] A. A. Taleizadeh, S. T. A. Niaki, M.-B. Aryanezhad, and
N. Shafii, A hybrid method of fuzzy simulation and
genetic algorithm to optimize constrained inventory
control systems with stochastic replenishments and fuzzy
demand, Inf. Sci. (Ny)., vol. 220, pp. 425441, Jan.
2013.
[12] P. Exterkate and P. J. F. Groenen, Macroeconomic
forecasting using kernel ridge regression, 2010.
[13] H. Pan and L. Liu, Fuzzy bayesian networksa
general formalism for representation, inference and
learning with hybrid bayesian networks, in International
Journal of Pattern Recognition and , 2000, pp. 126. J.
[14] Sven Axsater, inventory control, second edition, Springer
verlag, 2006.

Articulo

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Articulo

Caricato da

Copyright:

Formati disponibili

Universidad Nacional de Colombia. Grass D. Machine Learning .

es el conjunto difuso correspondiente al conjunto

, en las dos ecuaciones anteriores se puede observar

Potrebbero piacerti anche