Viernes 31 de agosto del 2018

¿Cuáles son las innovaciones

de Machine Learning en
Supplain Chain?
Las empresas buscan utilizar esta tecnología para lograr un
mayor estancamiento en su planificación y previsión de la
demanda.
Viernes 31 de agosto del 2018
El Machine Learning, rama de la Inteligencia Artificial (IA), tiene
una gran oportunidad de impactar las cadenas de suministro
porque éstas, por su propia naturaleza, son entornos donde se
pueden recopilar o detectar enormes cantidades de datos,
procesarlos y luego optimizarlos y mejorarlos mediante el
desarrollo algorítmico.

EL PRONÓSTICO
Hoy, por ejemplo, las empresas buscan utilizar esta tecnología
para lograr un mayor estancamiento en su planificación y
previsión de la demanda. Mediante el análisis de múltiples datos
y la generación de algoritmos, es posible detectar patrones de
comportamiento de la demanda, lo que a su vez contribuye a
predecirla con mayor certeza.
De esa forma, se puede optimizar y planificar gastos de
producción, evitar roturas de stock y sobrestock, lograr mejores
tiempos de reabastecimiento, optimizar los recursos y el espacio
en los almacenes, etcétera.

“Como ejemplo, una compañía de alimentos saludables pudo

aprovechar las capacidades de análisis de IA con el aprendizaje
automático para analizar la fluctuación en las variaciones de
demanda y las tendencias durante las promociones. Esto condujo
al desarrollo de un modelo de demanda más preciso durante
eventos promocionales que permitieron al equipo de ventas y
marketing mejorar su precisión de previsión en un 20% y reducir
las ventas perdidas en un 30%”, dice Larry St Onge,
Vicepresidente Senior, Tecnología Américas de DHL.

PLAN DE RUTAS Y TIEMPO DE ENTREGA

El machine learning, a través de la recolección y análisis de datos
sobre condiciones meteorológicas, de congestión vehicular, de
semáforos o atascos, es capaz de aprender y detectar qué
camino es el más rápido hacia un destino de entrega o a qué
hora se debe ir por una ruta u otra, pudiendo lograr mejores
tiempos de entrega. Por ejemplo, según América Retail, Alibaba
ha logrado mapear rutas de entrega eficientes mediante machine
learning, reduciendo el 30% en la distancia recorrida y un 10% en
el uso de sus vehículos.
Además, Cainiao Network, la empresa logística de Alibaba,
anunció el año pasado que durante la próxima década reforzará
su tecnología de inteligencia artificial con un millón de camionetas
inteligentes que le ayudarán a hacer frente a la creciente
demanda de entrega de paquetes.

CHATBOT EN LOGÍSTICA
Este modelo del machine learning consiste en un bot entrenado a
través de machine learning e IA para revolver dudas, consultas o
reclamos de manera online. Según un estudio publicado por
Juniper Research, un bot de este tipo genera un ahorro de cuatro
minutos por interacción, lo que se traduce en un recorte cercano
a los 0,6 dólares por consulta.
Recientemente, Scharff diseñó y lanzó Amanda, el primer
asistente virtual en Perú que resuelve consultas sobre temas
logísticos (relacionados a su servicio de Courier Internacional)
mediante Facebook Messenger.

PREPARACIÓN DE PEDIDOS (PICKING) O INVENTARIADO

Otro caso donde puede ser usado es en la gestión de inventarios
impulsada por visión y cumplimiento en operaciones de
recolección y empaque. Utilizando las capacidades de IA junto
con las transmisiones de cámara, los trabajadores pueden
alimentar imágenes a través de dispositivos de selección de
visión para ayudar a asegurar que se elija el orden perfecto cada
vez.
“También se está llevando a cabo un mayor desarrollo para
ayudar a automatizar los recuentos de ciclos de inventario que
combinan herramientas impulsadas por la visión y drones para
realizar recuentos de ciclos de rutina a través de los almacenes”,
agrega Larry St Onge.

DISEÑO DE OPERACIÓN
Las empresas ahora están experimentando con almacenes de
cableado y recopilando datos, a través de la tecnología IoT
(internet de las cosas), en el borde informático. Cuando se
combina con capacidades analíticas de IA, esto permite a los
operadores de almacenes desarrollar mapas de calor y analizar
patrones de flujo de trabajo a través de las operaciones de
depósito, identificando áreas potenciales donde pueden ocurrir
accidentes o haciendo que las operaciones pierdan eficiencia,
permitiendo de esta manera que el operador del almacén diseñe
una operación más eficiente.

De acuerdo con un estudio realizado el 2017 por la consultora

global McKinsey, “los primeros en adoptar una estrategia de IA
proactiva en el sector del transporte y la logística tuvieron
márgenes de ganancia superiores al 5%”.