Caso práctico de aplicación de Data Mining: Empresa de farmacia.

oy queremos compartir con vosotros un caso de éxito que realizamos para un Operador Logístico líder en el sector farmacéutico.

Para meternos en harina las características principales eran las siguientes:

– Certificado bajo normatica GDP/GMP

– 20.000m² y 4 plantas (Altura 30 m)

– Inversión de 33 millones de Francos Suizos

– Suministro desde fábrica o almacén de proveedores

– +6.000 clientes finales

– Almacén automático : 6.000 pallets y 66.000 cajas

– Cadencia de entrada 100 pallets /día

– Cadencia de salida 2.500 líneas de pedido /día

– Traspasos internos 1.000 líneas de pedido /día

En este proyecto desarrollado por LIS-Solutions, uno de los principales objetivos era analizar la cadena de frío: Existían vacunas antibióticas en rango de -20ºC +8ºC y todo lo que saliera de ese rango mermaba la calidad del medicamento o vacuna, además, se disponían cubetas que garantizaban el rango de temperatura durante 24h.

Problemática:  “Se desconoce la fiabilidad de la cadena de frío”.

Se necesita conocer el origen de las roturas y el posible impacto que genera en los clientes, con el fin de poder reclamar el producto en el menor tiempo posible, es decir, garantizar la trazabilidad.

Solución con Minería de datos:

Dada la complejidad del análisis y la cantidad de variables que intervienen (+100) en la problemática, se decide realizar un estudio con técnicas de minería de datos para reducir las variables que intervienen.

Se define pérdida de cadena de frío como todo aquel movimiento que saliendo del almacén de frío supera las 24 horas antes de la expedición.

Podemos ver cómo gracias a técnicas de minería de datos sencillas, podemos reducir el problema, centrándonos en variables como la prioridad, el día de la semana, o el operario.

Proceso Data Mining.

Se desarrolló un sistema de nodos que permitió automatizar la unión y limpieza de más 180 excels.

Gracias a diferentes algoritmos de minería de datos se detectan las variables que intervienen en el problema de la rotura de la cadena de frio, y mediante “machine learning”, se creó un proceso de inteligencia que aprendiendo del histórico, al recibir nuevos datos, identifica posibles puntos de rotura.

¡Una mala gestión de las prioridades de los pedidos y una alta burocracia desarrollada fuera del almacén de frío eran factores determinantes para el fallo en la cadena de frío!

 “Gracias a la suma de algoritmos de minería de datos y herramientas de visualización (Business Intelligence) conseguimos mantener un proceso crítico controlado. Evitando errores que podrían ser fatales para nuestra empresa.” 

COMPARTE ESTE POST