{"id":2500,"date":"2022-07-18T18:41:47","date_gmt":"2022-07-18T18:41:47","guid":{"rendered":"https:\/\/lisdatasolutions.sidnpre.com\/?post_type=casos_de_uso&p=2500"},"modified":"2022-07-27T08:53:47","modified_gmt":"2022-07-27T08:53:47","slug":"optimizador-con-ia-para-reslotting-en-almacen","status":"publish","type":"casos_de_uso","link":"https:\/\/www.lisdatasolutions.com\/es\/casos-de-uso\/optimizador-con-ia-para-reslotting-en-almacen\/","title":{"rendered":"Optimizador con IA para reslotting en almac\u00e9n"},"content":{"rendered":"\n
Se genera un modelo apoyado por Inteligencia Artificial que tiene en cuenta todas las variables que afectan tanto al slotting como al reslotting, facilitando al usuario una propuesta de mejora y optimizaci\u00f3n continuas, de manera aut\u00f3noma y automatizada.<\/p>\n\n\n\n
Dentro de las operaciones de almac\u00e9n existe un proceso que es de vital importancia para mejorar la productividad, reduciendo costes y aumentando la calidad de servicio, principalmente debido a la reducci\u00f3n de los tiempos de preparaci\u00f3n y env\u00edo de pedidos. Los criterios y variables usados para decidir la ubicaci\u00f3n ideal de cada referencia suelen tener que ver con caducidades, rotaci\u00f3n, etc. Estas variables son din\u00e1micas y normalmente los SGAs no disponen de capacidad para ir aplicando IA en las mismas y plantear peri\u00f3dicamente cambios de ubicaci\u00f3n (reslotting) basados en cambios de esas variables, e incluso de algunas externas que puedan influir en algunos productos: estacionalidad, clima, predicci\u00f3n de la demanda, etc…. Los SGAs habitualmente disponen de funcionalidades y herramientas para hacer una asignaci\u00f3n de referencia recibida a hueco \u00f3ptimo seg\u00fan ciertas variables parametrizables que ayuda de manera importante al proceso. Pero estas variables suelen estar controladas y gestionadas por el Responsable de almac\u00e9n o de Supply, quien seg\u00fan va viendo cambios en las mismas y en las tendencias de mercado, cambios de negocio o predicciones realizadas con m\u00e9todos tradicionales, y va ajustando la herramienta para aplicar mejoras e incluso realizar procesos de reslotting con \u00f3rdenes de trabajo internas de almac\u00e9n. Se plantea digitalizar ese proceso manual actual, aplicando IA desde los datos disponibles e incorporando tanto variables externas al modelo como predicciones basadas en IA.<\/p>\n\n\n\n Desarrollamos un modelo que se alimentar\u00e1 de los datos del SGA para conocer referencias, ubicaciones, etc. Adem\u00e1s nos conectamos al ERP para conocer tanto pedidos de entrada (compras) y su estado (en tr\u00e1nsito, pdte, otros) y pedidos de salida y su estado. Accediendo a las ventas desarrollamos un modelo predictivo sobre el que basar la optimizaci\u00f3n futura o detectar posibles cuellos de botella. Adem\u00e1s a\u00f1adimos variables externas relevantes a la predicci\u00f3n. Con todo ello generamos un motor de mejora de reslotting con IA que puede devolver resultados al SGA para que \u00e9ste genere las \u00f3rdenes de trabajo pertinentes o realice cambios sobre las variables relativas al slotting en maestros de ubicaciones o de producto.<\/p>\n\n\n\n Se realizan las integraciones pertinentes con la fuentes de datos necesarias. Se estudian las variables externas a incluir y generamos un repositorio intermedio (Data Warehouse) donde se almacena la informaci\u00f3n preparada para analizar.<\/p>\n\n\n\n Utilizamos herramientas y tecnolog\u00edas punteras del mercado para Anal\u00edtica Avanzada e Inteligencia Artificial para desarrollar el m\u00f3delo. Se transfieren los datos con la frecuencia establecida y se desarrollan tanto los modelos predictivos de demanda, como los motores de optimizaci\u00f3n de slotting.<\/p>\n\n\n\n El resultado final ser\u00e1 visualizado en una herramienta BI de mercado, o bien enviado directamente al sistema (SGA) de cliente encargado de realizar las tareas necesarias para el proceso optimizado.<\/p>\n","protected":false},"excerpt":{"rendered":" Se genera un modelo apoyado por Inteligencia Artificial que tiene en cuenta todas las variables que afectan tanto al slotting como al reslotting, facilitando al usuario una propuesta de mejora y optimizaci\u00f3n continuas, de manera aut\u00f3noma y automatizada. Objetivos Automatizar y optimizar el proceso de mejora de slotting y reslotting Mejorar los flujos de material, […]<\/p>\n","protected":false},"author":1,"featured_media":2507,"comment_status":"open","ping_status":"closed","template":"","meta":{"inline_featured_image":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0},"casos-de-uso":[77,80,81,76,79,78],"acf":[],"yoast_head":"\n<\/figure>\n\n\n\n
Qu\u00e9 hacemos<\/h2>\n\n\n\n
C\u00f3mo lo hacemos<\/h2>\n\n\n\n
Conexiones y almacenamiento de datos.<\/h3>\n\n\n\n
Capas de inteligencia.<\/h3>\n\n\n\n
Visualizaci\u00f3n e integraciones.<\/h3>\n\n\n\n