Noticias

Jul 12, 2023

Creación de almacenes NextGen y transformación de operaciones mediante la ciencia de datos

Todos los escenarios anteriores se repiten en muchas cadenas de suministro, aunque

Todos los escenarios anteriores se repiten en muchas cadenas de suministro, a pesar de que existen soluciones tecnológicas listas para usar. La inteligencia artificial y el aprendizaje automático tienen el poder de transformar las operaciones de almacén con análisis de datos. Los almacenes NextGen ya están utilizando el análisis avanzado de datos a nivel mundial para revolucionar las actividades del almacén. Algunas soluciones son:

Programación inteligente de citas

El aprendizaje automático revisa datos históricos de pedidos, citas y horarios en un almacén. Después de analizar la hora programada y la hora de llegada de los camiones, se detectan patrones, por ejemplo, un transportista que llega tarde de forma crónica o retrasos relacionados con el clima. Un algoritmo derivado del patrón se refina con conocimientos más profundos obtenidos del análisis de los datos, incluidos varios parámetros como la complejidad del pedido, el esfuerzo necesario para procesarlo, la carga del almacén, etc. El modelo ML está entrenado para pronosticar los mejores horarios, con varias simulaciones de escenarios hipotéticos antes de que se formule una solución inteligente de IA para la programación de citas.

El personal del almacén que necesita programar citas puede alternar las opciones disponibles para elegir una recomendación. El programador "inteligente" no solo reserva la cita, sino que también ajusta todo el horario del día o la dirección (entrante/saliente) de las actividades; muestra la cantidad de citas que se pueden incluir en el mismo espacio del calendario, refleja el estado de recolección, indica los motivos de los retrasos, señala las inconsistencias que necesitan atención, controla las horas activas e inactivas e identifica las mejores oportunidades para atender a los que llegan tarde. Todo esto se hace sin comprometer los tiempos de giro de otros transportistas.

Beneficios:Reducción en el tiempo de turno, precisión en la programación, reducción de demoras, programación automatizada, ahorros al evitar cargos por detención, carga de almacén optimizada a lo largo del día, distribución de mano de obra, correos electrónicos de citas programadas o mensajes telefónicos a conductores/transportistas, bienestar de los conductores, seguridad y manejo rápido de envíos

Gestión predictiva de inventario de existencias

La demanda de los clientes, la demanda de materias primas del taller, los pedidos de los minoristas y la vida útil de los productos inciden en la gestión de inventario. Incluso los riesgos que surgen a lo largo de la cadena de suministro, los sentimientos de los consumidores rastreados a través de las redes sociales y la percepción pública de los fabricantes, proveedores o cualquier otra parte interesada pueden afectar negativamente la gestión de inventario. Por lo tanto, controlar un conjunto diverso de datos y darle sentido de manera proactiva es análisis predictivo.

Para implementar la gestión predictiva del inventario de existencias, se agregan, filtran, analizan y modelan grandes conjuntos de datos históricos y actuales. Se introducen restricciones, como condiciones climáticas extremas y picos observados en los datos del punto de venta, para impulsar a los algoritmos de aprendizaje automático a "aprender" a predecir en función del historial más reciente. Como el énfasis está en la alta visibilidad de los datos, es posible cerrar la brecha entre los gerentes de comercialización que toman las decisiones de compra y los gerentes de almacén.

Los datos de muchas aplicaciones, incluido el sistema de gestión de almacenes, la gestión de inventario de proveedores, el análisis de la cesta de la compra, la gestión de pedidos de distribución y la planificación de la cadena de suministro, ayudan a simular y predecir resultados, descubrir información que mejora la colaboración y desarrollar estrategias ágiles de gestión de inventario.

Los parámetros como los patrones de demanda, la próxima escasez, el desperdicio, el costo total de propiedad del inventario, el escalado para incluir datos de proveedores externos, el recuento de SKU y los ajustes de asignación de fechas también se emplean para fomentar la creación de inventario predictivo.

Beneficios:Reducción efectiva de costos, toma de decisiones perspicaces, mejor colaboración entre los procesos y las partes interesadas, abastecimiento estratégico, prevención del exceso de existencias, escalabilidad para el crecimiento, generación de demanda y satisfacción y experiencia del cliente mejoradas.

Asignación inteligente de tareas

Un almacén es una colmena de actividad y, a menos que cada tarea, pequeña o grande, se lleve a cabo de manera segura, eficiente y oportuna, las cosas pueden salir muy mal. El método manual de asignación de tareas depende en gran medida de la experiencia, la discreción y las reglas comerciales de los supervisores. Se puede entrenar un sistema de IA de asignación de tareas en tiempo real para asignar tareas a la persona adecuada y aumentar la eficiencia laboral. ML se emplea para categorizar tareas en función de diferentes criterios.

En el almacén, estos criterios suelen estar vinculados a parámetros como el producto, la distancia, la ubicación, las habilidades laborales y el desempeño anterior. El modelo ML se puede entrenar para ejecutar datos históricos y simular diferentes combinaciones de tareas y asignaciones para determinar la mejor opción. Tanto la productividad como el tiempo del personal se pueden utilizar de manera efectiva con un ajuste más fino del algoritmo. Por ejemplo, las recomendaciones de intercalación de tareas inteligentes se lanzan cuando el algoritmo ML detecta que a un trabajador se le asigna una tarea en una zona del almacén donde esperan tareas similares. El trabajador puede realizar múltiples tareas "similares" en la misma zona. Del mismo modo, la recolección y la entrega se pueden realizar simultáneamente si se ubican en la proximidad.

Como todas las permutaciones y combinaciones de trabajadores y tareas se pueden ver en un tablero intuitivo, un supervisor puede planificar la asignación de tareas para todo el día en función de la demanda y la disponibilidad del personal. A los robots también se les pueden asignar tareas.

Beneficios:Optimice la capacidad del personal, mejore el rendimiento de las tareas, reduzca los cuellos de botella operativos, alta eficiencia por turno, manejo seguro y sin daños, evite costos de horas extra inútiles, evite problemas de falta de personal y exceso de personal, reduzca costos, aumente la productividad.

Planificación efectiva de la demanda

La recopilación y el análisis de datos son fundamentales para la previsión y la planificación de la demanda. En el almacén, es importante predecir con precisión la cantidad de productos que se almacenarán por SKU, el espacio necesario para almacenar, la mano de obra requerida y la cantidad de turnos de trabajo necesarios. Es aún más importante alinear a los proveedores externos con los plazos de los procesos de producción mientras se realizan las entregas. No es posible pronosticar todos los eventos futuros, pero la planificación de la demanda emplea varios parámetros para cubrir todas las contingencias. Por ejemplo, la demanda a corto, mediano y largo plazo; los datos históricos de ventas se desglosan en meses, trimestres y años anteriores; demanda estacional durante Navidad, Acción de Gracias, Semana Santa, etc.

Es imposible predecir el desempeño futuro de un producto o servicio en términos de obtener ganancias o sufrir pérdidas ya que los factores que influyen en la demanda son muchos: económicos, políticos, sociales, ambientales, tecnológicos y legales.

ML aplica algoritmos matemáticos complejos a big data para detectar patrones de demanda, establecer relaciones entre conjuntos de datos y detectar señales de demanda.

Un algoritmo bien entrenado (que se alimenta con datos históricos y consultas hipotéticas) recomendará un nivel adecuado de existencias de seguridad para superar las contingencias. El alcance de los eventos y las promociones puede determinarse mediante algoritmos de ML que comparten información sobre las preferencias de los consumidores, la sensibilidad a los precios y otros factores "motivacionales" que inspiran la compra.

Beneficios:Cadena de suministro eficiente, niveles de stock óptimos, producción fluida y organizada, relaciones sanas con clientes y proveedores, sin desabastecimientos ni obsolescencia, optimización del espacio de almacenamiento, minimización de costos de almacén.

Utilización óptima de la capacidad

La capacidad de almacenamiento físico no siempre se traduce en la utilización de la capacidad en un almacén. La optimización de la utilización de la capacidad es la capacidad de usar el almacenamiento en función de la altura y las dimensiones de los productos, el inventario necesario y el espacio que necesitan los trabajadores para moverse con libertad y seguridad mientras ubican los artículos rápidamente y cumplen los pedidos de manera eficiente. Además de los datos WMS, las inspecciones periódicas de las funciones del almacén ayudan a detectar irregularidades. Las técnicas avanzadas de visión por computadora se utilizan para inspecciones que arrojan conocimientos profundos.

Un algoritmo de ML desarrollado para rectificar las anomalías y sugerir remedios proporcionará información que se puede utilizar para modelar la utilización óptima de la capacidad. El seguimiento de los KPI de inventario, recepción, selección, seguridad, almacenamiento, seguridad y rendimiento arrojará luz sobre la mejora integral de la capacidad del almacén, no solo el espacio, sino también operaciones como el almacenamiento, el cumplimiento y el reabastecimiento.

Los gerentes de almacén pueden evaluar y aceptar sugerencias como el cross-docking (mover un artículo directamente desde la recepción hasta el envío), la asignación de espacios en el almacén (almacenar y organizar el inventario según el SKU o las características del producto) y los cambios de diseño realizados por el algoritmo. Los modelos de IA pueden correlacionar el pronóstico de la demanda con la utilización de la capacidad y, por lo tanto, se pueden hacer recomendaciones para optimizar funciones como la cantidad de horas de trabajo, las horas dedicadas a la selección y la disponibilidad del personal, etc., para salvar las brechas.

Beneficios:Flujos de proceso de trabajo mejorados, ahorro de tiempo y dinero, seguridad de personas y productos, ventas fluidas, mejor organización, confianza del proveedor, menores gastos operativos, visibilidad de inventario, automatización, cadena de suministro optimizada

Optimización Continua de Procesos

En el contexto de un almacén, existe margen para optimizar el proceso de selección, que comprende el 55 % de los gastos operativos totales. El aprendizaje automático se ha empleado para optimizar las operaciones de selección. Varios parámetros como la dimensión del producto, el carro y la ruta de recolección, la ubicación de almacenamiento y la distancia a pie se "prueban" en diferentes combinaciones para llegar a una solución óptima. Los datos WMS se aprovechan para agrupar pedidos similares y sugerir listas de selección automatizadas; como hay muchas innovaciones introducidas en estanterías de almacén, apilamiento de palés y sistemas de transporte para clasificar pedidos, la optimización del proceso es continua.

Las recomendaciones de procesos pueden incluir técnicas de mejora de la productividad como selección por zonas, selección por grupos, selección por lotes, selección de pedidos discretos y combinaciones de estos métodos de selección. En la industria alimentaria, la preparación de pedidos se puede adaptar aún más para satisfacer los perfiles de pedidos que se adaptan a paquetes individuales o megapaquetes.

También se analizan datos maestros, líneas de pedido y coordenadas de diseño. Las nuevas tecnologías como códigos de barras, RFID, selección por voz, selección por luz, dispositivos portátiles y brazos robóticos pueden trabajar con análisis de datos para mejorar la eficiencia operativa.

Para la industria alimentaria, en particular, la solución de almacenamiento y recuperación automatizada es la opción preferida para evitar el contacto y la contaminación. Se utiliza una combinación de paletizado y despaletizado robotizado y vehículos de guiado automático.

En almacenes muy grandes con una variedad de productos, se puede simular primero el hermanamiento digital de todo el proceso con un nuevo plano de planta virtual, nuevos flujos de trabajo y variaciones de cada aspecto de las funciones de almacenamiento. Tanto los datos de procesos como los de activos contribuyen a la optimización de procesos a través de un gemelo digital. Los conocimientos derivados de la simulación virtual se traducen en acciones. Luego se introduce un algoritmo modelo basado en este ejercicio en el proceso gemelo del mundo físico.

Beneficios:Reducción de errores, mejora en la rentabilidad, toma de decisiones basada en datos, rendimiento mejorado, operación optimizada, mejor retorno de la inversión, reducción del tiempo de inactividad.

Planificación Logística Organizada

La logística implica la organización, el movimiento y la gestión en un almacén. Como incluye políticas, el flujo de bienes físicos y tiempo e información abstractos, es muy difícil organizarlo sin problemas. Significa rastrear camiones, tarimas y productos. Afortunadamente, también hay datos disponibles de diferentes fuentes.

ML utiliza datos de ERP, gestión de rutas, gestión de materiales, sistemas de gestión de pedidos y sensores IoT para calcular nuevos algoritmos para mejorar el enrutamiento de vehículos y carros. Los datos de diagnóstico del vehículo, los patrones de conducción y la información de ubicación se rastrean en tiempo real. Se realiza un análisis de los datos del proveedor, incluida la entrega a tiempo, el estado de los bienes en el momento de la entrega y los datos del cliente relacionados con la devolución de los bienes.

Junto con los KPI de transporte y almacenamiento, como el costo y la utilización, se evalúa la calidad de la logística y se hacen recomendaciones para organizar y planificar aún más la logística para mejorar el rendimiento.

Los datos también se recopilan de cobots, robots y vehículos guiados automatizados en almacenes y los conocimientos ayudan a automatizar aún más varias tareas.

Beneficios:Transporte seguro y rentable, optimización de rutas, ubicaciones de inventario precisas, recuentos de inventario en tiempo real, reducción de devoluciones, reabastecimiento automático, espacio de almacenamiento maximizado, trazabilidad de existencias.

Sunil Kardam es el jefe de logística y cadena de suministro, y es socio cliente de Gramener.