Resumen

La evaluación del rendimiento de la cadena de suministro es una actividad crítica para mejorar continuamente las operaciones. La literatura presenta varios sistemas de evaluación del rendimiento basados en métodos multicriterio y en inteligencia artificial. Entre ellos, los sistemas basados en redes neuronales artificiales (RNA) destacan por su capacidad de modelar relaciones no lineales entre métricas y permitir adaptaciones a un entorno específico mediante datos históricos de rendimiento. La precisión de estos sistemas depende directamente del algoritmo de entrenamiento adoptado, y no se han encontrado estudios que evalúen la eficiencia de estos algoritmos cuando se aplican a la evaluación del rendimiento de la cadena de suministro. En este contexto, el presente estudio evalúa cuatro métodos de aprendizaje de RNA con el fin de investigar cuál es el más adecuado para abordar la evaluación de la cadena de suministro. Los algoritmos evaluados fueron Gradient Descendent Momentum, Levenberg-Marquardt, Quasi-Newton y Scale Conjugate Gradient. Las métricas de rendimiento se extrajeron de SCOR®, que es un modelo de referencia utilizado en todo el mundo. Se adoptó el método de validación cruzada por submuestreo aleatorio para encontrar la configuración topológica más adecuada para cada modelo. Se implementó un conjunto de 80 topologías utilizando MATLAB®. La evaluación de la precisión de la predicción se basó en el error cuadrático medio. Para las cuatro métricas de nivel 1 consideradas, el algoritmo de Levenberg-Marquardt proporcionó los resultados más precisos. Los resultados del análisis de correlación y las pruebas de hipótesis refuerzan la precisión de los modelos propuestos. Además, los modelos computacionales propuestos alcanzaron una precisión de predicción superior a la de los enfoques anteriores.

1. INTRODUCCIÓN

​Mentzer et al. (2001) definen la gestión de la cadena de suministro como "la coordinación estratégica y sistemática de las funciones empresariales tradicionales y las acciones tácticas en una empresa y a través de sus empresas a lo largo de la cadena", con el objetivo de mejorar el rendimiento a largo plazo de las empresas miembros. La gestión de la cadena de suministro implica flujos financieros, servicios, bienes, información y relaciones interorganizativas. Teniendo esto en cuenta, la gestión colaborativa tiende a generar una condición de sinergia, en la que toda la cadena de suministro se vuelve más eficiente (Mentzer et al. 2001; Shafiee et al. 2014).

Muchos estudios destacan la relevancia de medir el rendimiento de la gestión de la cadena de suministro como forma de planificar el desarrollo y la gestión de estrategias (Marchand & Raymond, 2008; Estampe et al., 2013). La evaluación del rendimiento de la cadena de suministro incluye muchos factores que actúan conjuntamente para alcanzar determinados objetivos. 

• Materias:Proceso de aprendizaje Cadena de suministros Redes neuronales artificiales Rendimiento operativo
• Subjects:Learning processes Supply chain Artificial neural networks Operational performance
• Palabras claves:Redes neuronales artificiales; Métodos de aprendizaje supervisado; Evaluación del rendimiento de la cadena de suministro; Modelo SCOR®; Perceptrón multicapa
• Keywords:Artificial neural networks; Supervised learning methods; Supply chain performance evaluation; SCOR® model; Multilayer perceptron