Resumen

La planificación de la demanda relacionada con la realización de compras de SKU para mantener el SLA dado por la estrategia de la empresa y así evitar quiebres de stock, tiene un papel importante en la operación de la cadena de suministro y la operación de la empresa. Los pronósticos de demanda basados en métodos cualitativos y métodos manuales, basados en datos históricos obtenidos, tienen un impacto en la planificación de la producción, en consecuencia en el cumplimiento de los productos requeridos por el cliente. Se ha planteado el objetivo de definir e implementar un recomendador de compras, basado en el modelo de machine learning que se adecue de forma más efectiva a las variaciones de la demanda para productos que están clasificados bajo un modelo ABC. Se utilizan las librerías Scikit-learn, para implementar modelos de predicción de demanda que son entrenados con la información histórica de los productos. El resultado es un modelo de predicción propuesto con un mejor nivel de confianza que el modelo de predicción actual usado por la empresa.

INTRODUCCIÓN

La compra de productos para satisfacer la demanda es parte vital del negocio de la empresa que participa en la industria de pernos y tornillos y está orientada a la estrategia competitiva de liderazgo en costos. La estrategia implica que las compras deben realizarse con una previsión de al menos nueve meses ya que se considera que el stock se almacena entre tres y seis meses con la consideración estimada de tres meses de transporte. El entorno competitivo impulsa a la empresa a comprar productos de forma eficaz para evitar el exceso de existencias o los desabastecimientos; esto implica que los métodos de previsión de la demanda para realizar las compras deben alcanzar un nivel de confianza óptimo.

Este trabajo tiene como objetivo proponer un recomendador de compras que responda a un modelo de predicción mediante técnicas de machine learning con librerías especializadas en el uso de series temporales basadas en técnicas de análisis predictivo. El recomendador utiliza datos históricos que permiten entrenar modelos de aprendizaje automático para posteriormente evaluar y establecer el nivel de confianza de cada modelo propuesto en función del modelo utilizado. Cada modelo se aplica a cuatro grupos que se realizan en base a la aplicación del modelo ABC de clasificación de inventarios.

Se aplican cinco modelos de aprendizaje automático a cada SKU de cada grupo y se selecciona el modelo que ofrece el error más correlacionado con respecto a la demanda histórica de cada SKU.

• Materias:Algoritmos de aprendizaje Aprendizaje automático Oferta y demanda Planificación de la producción Toma de decisiones
• Subjects:Learning algorithms Machine learning Supply and demand Production planning Decision making
• Palabras claves:Machine learning; Pronóstico de la demanda; Planificación de la demanda; Recomendador de compras; Modelos cuantitativos; Análisis de series de tiempo
• Keywords:Machine learning; Demand forecasting; Demand planning; Shopping recommender; Quantitative models; Time series analysis