Decideo: Noticias sobre Inteligencia de Negocios, Big Data, Data Science, Data Mining


Actualidades y análisis

Aprendizaje de Máquinas y Algoritmos al servicio de la gestión logística


, el 9 Julio 2018 | Leído 213 veces

Hace tres meses, el mundo de la distribución de ropa se despertó con la noticia oficial sobre la difícil situación financiera por la que está pasando H&M. Con 4,3 millardos de dólares en inventarios de productos no vendidos, el distribuidor sueco se vio obligado a sacar a la luz sus errores de previsión de venta y abastecimiento. En el área del Supply Chain Management automatizado, existen soluciones basadas en el aprendizaje de máquinas (Machine Learning) para automatizar de manera cotidiana la gestión de los almacenes, sin intervención humana.



Foto Costanera Center, Santiago
Foto Costanera Center, Santiago
Al anunciar, en ocasión de la publicación de sus cuentas trimestrales, un inventario de ropa sin vender de un valor superior a 4 millardos de dólares, H&M señaló como causas de la problemática por un lado la complejidad creciente de la previsión en un mundo de flujos continuos y entregas justo-a-tiempo, y por otro lado su propia incapacidad para anticipar correctamente las evoluciones de su propio mercado. Un problema de aptitud, pero también sin duda de carencia de tecnologías, H&M se convierte de manera involuntaria en un ejemplo a no seguir para los proveedores de tecnologías predictivas.
Habiendo pasado en pocos años de ser una única tienda en el corazón de Estocolmo a tener 4700 boutiques en todo el mundo, de todos los tamaños y en casi todos los continentes, H&M hasta ahora enfrentaba « problemas de rico », problemas de crecimiento. La técnica de « hasta aquí todo va bien » ahogaba en la ola del crecimiento las aproximaciones gruesas realizadas en materia de previsiones.
Pero, confrontada a una desaceleración, H&M tuvo que revelar la situación a los analistas y a la prensa.

Se debe comprender que el sector de la distribución de ropa lista-para-llevar debe gestionar ciclos largos asociados a una producción esencialmente centralizada en Asia. A veces puede pasar hasta un año entre la concepción y la venta de una vestimenta.
Para Manuel Davy, fundador de Vekia, y especialista del Supply Chain Management, otras cadenas como Zara, que sin embargo operan en el mismo mercado, estarían mejor organizadas. Zara tendría ciclos de producción mucho más cortos, poco inventario, y sería un especialista de la refabricación rápida de un producto cuando este se vende bien. Una organización que le permitiría minimizar los riesgos y reaccionar mejor a la evolución de la demanda.
Además Zara, como otros competidores de H&M, tendría una mejor cultura digital interna. La compañía trabaja desde hace varios años con el renombrado MIT de Estados Unidos, y reorganizó en 2009 sus operaciones con base en estos trabajos. Para más información leer: Zara Uses Operations Research to Reengineer Its Global Distribution Process
En este sentido, Inditex, la casa matriz de Zara, forma parte del programa Leaders for Global Operations desarrollado por el MIT.

Pasar de la logística a la gestión de cadena de suministro (SCM)

Foto Kendall Henderson / Unsplash
Foto Kendall Henderson / Unsplash
Para Manuel Davy, el uso en 2018 del término « logística » por parte de una empresa del sector de la distribución es una señal negativa. Con el fin de medir la huella de la cultura digital en la empresa, él revisa primero si la función logística (función únicamente operacional y frecuentemente desconectada del resto de la empresa), se ha convertido en un Supply Chain Management, es decir, una gestión de cadena de suministro, que va desde la concepción hasta las ventas, pasando por las previsiones. Este diálogo entre las diferentes fases debe verse reflejado incluso en el comité de dirección, en el que debe participar el responsable de esta Supply Chain.
El trabajo de Vekia es el de desarrollar herramientas y servicios para poner la inteligencia artificial al servicio de la distribución y de la logística.
« El objetivo de la inteligencia artificial es hacer que la máquina realice tareas intelectuales y complejas », explica Manuel Davy.
La solución de Vekia automatiza millones de micro-decisiones. Consiste en implementar un piloto automático que va a evaluar y precalcular, en función de numerosas restricciones decisionales, las mejores decisiones logísticas que se puedan aplicar.
Vekia utiliza para ello el aprendizaje de máquinas (machine learning), con su capacidad de generalizar un comportamiento adaptado a nuevas situaciones, no previstas inicialmente.

El Machine Learning para automatizar y explicar

Manuel DAVY, fundador de Vekia
Manuel DAVY, fundador de Vekia
Manuel Davy explica en qué el aprendizaje de máquinas se diferencia de la simple algoritmia. Primero que todo, el sistema debe ser capaz de vivir y trabajar con datos falsos. Es imposible detener todo o deshacer decisiones erróneas porque ciertos datos de entrada son incorrectos. Al recolectar datos de diferentes fuentes, como por ejemplo objetos conectados, los algoritmos de aprendizaje de máquinas deben, como el ser humano, trabajar con lo que tienen disponible. Para resolver estos problemas, Manuel Davy y su equipo recurren a numerosos algoritmos como los basados en Modelos Ocultos de Markov (Hidden Markov Models), regresión LASSO, Bosques Aleatorios (Random Forest), Modelado Bayesiano y Máquinas de Vectores de Soporte (Support Vector Machines).

El otro desafío es explicar. Recordemos que al comenzar a usarse las hojas de cálculo, los contadores hacían uso de sus calculadoras – en las cuales confiaban – con el fin de verificar los cálculos de esa « nueva tecnología » que representaban las hojas de cálculo.
Hoy en día, frente a las decisiones propuestas por la inteligencia artificial, la necesidad de explicaciones es tan importante como la necesidad de tomar decisiones. Es imposible hacer que la empresa tome decisiones logísticas importantes sin ser capaz de explicar cómo fueron calculadas por el sistema.
« Desafortunadamente, los mejores algoritmos de aprendizaje profundo, de Deep Learning, son los menos fáciles de explicar », constata Manuel Davy. Vekia implementa entonces otros algoritmos, destinados a explicar las decisiones tomadas por los primeros. Y esta fase de explicación se mantendrá sin duda como algo necesario en el futuro; incluso si en el futuro perderá su importancia a medida que crezca la confianza hacia las decisiones automatizadas. Hará falta siempre estar en capacidad de explicar, en caso de necesidad, cómo ciertos resultados paradójicos o anti-intuitivos, positivos o negativos, fueron calculados por el programa.

Actualmente Vekia propone sus soluciones principalmente en los sectores de la distribución y la industria: previsión de la demanda, optimización de los almacenes, reabastecimiento automático de las tiendas, planificación logística y pilotaje de flujos. Entre sus clientes figuran compañías como Renault Nissan, Leroy Merlin y Orange.




Nuevo comentario:
Facebook Twitter

Usted puede comentar o proporcionar más información a todos los artículos de este sitio. Los comentarios son libres y abiertos a todos. Sin embargo, nos reservamos el derecho a eliminar, sin previo aviso ni explicación, todo comentario que no cumpla con nuestras normas internas de funcionamiento, es decir, cualquier comentario difamatorio o sin relación con el tema del artículo. Así mismo, los comentarios anónimos son eliminados sistemáticamente si son demasiado negativos o muy positivos. Exprese sus opiniones, compártalas con los demás y asúmalas. Gracias de antemano. Igualmente, agradecemos tener en cuenta que los comentarios no sean enviados automáticamente a los redactores de cada artículo. Si usted desea realizar una pregunta al autor de un artículo, contáctelo directamente, no utilice los comentarios.


Twitter
Rss
LinkedIn
Google+
Facebook