8L LeanConsulting
Machine Learning para reducir costes
Cuando se dispone de datos en planta como lecturas de termopares, sensores, inspecciones de CMM, datos de IOT´s,.. se puede reducir los costes con esta información. También si se dispone de información logÃstica se puede anticipar y reducir lead-times de entrega o reducir costes operativos. Para ello desarrollamos modelos predictivos y prescriptivos usando tecnologÃas de machine learning y algoritmos de optimización. Nuestra experiencia en procesos y operaciones nos permite facilitar soluciones de éxito a nuestros clientes.
Predictor de nivel de calidad de producto
El modelo de predicción anticipa el nivel de calidad del producto final durante el proceso de fabricación. Ello permite reducir los costes de inspección final. También esto permite corregir parámetros del proceso antes de finalizar la fabricación y reducir costes de re-trabajos y scraps.
Algoritmo de decisión para inspección dimensional
Se establece un algoritmo clasificatorio de decisión con un porcentaje de éxito clasificatorio (AUC) del 92%. Ello supone una reducción del 58% del coste de inspección y una reducción hasta 150 ppm (partes por millón) de los errores.
Análisis funcional de variables de un proceso
Se identifican las variables independientes que afectan a la variable objetivo,  en éste caso los errores de de picking. También se identificaron varias variables externas como la temperaturas del dÃa. Para ello se recurren a bases de datos externas. Se hacen las pruebas de correlación entre variables independientes y objetivo.
Matriz de correlación de referencias en cartera de pedidos
La figura representa el Ãndice de correlación entre las referencias. Ambos ejes representan referencias. El color es más intenso cuanto mayor es la presencia de la pareja de referencias en los pedidos de clientes. Las referencias de color intenso se deben ubicar juntas para reducir costes y tiempos de preparación.
Mapa de referencias alto uso en almacén
Los puntos rojos representan la posición en planta del almacén de referencias de  alto uso y las azules referencias de menor uso. La lÃnea verde es el pasillo intermedio. La parte izquierda representa la situación inicial donde no se aplica polÃtica de ubicación de referencias según uso. La figura de la derecha representa la situación transcurrido un periodo desde que se prioriza la ubicación de referencias del  alto uso en ubicaciones convenientes. El resultado es menores desplazamientos de almaceneros y menores tiempos de preparación de los pedidos de clientes.
Análisis de distribución de movimientos de referencias
En el eje de abscisas se representan las referencias ordenadas según el número "picks" o movimientos de almacén que acumula cada una. El análisis muestra una concentración alta de movimientos en un número reducido de referencias. Ello puede favorecer polÃticas personalizadas de ubicación a conjuntos de referencias de alto uso.
Test de hipótesis para identificar causas de desviaciones en proceso logÃstico
Se analizan variables de distintas poblaciones y el resultado. En el caso representado en la figura, se identifica una importante relación entre plazo de entrega y patrones de pedidos.
Elaboración de algoritmo predictivo
La figura representa el resultado en cuanto a precisión de los diversos algoritmos. Un gráfico box-plot muestra la media y la horquilla de valores obtenidos.
Preparación de datos para predictivo de ventas
Se prepararon los datos identificando posibles outliers. En el gráfico adjunto se presenta un heat-map de incrementos de ventas por periodos y referencias realizado con el fin de identificar valores atÃpicos.
Prueba de modelos de predictivo de ventas
Se probaron diversos algoritmos entre ellos ARIMA, Hot-Winters, CNN univariable y multivariable, LSTM. Se seleccionó un algoritmo combinado.
Algoritmo prescriptivo de niveles de stock y re-aprovisionamiento
Se ajustaron los stocks de seguridad de forma personalizada y dinámica de modo que se mejoraba el servicio con menores stocks. Las órdenes de re-aprovisionamiento se ajustan a histogramas de consumos recientes y contemplan tendencia y estacionalidad.
