Modelo de aprendizaje automático para optimizar la gestión del stock en una empresa dedicada a la fabricación y comercialización de telas

Modelo de aprendizaje automático para optimizar la gestión del stock en una empresa dedicada a la fabricación y comercialización de telas

Jhonny Luis Flores Muñoz

Universidad Tecnológica del Perú

Lima, Perú

1412489@utp.edu.pe

Mario Alexander Pequeño Gonzales

Universidad Tecnológica del Perú

Lima, Perú

1524110@utp.edu.pe

Denis Christian Ovalle Paulino

Universidad Tecnológica del Perú

Lima, Perú

c19349@utp.edu.pe

Abstracto- El propósito de esta investigación fue realizar la simulación de un modelo de aprendizaje automático, la intención de este modelo fue demostrar que beneficiará a los procesos requeridos, en este caso se  mejoró el proceso de gestión de stock dentro de una empresa la cual realiza distintas actividades, pero tiene como actividad principal la compra de hilos, producción y venta de telas, para poder medir que tanto va a mejorar este proceso, fue necesario utilizar algunos indicadores, para esto se vio conveniente utilizar los indicadores de producción, demanda y eficiencia, luego de haber recopilado información en el lapso de 16 semanas, se logró agrupar la data y posteriormente fue procesada mediante el software Orange, el cual utiliza algunos algoritmos y técnicas necesarias para obtener predicciones que la empresa necesita, y de esta mejorar en la toma de decisiones. Además, se logró comprobar que esto generó un impacto positivo, logrando el incremento de la demanda en sus productos de un 80%, es decir, se incrementaron los clientes y por otro lado se vio la necesidad de incrementar su productividad para satisfacer los pedidos de los clientes, por ello se obtuvo un aumento del 70%.

Palabras Clave- Aprendizaje automático, árbol de decisión, gestión de stock, matriz de confusión, redes neuronales.

I.  INTRODUCCIÓN

En el contexto de la industria 4.0 las empresas relacionadas a la cadena de suministro tienen una ventaja ante los competidores que siguen usando una cadena de suministro tradicional, ya que se apoyan mediante el uso IOT, inteligencia artificial y robótica avanzada, con eso logran aumentar su eficiencia y eficacia en las operaciones, al procesar datos encontrando oportunidades y tendencias [1].

El aprendizaje automático promete generar mejoras sin precedentes en la articulación y desempeño de la gestión del stock, esto gracias a la implementación del Big Data y a los algoritmos que son calculados por las tareas ejecutadas en el proceso, así mismo este proceso se encarga de validar e informar el número de productos disponibles en la actualidad [2]. También la tecnología con más demanda es el Big Data la cual tiene la posibilidad de transformar el proceso de la empresa, generando un valor comercial [3]. Con ello se espera obtener la transparencia en esta gestión donde los productos, materiales y herramientas inteligentes serán de ayuda para poder monitorear el proceso en tiempo real.

Entonces, la mala gestión del stock genera un riesgo crítico para la empresa y de no tomar las medidas respectivas, puede ocasionar consecuencias muy graves, como la desconfianza total de sus clientes y preferencia por la competencia, pérdida de ventas y una mala imagen en el sector de producción de telas con una gran posibilidad de quebrar [4]. Por otro lado, la incapacidad para reconocer y gestionar el Aprendizaje Automático puede arruinar el valor comercial y por estas malas experiencias se tenga el temor de implementar nuevas tecnologías a las empresas en un futuro por lo tanto se limitarán sus habilidades.

En esta investigación se propone conocer el impacto que tendrá la creación de un modelo de aprendizaje automático aplicado para la gestión del stock dentro de una empresa en donde se fabrican y comercializan telas, este modelo de aprendizaje automático será realizado con la ayuda de la herramienta Orange. También se buscará predecir diferentes sucesos que se puedan presentar con la ayuda de modelo del Árbol de Decisiones Neuronal ya que es unos de los métodos más usados para la clasificación y en la empresa que se estudiará obtiene una variedad de productos con características diferentes [12].  

Además, se comprobará el modelo Logit Leaf que consiste

en la creación de algoritmo clasificación híbrido que utiliza una combinación de árboles de decisión y regresión logística que se desarrolla para reducir las debilidades [5].

En este contexto se espera la mejora en el control de inventarios, obteniendo una mejor toma de decisiones a nivel operativo y gerencial. Por consecuencia, lograr posicionarse entre las mejores compañías en la producción y venta de telas.

Con todo el análisis realizado surge la siguiente interrogante: ¿Cómo la implementación de la inteligencia analítica predictiva mejora la gestión del stock en la empresa Faride Algodón del Perú en el año 2022?

II. Estado del Arte

1. Inteligencia Artificial

Thomas Kufner [11], nos dice que a medida la tecnología se integre a la gestión de stock el volumen de los datos digitales incrementará a gran escala dando dificultad en su manejo en los sistemas informáticos, además que entorpecerá el trabajo, ya que solo se requiere una reducida parte de los datos para realizar el análisis y ejecutar la optimización, también nos muestra un modelo de análisis descentralizado con la ayuda de redes neuronales artificiales para clasificar objetos a estudiar. Por otro lado, la técnica FL/Modelado es conocido para realizar modelos y sistemas complejos, el motivo es que el planteamiento comprende a gran medida la información cualitativa y éstes es fácil de comprender y con ello poder tomar decisiones [6].

Por último, la Inteligencia Artificial es el grupo de factores de la tecnología que seleccionan, desarrollan y se ejecutan sobre la data representando la inteligencia humana. Así mismo como los propios humanos se necesita tiempo para aprender, la IA aprende de la misma manera con nuevos datos e información, es decir a través de la Machine Learning (ML) [8].

1. Machine Learning (ML)

Machine Learning (ML) comprende un sistema que aprende automáticamente ingresando datos, con este gran beneficio éste reemplaza a los antiguos programas manuales ya que el ML realizara la misma tarea automáticamente, para ello se necesita una serie de sucesos como ejemplos [10], además el ML se utiliza en las redes neuronales artificiales (ANN) específicamente en el diseño y el control de los objetos a estudiar como también en las simulaciones para medir la optimización.[11].

Por tanto, el Machine Learning es una derivación de la Inteligencia Artificial que pretende estudiar comportamientos o predicciones basados a un conjunto de datos, es decir, un sistema que pueda pronosticar el valor de una función objetiva o también llamada la tardanza media, además con ello se puede obtener datos de entrenamiento que nos ayuda a perfeccionar el proceso de producción realizados en simulaciones, en su ejemplo, el experimento modelos de regresión dando como resultado el mejor desempeño a comparación de otras técnicas [9].  

[pic 1]

Fig. 1. Formula Aplicada Experimental

1. Árbol de Decisión Neuronal

Es unos de los componentes más importantes para la buena gestión de stock ya que es la unión de la Red Neuronal Artificial (ANN) y el árbol de decisiones. Trata de una serie de métodos de aprendizaje basados en los pilares del Árbol de Decisión y el estudio de la (ANN). El objetivo de la mezcla de los dos modelos es la utilidad que nos da la red neuronal para eliminar las interdependencias en las variables de entrada para luego alimentar las variables de entradas modificadas y mejoradas por el proceso de Árbol de Decisión [7].

Además, el Árbol de Decisiones Neuronales toma un papel importante en la minería de datos, ya que ésta ayuda a mejorar la pureza de los datos brindando una mejor predicción, por otro lado, se podrá crear algoritmos de entropía que nos ayudará a entender con más claridad los resultados de los análisis [13].

III. Metodología

La investigación realizada es de tipo aplicada, debido a que busca resolver algún problema en específico, empeñándose en consolidar el conocimiento para su posterior aplicación en la problemática, esto genera un crecimiento para el desarrollo tanto en la parte cultural como en la ciencia [14]. Además, esta investigación tiene un alcance explicativo ya que está enfocada en buscar la causa y efecto entre variables [14]. Por otro lado, es importante mencionar que se maneja un diseño de investigación preexperimental dado que se realizará a un grupo obteniendo un grado de control mínimo [14], para luego modelar la inteligencia analítica predictiva al control de stock. Por último, se maneja un enfoque cuantitativo ya que se entiende que este tipo de investigación analiza las ciencias naturales, además de inclinarse más por las operaciones, replicabilidad y causalidad [14].

En primera instancia se definieron las dimensiones planificación, organización y efectividad de la variable dependiente, la cual es la gestión del stock [16], esto con el fin de definir aquellos indicadores que permitirán conocer que tanto mejorará el proceso de gestión de stock luego de tratarlo mediante la solución tecnológica que se está proponiendo, la cual es el modelo de un aprendizaje automático, se utilizará la técnica de observación con el instrumento de ficha de observación, de esta forma se podrá recolectar datos y realizar  las comparaciones respectivas con los datos obtenidos mediante el software Orange.

...