Descripción del proyecto:
Este operador logístico tiene más de 6.000 clientes finales, con un almacén automático que trata aproximadamente 6.000 palets y 66.000 cajas. La cadencia de entrada es de 100 palets al día, y la cadencia de salida es de 2.500 líneas de pedido al día, con un conteo de traspasos internos de 1.000 líneas al día.
Cadena de frío:
El proyecto se focaliza en la conservación y transporte de vacunas antibióticas que deben conservarse en el rango de -20ºC y + 8ºC. Todo lo que salga de ese rango, merma la calidad del medicamento o vacuna. Se disponen de cubetas que garantizan el rango de temperatura ideal durante 24 horas, y son utilizadas para el transporte de fármacos.
Problemática a resolver:
Se desconoce la fiabilidad de la cadena de frío. Existen reclamaciones por roturas en la misma, por lo que se necesita conocer el origen de estas roturas y el posible impacto que genera en los clientes, con el fin de poder reclamar el producto en el menor tiempo posible, es decir, garantizar la trazabilidad.
Desarrollo de proyecto:
Dada la complejidad del análisis y la cantidad de variables que intervienen (+100) en la problemática, además del cuadro de mando implementado con los indicadores necesarios (tecnologías Business Intelligence), se decide realizar un estudio con técnicas de minería de datos para reducir las variables que intervienen. Se define pérdida de cadena de frío como “todo aquel movimiento que saliendo del almacén de frío supera las 24 horas antes de la expedición”, es decir, antes de abandonar el almacén interno.
Uso de árboles de decisión:
El objetivo ahora mismo, era definir las variables que intervienen en el proceso de la cadena de frío, por lo que se analizaron diferentes muestras de las que se disponía, cada una de ellas definida por una serie de características como el cliente, tipo de almacenamiento, mes o día de la semana, y se categorizó a las mismas en función de si habían participado en la cadena de frío directamente o no.
Convenimos dividir el conjunto de datos en dos subconjuntos: unos de entrenamiento y otros de test, para poner a prueba a nuestro modelo y poder ver cómo de bueno era, generalizando a la hora de clasificar datos nuevos.
Los resultados mostraron información muy interesante:
Se puede observar en el árbol de decisión que la mayoría de los casos en los que sucedía la rotura de la cadena de frío (141/143) era en viernes o sábado, por lo que la variable día participaba directamente. Por otro lado, según el mismo razonamiento se relacionaba de la misma forma las variables de Prioridad y Opera rio.
Esta información llevada al cuadro de mando deexploración, permitió tener una total visibilidad de la trazabil idad de los productos que rompían la cadena de frío y la solución de manipular de forma distinta los productos de este tipo.
Mejoras
Gracias a la aplicación de algoritmos de minería de datos y herramientas de visualización (Business Intelligence) conseguimos mantener un proceso crítico controlado. Todo sabemos lo que supone una vacuna en mal estado en un punto de venta final, por lo que fueron evitados errores que podrían haber sido fatales para esta empresa.
Con este proyecto se hizo visible la problemática, a través de una monitorización en tiempo real de la situación de la cadena de frío y aplica ndo alarmas de riesgo a nivel de línea de pedido, por lo que la prevención fue absoluta.
Para acceder al caso de estudio en formato PDF haga login