Big data y learning machine en la logística de producción en Suppliers 4.0

Big data UCJC

Big data y learning machine en la logística de producción en Suppliers 4.0, una jornada organizada por el Grado en Transporte y Logística UCJC

El pasado mes de abril, el Grado en Transporte y Logística de la Universidad Camilo José Cela ha convocado su encuentro anual profesional. Durante el desarrollo de la jornada, contamos con la colaboración de Ana Galve, responsable nacional de distribución en Seur. Con aforo completo en la sala, entre los asistentes se encontraban profesionales, empleadores, estudiantes y académicos.

Ana Galve presentó el desarrollo de un proyecto de predicción de la producción en Seur. El proyecto ha sido ganador de los premios CEL 2018 y está nominado para la convocatoria europea. Se trata de una aplicación informática basada en el análisis de bigdata haciendo uso de learning machine. El proceso de digitalización que se está produciendo ha cambiado las cosas dentro del sector. “En Seur, hasta hace poco tiempo nuestro trabajo consistía en dar servicio de transporte urgente para 1,2 millones de clientes. En realidad, nos dedicábamos a transportar paquetes de un lugar a otro en el menor tiempo posible. Las entregas se realizaban en un punto, más o menos crítico, pero dentro de un horario establecido. En la actualidad, muchos de nuestros clientes apuestan por una entrega física a demanda. La entrega se produce en el lugar que dice el cliente, cuando él quiera y como él quiera. Además, necesita conocer en todo momento dónde se encuentra su artículo en tiempo real. Y, por si esto fuese poco, cuando se produce el más mínimo fallo en el servicio, utiliza las redes sociales para maximizar lo mal que lo has hecho”.

Big data UCJC
Un panorama cambiante

Todo esto ha cambiado el sector del transporte urgente. Hemos tenido que empezar a considerar nuevos aspectos. Entre ellos, los puntos de conveniencia, la omnicanalidad, el transporte superurgente. Todo esto ha sucedido en muy poco tiempo produciendo impactos que hasta ahora eran imprevisibles. Esto ha dado lugar a una transformación de la oferta de servicios. Desde las entregas el mismo día, a entregas en sábado, en una hora, etc. El lugar puede ser el domicilio, la oficina de trabajo, un locker, un punto de conveniencia, etc. Todo esto ha producido una serie de cambios en las operaciones.

Las series históricas de producción B2B podían interpretarse como un comportamiento estable a largo del año, con un descenso en los meses de verano y aumento en las épocas navideñas. En las series B2C no aparecen zonas valle. “En verano, los clientes siguen comprando normalmente y además los picos durante la campaña otoño-invierno son más impredecibles. Fenómenos como blackfriday han dado lugar a una demanda espectacular. A veces, en un fin de semana se producen crecimientos por encima del 54% en producción. El e-commerce ha producido grandes cambios en las operaciones”. Hemos pasado de periodos pico con unos días de duración a periodos pico que se prolongan varios meses.

Big data UCJC
Nuevos modelos big data

El nuevo modelo de comportamiento del comercio electrónico a variado enormemente. Ya no es posible realizar predicciones con los datos históricos del pasado. En la actualidad, se pueden producir colapsos en el servicio. La nueva serie de producción es cambiante y existe un dinamismo desmesurado. El comportamiento de la demanda de producción se ha visto modificada. Por ejemplo, “los lunes han pasado de ser los días de menor producción a ser los de mayor demanda. Hemos pasado de una campaña pico anual a años multicampaña. La variación del volumen diario intersemanal ha pasado de valores del 5% a moverse en intervalos cercanos al 40%”. En realidad, lo que ha sucedido es que hemos pasado de un comportamiento previsible a lo largo del año a un comportamiento mucho más dinámico. Las previsiones exigen manejar datos a diario. En este sentido, la planificación de recursos se ha transformado en un sistema complejo.

Para una empresa de paquetería, los envíos siguen un proceso dividido en dos partes. Los paquetes se envían a través de una unidad de negocio local. Posteriormente se produce un arrastre hasta un centro regional donde se realiza un cross-docking y cambio de ruta. Posteriormente, se realizan algunas secuencias adicionales de arrastre hasta conseguir que el envío llegue a la unidad de negocio local de destino. Finalmente se realiza el correspondiente reparto. Todos los puntos de la red (unos 230 puntos en España) generan más o menos actividad en función de los días festivos. “Además, no todos los días festivos influyen igual en los diferentes puntos de la red. Resulta frecuente que un día festivo local en una región concreta afecte de manera diferente a los puntos de la red situados en otras regiones. De hecho, puede producirse que el impacto sea diferente de unos años a otros. En definitiva, el comportamiento es impredecible”. A medida que se van produciendo los eventos, se observan micro-comportamientos diferentes en cada ocasión.

Aplicaciones de predicción y learning machine

En este caso, Seur realizó un esfuerzo para generar una nueva herramienta de predicción. Para ello fue necesario involucrar al personal de la empresa. “Cada responsable de cada almacén debía tener información fiable para realizar la previsión de contratación del reparto. Además, la información debía ser fácilmente interpretable para que las previsiones pudiesen realizarse de manera sencilla”. En la actualidad, la planificación se realiza de manera diferente.

Big data UCJC

De hecho, en la digitalización ha permitido trabajar de manera colaborativa con los grandes clientes. A lo largo del año, se producen reuniones de planificación de las campañas en las que Seur proporciona previsiones a sus propios clientes para que estos las validen. Para que las previsiones sean fiables, resulta fundamental conocer muy bien el negocio. El análisis de datos ha permitido explicar lo que sucede en el tiempo. Esto ha permitido generar nuevos modelos de comportamiento para cada cliente. Es de hacer notar que también influyen datos externos como la localización, datos poblacionales, calendarios festivos, datos meteorológicos y otros.

En definitiva, “el proyecto ha supuesto una revolución para llevar a cabo una predicción basada en unos 9000 modelos matemáticos que utilizan más de 500 personas implicadas en la dirección y en operaciones. La aplicación es muy sencilla de manejar y proporciona información mediante filtrado por zonas, periodos y eventos. Cada unidad de negocio es capaz de obtener información para realizar la previsión de contratación de recursos de reparto”. El sistema se ha ido integrando con módulos de planificación y sistemas de cuadro de mando para conocer el comportamiento y los resultados en cada unidad de negocio.

No cabe duda que el esfuerzo en digitalización ha supuesto una mejora notable tanto para las operaciones de la empresa como para el servicio que reciben los clientes.

Desde aquí, queremos dar las gracias a Ana Galve, responsable nacional de distribución en Seur, por su brillante contribución a las jornadas.

Este post se ha generado con motivo de la Jornada Suppliers 4.0: Predicción de las operaciones basada en bigdata y learning machine. Organizada por el Grado en Transporte y Logística. Ver plan de estudios en la Universidad Camilo José Cela. (Marta Serrano Pérez, Gema González Carreño Tomás García Martín).

Deja un comentario