Cuéntanos tu caso y te llamamos

Optimizador con IA para reslotting en almacén

Se genera un modelo apoyado por Inteligencia Artificial que tiene en cuenta todas las variables que afectan tanto al slotting como al reslotting, facilitando al usuario una propuesta de mejora y optimización continuas, de manera autónoma y automatizada.

Objetivos

Automatizar y optimizar el proceso de mejora de slotting y reslotting
Mejorar los flujos de material, la productividad, la calidad de servicio.
Mejorar los flujos de material, la productividad, la calidad de servicio.


%%tb-image-alt-text%%

Dentro de las operaciones de almacén existe un proceso que es de vital importancia para mejorar la productividad, reduciendo costes y aumentando la calidad de servicio, principalmente debido a la reducción de los tiempos de preparación y envío de pedidos. Los criterios y variables usados para decidir la ubicación ideal de cada referencia suelen tener que ver con caducidades, rotación, etc. Estas variables son dinámicas y normalmente los SGAs no disponen de capacidad para ir aplicando IA en las mismas y plantear periódicamente cambios de ubicación (reslotting) basados en cambios de esas variables, e incluso de algunas externas que puedan influir en algunos productos: estacionalidad, clima, predicción de la demanda, etc.... Los SGAs habitualmente disponen de funcionalidades y herramientas para hacer una asignación de referencia recibida a hueco óptimo según ciertas variables parametrizables que ayuda de manera importante al proceso. Pero estas variables suelen estar controladas y gestionadas por el Responsable de almacén o de Supply, quien según va viendo cambios en las mismas y en las tendencias de mercado, cambios de negocio o predicciones realizadas con métodos tradicionales, y va ajustando la herramienta para aplicar mejoras e incluso realizar procesos de reslotting con órdenes de trabajo internas de almacén. Se plantea digitalizar ese proceso manual actual, aplicando IA desde los datos disponibles e incorporando tanto variables externas al modelo como predicciones basadas en IA.
%%tb-image-alt-text%%

Qué hacemos

Desarrollamos un modelo que se alimentará de los datos del SGA para conocer referencias, ubicaciones, etc. Además nos conectamos al ERP para conocer tanto pedidos de entrada (compras) y su estado (en tránsito, pdte, otros) y pedidos de salida y su estado. Accediendo a las ventas desarrollamos un modelo predictivo sobre el que basar la optimización futura o detectar posibles cuellos de botella. Además añadimos variables externas relevantes a la predicción. Con todo ello generamos un motor de mejora de reslotting con IA que puede devolver resultados al SGA para que éste genere las órdenes de trabajo pertinentes o realice cambios sobre las variables relativas al slotting en maestros de ubicaciones o de producto.

Cómo lo hacemos

Conexiones y almacenamiento de datos.
Se realizan las integraciones pertinentes con la fuentes de datos necesarias. Se estudian las variables externas a incluir y generamos un repositorio intermedio (Data Warehouse) donde se almacena la información preparada para analizar.

Capas de inteligencia.
Utilizamos herramientas y tecnologías punteras del mercado para Analítica Avanzada e Inteligencia Artificial para desarrollar el módelo. Se transfieren los datos con la frecuencia establecida y se desarrollan tanto los modelos predictivos de demanda, como los motores de optimización de slotting.

Visualización e integraciones.
El resultado final será visualizado en una herramienta BI de mercado, o bien enviado directamente al sistema (SGA) de cliente encargado de realizar las tareas necesarias para el proceso optimizado.


%%tb-image-alt-text%%

Se genera un modelo apoyado por Inteligencia Artificial que tiene en cuenta todas las variables que afectan tanto al slotting como al reslotting, facilitando al usuario una propuesta de mejora y optimización continuas, de manera autónoma y automatizada.

Objetivos

Automatizar y optimizar el proceso de mejora de slotting y reslotting
Mejorar los flujos de material, la productividad, la calidad de servicio.
Reducir las distancias y tiempos en la operativa de órdenes de trabajo.

Dentro de las operaciones de almacén existe un proceso que es de vital importancia para mejorar la productividad, reduciendo costes y aumentando la calidad de servicio, principalmente debido a la reducción de los tiempos de preparación y envío de pedidos. Los criterios y variables usados para decidir la ubicación ideal de cada referencia suelen tener que ver con caducidades, rotación, etc. Estas variables son dinámicas y normalmente los SGAs no disponen de capacidad para ir aplicando IA en las mismas y plantear periódicamente cambios de ubicación (reslotting) basados en cambios de esas variables, e incluso de algunas externas que puedan influir en algunos productos: estacionalidad, clima, predicción de la demanda, etc.... Los SGAs habitualmente disponen de funcionalidades y herramientas para hacer una asignación de referencia recibida a hueco óptimo según ciertas variables parametrizables que ayuda de manera importante al proceso. Pero estas variables suelen estar controladas y gestionadas por el Responsable de almacén o de Supply, quien según va viendo cambios en las mismas y en las tendencias de mercado, cambios de negocio o predicciones realizadas con métodos tradicionales, y va ajustando la herramienta para aplicar mejoras e incluso realizar procesos de reslotting con órdenes de trabajo internas de almacén. Se plantea digitalizar ese proceso manual actual, aplicando IA desde los datos disponibles e incorporando tanto variables externas al modelo como predicciones basadas en IA.

Qué hacemos

Desarrollamos un modelo que se alimentará de los datos del SGA para conocer referencias, ubicaciones, etc. Además nos conectamos al ERP para conocer tanto pedidos de entrada (compras) y su estado (en tránsito, pdte, otros) y pedidos de salida y su estado. Accediendo a las ventas desarrollamos un modelo predictivo sobre el que basar la optimización futura o detectar posibles cuellos de botella. Además añadimos variables externas relevantes a la predicción. Con todo ello generamos un motor de mejora de reslotting con IA que puede devolver resultados al SGA para que éste genere las órdenes de trabajo pertinentes o realice cambios sobre las variables relativas al slotting en maestros de ubicaciones o de producto.

Cómo lo hacemos

Conexiones y almacenamiento de datos.
Se realizan las integraciones pertinentes con la fuentes de datos necesarias. Se estudian las variables externas a incluir y generamos un repositorio intermedio (Data Warehouse) donde se almacena la información preparada para analizar.

Capas de inteligencia.
Utilizamos herramientas y tecnologías punteras del mercado para Analítica Avanzada e Inteligencia Artificial para desarrollar el módelo. Se transfieren los datos con la frecuencia establecida y se desarrollan tanto los modelos predictivos de demanda, como los motores de optimización de slotting.

Visualización e integraciones.
El resultado final será visualizado en una herramienta BI de mercado, o bien enviado directamente al sistema (SGA) de cliente encargado de realizar las tareas necesarias para el proceso optimizado.

Open chat
1
¿Te ayudamos?
Bienvenido a LIS Data Solutions !! Déjanos tu contacto y un experto se pondrá en contacto enseguida
Copy link
Powered by Social Snap