Soto-Pinedo DataSet
Description
Esta investigación se desarrolla tomando como punto de partida el fill rate, al considerarse el indicador que sintetiza de manera más representativa el desempeño logístico de un centro de distribución de consumo masivo, ya que refleja la capacidad real del sistema para cumplir los pedidos completos y a tiempo. La hipótesis de investigación plantea que el fill rate puede mejorar de manera significativa cuando se intervienen, de forma integrada, los procesos que lo determinan, mediante la combinación de herramientas de Ingeniería de Métodos y tecnologías asociadas a la Industria 4.0, aplicadas de manera progresiva y sin necesidad de grandes inversiones estructurales. Los datos analizados corresponden a información operativa histórica del centro de distribución, incluyendo registros de fill rate, desbalances entre inventario físico y sistema, tiempos de recepción, errores de picking y tiempos de preparación de pedidos. Estos datos fueron recopilados a partir de los sistemas de gestión logística y de los registros operativos internos, luego depurados y estructurados para su análisis. Con esta base, se desarrollaron modelos de simulación que permitieron comparar el comportamiento del sistema en un escenario actual y en un escenario mejorado, evaluados a lo largo de 300 días operativos simulados. Los procesos físicos y logísticos fueron modelados mediante simulación en ARENA, mientras que los procesos de secuenciación del picking se modelaron utilizando simulaciones en ARENA y algoritmos de machine learning entrenados con datos históricos. Los resultados muestran que el fill rate está directamente condicionado por la exactitud del inventario, la eficiencia del proceso de recepción y la confiabilidad del picking. La estandarización del registro de inventarios redujo los desbalances entre inventario físico y sistema en aproximadamente un 49%, lo que mejoró la confiabilidad de la información disponible para la preparación de pedidos. La implementación de un sistema de Kanban digital en la recepción permitió reducir el tiempo promedio de atención en cerca de 27%, mejorando la visibilidad operativa y asegurando una reposición más oportuna de productos. En el proceso de picking, la aplicación de la técnica de slotting disminuyó el error de preparación en aproximadamente un 39.7%, mientras que la secuenciación inteligente basada en machine learning redujo el incumplimiento en la preparación de pedidos en alrededor de 26.3%, al priorizar dinámicamente las órdenes según urgencia y carga operativa.
Files
Steps to reproduce
Los datos de esta investigación se obtuvieron mediante un enfoque cuantitativo basado en el análisis de información operativa histórica y simulación computacional, con el objetivo de asegurar la reproducibilidad del estudio. La recopilación se centró en procesos directamente relacionados con el fill rate de un centro de distribución de consumo masivo, tales como inventarios, recepción de productos y preparación de pedidos. La información fue extraída de los sistemas internos de gestión logística y registros operativos, incluyendo datos de inventario físico y en sistema, tiempos de recepción, ubicaciones de productos, secuencias de picking y estados de cumplimiento de pedidos. Previo al análisis, los datos fueron depurados y estandarizados para garantizar consistencia y trazabilidad. Para modelar los procesos físicos y operativos, se utilizó simulación discreta en el software Arena, donde se representaron los flujos de inventario y recepción mediante entidades, recursos, colas y reglas de decisión. Las distribuciones de tiempos y eventos se ajustaron utilizando herramientas estadísticas del propio software, lo que permite replicar el modelo a partir de datos históricos equivalentes. El análisis del layout y del proceso de picking se desarrolló mediante simulación computacional en Python, empleando un flujo de trabajo que incluyó la estructuración de datos en tablas, la asignación de coordenadas a ubicaciones de almacén y la simulación de recorridos operativos. Para ello se utilizaron librerías estándar de análisis de datos y visualización. Finalmente, la secuenciación de pedidos se modeló mediante algoritmos de machine learning, entrenados con datos históricos de preparación de pedidos. El flujo incluyó la división de datos en conjuntos de entrenamiento y prueba, el preprocesamiento de variables y la validación del modelo en un entorno Python utilizando librerías especializadas. Este conjunto de métodos, herramientas y flujos de trabajo permite que la investigación pueda ser reproducida por otros autores, ajustando los datos de entrada y parámetros operativos según las características del centro de distribución analizado.
Institutions
- Universidad Peruana de Ciencias Aplicadas