Modelo de pronóstico de cadena de suministro mediante redes neuronales

• Palafox-Palafox, Daniela ^[1] ; Medina-Marín, Joselito ^[1] ; Seck-Tuoh-Mora, Juan Carlos ^[1] ; Serna-Díaz, María Guadalupe ^[1] ; Hernández-Romero, Norberto ^[1]
  1. [1] Universidad Autónoma del Estado de Hidalgo

     Universidad Autónoma del Estado de Hidalgo

     México

     
• Localización: Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, ISSN-e 2007-6363, Nº. Extra 11, 2023 (Ejemplar dedicado a: Special 5 (December)), págs. 103-111
• Idioma: español
• DOI: 10.29057/icbi.v11iEspecial3.11482
• Títulos paralelos:
  • Supply chain forecasting model using neural networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Los inventarios en exceso afectan la cadena de suministro, haciéndola vulnerable y generando costos por obsolencia. Actualmente, se busca implementar herramientas que pronostiquen demandas de produccion y que impacten a los niveles de inventarios de la cadena de suministro para conocer el punto de reorden y que cumplan con los requerimientos del cliente. En este trabajo, se desarrolló un modelo de simulación de una cadena de suministro considerando cuatro eslabones (Proveedor, Producción, Distrubución y Detallista) con sus respectivos almacenes de productos. La informacion de niveles de inventario y tiempos de respuesta obtenidos en la simulación, fueron utilizados para el entrenamiento de 100 diferentes configuraciones de redes neuronales artificiales (RNAs), para buscar la que mejor pronóstico de niveles de inventario obtenga. La RNA que presentó mejor rendimiento (r2 = 0,99408, RMSE = 1,44217) contiene 12 neuronas en la capa de entrada, 70 neuronas en la primera capa oculta, 60 en la segunda capa oculta y 4 neuronas en la capa de salida.

  • English

    Overstock affects the supply chain, making it vulnerable and generating costs due to obsolescence. Up to now, it is needed to implement tools to forecast production demand with impact in supply chain inventory levels in order to know the reorder point and fulfill the client requirements. In this work, a simulation model of a supply chain was developed, considering four links (Supplier, Production, Distribution and Retailer) with their respective warehouses. Data concerned to inventory level and response time obtained from the simulation model were used for training of 100 different artificial neural network (ANNs) configurations, to identify the one with the best prediction for inventory levels. The ANN with the best performance (r2 = 0,99408, RMSE = 1,44217) contains 12 neurons in the input layer, 70 neurons in the first hidden layer, 60 in the second hidden layer and 4 neurons in the output layer.

• Referencias bibliográficas
  • Aamer, A., Eka Yani, L., y Alan Priyatna, I. (2020). Data analytics in the supply chain management: Review of machine learning applications...
  • Aggarwal, C. (2018). Neural networks and deep learning. Springer, 10(978):3.
  • Barba, J., Quinde, C., Cevallos, L., y Rendon, C. (2019). Aplicación de redes neuronales artificiales para la toma de decisiones en el control...
  • Bazan, R. M. (2023). Metodología 9s para mejorar la gestión de inventarios en los almacenes de una empresa metalmecánica, lima 2022.
  • Calatayud, A. (2017). The connected supply chain: enhancing risk management in a changing world.
  • Calatayud, A. y Katz, R. (2019). Cadena de suministro 4.0: Mejores prácticas internacionales y hoja de ruta para América Latina, volumen 744....
  • Casalet, M. (2018). La digitalización industrial: un camino hacia la gobernanza colaborativa. estudios de casos.
  • Chawla, A., Singh, A., Lamba, A., Gangwani, N., y Soni, U. (2019). Demand forecasting using artificial neural networksˆaa case study of american...
  • Chopra, S. y Meindl, P. (2013). Supply chain management. Strategy, planning, and operation. New York, NY, USA.
  • Christopher, M. (2016). Logistics & supply chain management. Pearson Uk.
  • Cruz, L. J. L. J. (2023). Gestión de la cadena de suministros y la ventaja competitiva en una empresa comercial del rubro minería, callao,...
  • de Paula Vidal, G. H., Caiado, R. G. G., Scavarda, L. F., Ivson, P., y Garza-Reyes, J. A. (2022). Decision support framework for inventory...
  • Duchi Ortega, B. R. (2022). Propuesta de un modelo matemático aplicado al pronostico de producción utilizando redes neuronales artificiales...
  • Feizabadi, J. (2022). Machine learning demand forecasting and supply chain performance. International Journal of Logistics Research and Applications,...
  • Flores, J. A., Manrique, M. A., Taco, A. M., y Teves, J. (2019). Gestión de cadena de suministro: una mirada desde la perspectiva teórica....
  • García, P. T. (2022). Toma de decisiones en la cadena de suministro.
  • Gómez, R. A., Zuluaga, A., Ceballos, N. P., y Palacio, D. (2019). Gestión de la cadena de suministros y productividad en la literatura científica....
  • Guamán, S., Mullo, H., y Marcatoma, J. (2023). Comparación entre modelos de regresión lineal múltiple vs redes neuronales artificiales supervisadas...
  • Iberoamericana de la Educación, 7(2).
  • Kosasih, E. y Brintrup, A. (2022). A machine learning approach for predicting hidden links in supply chain with graph neural networks. International...
  • Medina, R. y Oscar, E. (2021). Pronóstico de demanda altamente variable e intermitente usando un modelo básico de red neuronal artificial...
  • Miranda, A. L. A. (2023). Implementación de una red neuronal para la predicción de la producción de los operarios de la empresa textil litex.
  • Molina, T. (2023). Economía circular y producción lean en la gestión de las cadenas de suministro: Un modelo de simulación. Catedracogersa....
  • Molinillo, J. S. (2020). Distribución comercial aplicada. Esic.
  • Morales, C. A., Ramírez, R. E., y Rodríguez, A. G. (2019). Pronóstico de ventas de las empresas del sector alimentos: una aplicación de redes...
  • Patsavellas, J., Kaur, R., y Salonitis, K. (2021). Supply chain control towers: Technology push or market pullˆaan assessment tool. IET Collaborative...
  • Reategui, R. y Hirvyn, A. (2023). Modelo una red neuronal artificial para la mejora de la gestión de inventarios en empresas comerciales del...
  • Rodríguez, J., González, J., Moreno, C., Bautista, C., Júnez, H., Castillo, L., y Dávila, S. (2023). Estimación de lluvias mensuales promedio...
  • Silva, N., Ferreira, L. M. D., Silva, C., Magalhaes, V., y Neto, P. (2017). Improving supply chain visibility with artificial neural networks....
  • Steven, N. (2007). Análisis de la producción y las operaciones. Mc Graw Hill, 5 edición.
  • Suárez, R. y Ladino, I. (2023). Redes neuronales aplicadas al control estadístico de procesos con cartas de control ewma. Tecnura, 27(75):4–4.
  • Walpole, R., Myers, R., y Myers, S. (2012). Probabilidad y estadística para ingeniería y ciencia. Pearson, 9 edición.