Resumen de Modelo de pronóstico de cadena de suministro mediante redes neuronales

Daniela Palafox Palafox, Joselito Medina Marín, Juan C. Seck Tuoh Mora, María Guadalupe Serna Díaz, Norberto Hernández Romero

• 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.