Diseño de un sistema de gestión de inventarios enfocado en el uso de herramientas de machine learning

Abstract

Los acelerados cambios en la sociedad actual, han llevado a que las necesidades de las personas varíen de forma rápida, esto, ha creado demandas extremadamente volátiles que se han convertido en un enorme problema para las PYME. Ante la imposibilidad de determinar con certeza no solo la demanda de sus productos, sino cuales deben priorizar, principalmente debido a la falta de una política robusta de gestión de inventarios, muchas de las empresas dentro de esta categoría han incurrido en pérdidas y en sobrecostos. Esta situación ha creado la necesidad de implementar métodos y herramientas más robustas para el control de los inventarios, que sean capaces de adaptarse a los rápidos cambios que presentan los mercados actuales. El presente trabajo propone una solución que cumple con los requerimientos de esta problemática, esto lo logra mediante la implementación de modelos de machine learning conocidos por su gran adaptabilidad, en una de herramienta de gestión de inventarios para la clasificación y el pronóstico de la demanda de los productos. Esta herramienta permite realizar un control mucho más acertado de los inventarios de la compañía gracias a que otorga la posibilidad de realizar la clasificación de los productos basada en múltiples variables, pero también se debe a la implementación del modelo XGBoost para la realización de los pronósticos. XGBoost es uno de los modelos de machine learning más potentes de la actualidad, cuyo potencial de adaptación y aplicación en casos reales también se ve reflejado en las simulaciones realizadas en este proyecto, donde encontramos que al utilizar XGBoost para pronosticar las ventas de una empresa distribuidora de textiles ubicada en Barranquilla, La herramienta ayuda a reducir los costos de inventario en un 24% respecto a una política EOQ diseñada para el caso. Adicionalmente, lleva a un aumento de un 3.57% en su nivel de servicio.

The accelerated changes in today's society have led to rapid variations in people's needs, this has created extremely volatile demands that have become a huge problem for SMEs. Faced with the impossibility of determining with certainty not only the demand for their products, but also which ones they should prioritize, mainly due to the lack of a robust inventory management policy, many of the companies within this category have incurred in losses and cost overruns. This situation has created the need to implement more robust methods and tools for inventory control, capable of adapting to the rapid changes in current markets. The present work proposes a solution that meets the requirements of this problem, this is achieved through the implementation of machine learning models known for their great adaptability, in an inventory management tool for the classification and forecasting of demand for the products. This tool allows a much more accurate control of the company's inventories thanks to the possibility of classifying products based on multiple variables, but it is also due to the implementation of the XGBoost model for forecasting. XGBoost is one of the most powerful machine learning models today, which potential for adaptation and application in real cases is also reflected in the simulations carried out in this project, where we found that when using XGBoost to forecast sales, the tool helps reduce inventory costs by 24% compared to an EOQ policy designed for the case. Additionally, it leads to a 3.57% increase in its service level.