En un post anterior, presentamos la visión del almacén eficiente y cómo emplear la simulación de eventos discretos (Gemelo Digital o Digital Twin) para apoyar la toma de decisiones relevantes al diseño y operación de dicho almacén. Quedaba para este post describir otras técnicas analíticas que nos ofrecieran respuestas concretas a preguntas concretas en situaciones concretas.
La analítica predictiva
En primer lugar, la analítica permite predecir la demanda que deberá satisfacer el almacén en el horizonte de tiempo más inmediato. Esto se consigue mediante la identificación de patrones y correlaciones escondidos en los datos disponibles, yendo mucho más allá de lo obvio y desenterrando casos complejos, como las estacionalidades plurianual, anual, trimestral, mensual, semanal, correlación con meteorología, precio de elementos externos (combustible, electricidad), etc. Esta información es esencial para poder dotar al sistema de los recursos necesarios para la operación. Conocer el futuro nos permite prepararnos para él.
La analítica predictiva también permite estimar riesgos de incumplimientos de compromisos de entrega en función de variables relevantes del sistema (nivel de inventario, tipo de transporte, periodo del año, etc.). En general, puede caracterizar, e incluso a veces explicar, los valores de ciertos KPI de funcionamiento del almacén en función de otras variables relevantes del almacén.
La analítica prescriptiva
Pero la analítica no se queda aquí. A partir de la demanda prevista la analítica permite identificar la cantidad de recursos necesarios en cada una de las áreas y, aún más, asignar y gestionar estos recursos de la manera más adecuada al objetivo que se persigue: p.ej. Asignar turnos a cada uno de los trabajadores de forma que el servicio quede atendido con el menor coste posible. La analítica ayuda a cubrir el vacío entre el insight y la decisión.
Sin embargo, la mayoría de los esfuerzos se han dedicado a desarrollar analítica descriptiva, como sugiere este trabajo de 2018. Desde entonces hasta ahora puede ser que la proporción haya cambiado, pero el dato pone de manifiesto que hay mucho margen de aplicación de la analítica prescriptiva a la gestión de almacenes.
Allá donde haya una decisión compleja que tomar, la analítica prescriptiva es de utilidad y los almacenes no son una excepción. ¿Pero qué casos de uso podemos destacar en los que la prescriptiva puede proporcionar mejoras notables?
Casos de uso
El picking es una de las actividades más relevantes en un almacén y de las que condicionan la rentabilidad de la actividad. Aquí podríamos conformarnos con implementar reglas sencillas pero poco eficientes, tales como recorrer todos los pasillos a modo de serpentín hasta completar el picking de todos los artículos.
Pero existen alternativas mucho más eficientes, como calcular las rutas de forma que su distancia total sea la menor posible. Aquí se pueden aplicar multitud de técnicas y, en particular, todas las que se refieren al TSP. En estos dos ejemplos se presentan dos casos de estudio con mejoras del 44% y de 16.2%, respectivamente.
Los resultados que ofrece un algoritmo de analítica prescriptiva pueden (y deben) ser contrastados antes de ponerlos en práctica y esto es más sencillo y menos arriesgado mediante el uso de un gemelo digital en el sistema, como explicamos en este post ya citado. Este otro trabajo es un buen ejemplo de esta combinación de técnicas.
Lo que comentamos también es de aplicación cuando estamos operando en un contexto de AGV y queremos optimizar su uso minimizando rutas, evitando congestión o asignando el almacenamiento de forma óptima.
El problema de la gestión de un almacén está íntimamente relacionado con otros procesos. Por ejemplo, un almacén de producto terminado debe estar preparado para recibir aquello que se termina en las líneas de producción. En el caso de que el espacio de almacenamiento sea relativamente escaso para la capacidad productiva, el almacenamiento puede ser problemático. En efecto, cuando llega el momento de almacenar el producto terminado no hay posibilidad de disponer los artículos de forma ordenada. A su vez, esto puede dar lugar a que cuando se haga la preparación de los envíos se emplee un tiempo innecesariamente alto simplemente en localizar el producto.
La analítica puede ser de utilidad para dimensionar de forma correcta el almacén en el medio plazo. En el corto plazo puede ser interesante hacer uso de modelos de analítica prescriptiva para coordinar la producción con la gestión del almacén y con los tiempos de entrega. Es decir, es posible incorporar el almacenamiento del producto terminado a la planificación de la producción, junto con el resto de requisitos para así garantizar un proceso de preparación eficiente que no comprometa la entrega al cliente final.
Cuando los tiempos de respuesta son muy exigentes, el enfoque convencional puede llevar a tiempos de ejecución demasiado prolongados, lo cual merece especial atención.
Cuando esto es así, hay dos opciones. La menos sofisticada pasa por identificar reglas sencillas de rápida aplicación que se puedan implementar en los tiempos requeridos. El esfuerzo de desarrollo es relativamente bajo pero, a su vez, el resultado queda lejos de ser óptimo.
Alternativamente, el Reinforcement Learning (o aprendizaje reforzado) puede ser de gran ayuda. En esencia, el RL consiste en el entrenamiento de un agente que, una vez entrenado, es capaz de proponer en cada momento, y dado el estado del almacén, cuál es la mejor acción.
El entrenamiento pasa por crear un entorno de ensayo (de nuevo, un gemelo digital) donde se reproduce el funcionamiento del almacén y el agente explora de forma autónoma acciones en función del estado (pedidos pendientes, ubicaciones de las referencias, ubicación de los pickers, etc.). El agente identifica qué acciones conducen a la mejor situación de forma global; para ello a veces ejecuta acciones exploratorias para valorar si son interesantes y otras veces ejecuta acciones que hasta entonces han dado buen resultado para confirmar que es así. Como un ajedrecista de élite adelantándose a los posibles movimientos de su rival y que tiene en cuenta el efecto a largo plazo de los movimientos que realiza .
El resultado es un agente entrenado offline que está preparado para reaccionar con gran inmediatez frente a cualquier posible estado del sistema.
En definitiva, el espacio para la aplicación de la analítica prescriptiva (y, de la mano, la predictiva) es enorme y existe un amplio abanico de opciones para garantizar la eficacia, la eficiencia y la rentabilidad del proyecto asociado al desarrollo de una herramienta para la optimización de la gestión de almacenes. Lo que no es rentable es continuar con métodos “naive”, aparentemente baratos, pero que dejan escapar oportunidades de ahorro con cada elección pobre que proponen.
