Enterprise-Wide Optimization. Inteligencia Artificial, Aprendizaje Automático Programación Matemática

Enterprise-Wide Optimization

Inteligencia Artificial, Aprendizaje Automático Programación Matemática

Aplicadas a

Cadenas de Abastecimiento 4.0

Producción – Marketing - Transporte - Logística

Capacitación en Modelamiento

Matemático

Avanzado

Artificial Intelligence, Machine Learning & Mathematical Programming Aplicadas a Cadenas de Abastecimiento 4.0

ESTRUCTURA:

El programa de capacitación está orientado a capacitar al participante en los principales problemas que se deben resolver en la planificación y en la programación avanzada (optimización) de cadenas de valor industriales y bio-industriales propias de las metodologías de analítica avanzada; está integrado por los siguientes diplomados:

▪ OPTIMIZACIÓN DE CADENAS INDUSTRIALES DE OFERTA

▪ OPTIMIZACIÓN DE CADENAS BIO-INDUSTRIALES DE OFERTA

▪ OPTIMIZACIÓN DE CADENAS DE DEMANDA

▪ OPTIMIZACIÓN DE CADENAS DE TRANSPORTE Y LOGÍSTICA La duración total de cada diplomado es de 20 horas de capacitación.

Para participantes interesados en profundizar en la programación e

implementación de modelos matemáticos de optimización se les

sugiere complementar estos planes de estudio con uno de los

diplomados MACHINE LEARNING & OPTIMIZATION TECHNOLOGIES

USING GAMS.

Artificial Intelligence, Machine Learning & Mathematical Programming Aplicadas a Cadenas de Abastecimiento 4.0

▪ OPTIMIZACIÓN DE CADENAS INDUSTRIALES DE OFERTA:

capacitación en la problemática de optimización de la cadena de abastecimiento (supply chain), concentrándose en la optimización de las decisiones de como producir óptimamente los productos y/o subproductos comerciales que ofrece las cadenas del sector

industrial general y de la problemática especial que las industrias del eslabón industrial de las cadenas de abastecimiento bio-industriales.

Se estudian los siguientes tipos de modelos:

• Diseño de cadenas de abastecimiento robustas y resilientes

• Sales and Operations Planning (S&OP)

• Optimización de políticas de inventario

• Optimización de compras globales

• Programación de producción

• Programación de mantenimiento

• Programación de recursos humanos a actividades de producción

• Asignación de productos a pedidos y de pedidos a viajes.

Avalaible-To-Promise (ATP)

• Programación de distribución

Artificial Intelligence, Machine Learning & Mathematical Programming Aplicadas a Cadenas de Abastecimiento 4.0

▪ OPTIMIZACIÓN DE CADENAS BIO-INDUSTRIALES DE OFERTA:

capacitación en la problemática de optimización de la cadena de abastecimiento (supply chain), concentrándose en la optimización de las decisiones de como producir óptimamente los productos que ofrece las cadenas del sector bio-industriales.

El diplomado se focaliza en la optimización del eslabón primario (las granjas y las haciendas) y en su coordinación con las industrias de valor agregado que utilizan los animales y/o vegetales producidos en el eslabón primario.

Se estudian los siguientes tipos de modelos de optimización:

• Planificación de la siembre y de la cosecha

• Planificación de la red de granjas/haciendas

• Planificación y programación del aprovisionamiento de alimentos balanceados

• Recolección de cosechas y cohortes de animales

• Asignación de animales sacrificados a productos comerciales (Avalaible-To-Promise)

• Planificación de temporadas con super-picos de demanda.

• Sincronización del eslabón primario con el eslabón industrial

Artificial Intelligence, Machine Learning & Mathematical Programming Aplicadas a Cadenas de Abastecimiento 4.0

▪ OPTIMIZACIÓN DE CADENAS DE DEMANDA:

Capacitación en la problemática de optimización de la cadena de demanda de productos y de servicios industriales (“demand chain”), concentrándose en

i) la caracterización de la demanda, principalmente sus elasticidades,

ii) el conocimiento de la competencia (“market share”) y

iii) el proceso de toma de decisiones de forma tal de afectar los procesos de demanda (“demand driven”) con el objetivo de producir mayores utilidades económicas.

Se estudian los siguientes tipos de modelos matemáticos:

• Proyección de demanda

• Potencial del mercado

• Proyección del “market-share”

• Optimización del “marketing-mix” y del “market share”

• Optimización de precios (“revenue management”)

• Manejo del portafolio de productos

Considerando la transformación digital de las empresas, se incluye el modelamiento de las redes sociales con el objetivo de conocer el comportamiento de los clientes y relacionarlos con el marketing digital en los “e-market-places”,

El diplomado incluye la presentación de aplicaciones de las

metodologías de analítica predictiva (“machine learning”, “artificial

intelligence” y modelos probabilísticos complejos).

Artificial Intelligence, Machine Learning & Mathematical Programming Aplicadas a Cadenas de Abastecimiento 4.0

▪ OPTIMIZACIÓN DE LA CADENA DE TRANSPORTE Y LOGÍSTICA:

capacitación en la problemática de optimización de la cadena de logística y de transporte, concentrándose en el modelamiento de sistemas modernos de transporte multimodal (trenes, barcos, aviones y ductos).

Se analizan varios tipos de sistemas de distribución y transporte y su modelamiento considerando a partir de problemas típicos de ruteo como el TSP (“Travel Salesman Problem”) y VRP (“Vehicle Routing Problem”). Los cuales se modifican, siguiendo los principios de modelamiento de tiempo continuo, para producir programas de operación detallada (“time-tables”).

Desde el punto de vista de INDUSTRIA 4.0 se presenta la aplicación de los conceptos de “autonomous real-time distributed routing optimization” incluyendo información de sistemas de información inteligentes de tráfico, como Waze, que permiten readecuar las rutas de acuerdo con los datos obtenidos y la optimización de la velocidad de desplazamiento de los vehículos..

Se estudia el modelamiento relacionado con el “revenue managent”

de “brokers” de sistemas de transporte LTL (“less than truck”) que deben determiner simultáneamente las ofertas de precios con el routing, de forma tal de tomar beneficio de las oprtunidades.

A nivel logística se analiza la optimización de los procesos de compra y de venta de productos en mercados internacionales y las

operaciones en los centros de distribución.

Artificial Intelligence, Machine Learning & Mathematical Programming Aplicadas al Sector Eléctrico

DIRIGIDO A:

Profesionales (ingenieros, matemáticos, físicos, consultores, economistas, científicos de datos, desarrolladores de software,

… ) que requieran y/o desean conocer el modelamiento matemático (algoritmos de analítica avanzada) relacionado, entre varios, con la implicaciones que conlleva la INDUSTRIA 4.0 y su relación con el proceso de evaluar el impacto técnico- económico de las decisiones que se toman.

Este programa de educación continuada fortalece las

capacidades analíticas y los criterios profesionales de los

participantes, de tal forma que puedan ejercer, compartir y/o

supervisar, con propiedad, las funciones profesionales de

acuerdo con el estado del arte de las metodologías y las

tecnologías que soportan la transformación digital de la

empresas.

METODOLOGÍAS MATEMÁTICAS:

Las metodologías matemáticas corresponden a todos fundamentos científicos que se requieren para implementar modelos programación matemática, independientemente de las tecnologías informáticas (software) que se utilicen para convertir las metodologías en

tecnologías. Objetivos específicos:

▪ Capacitación en metodologías fundamentales y en metodologías avanzadas como soporte al modelamiento matemático moderno.

▪ Capacitar para que el modelamiento matemático de procesos

industriales y de negocios sea en un generador de riqueza real socio- económica de uso frecuente en nuestra sociedad.

▪ Comprender que la optimización del uso de los recursos es la base científica del desarrollo sostenible.

▪ Aprender sobre el modelamiento de sistemas y de mercados industriales

▪ Aprender los fundamentos de modelamiento de problemas reales con base en la integración entre modelos matemáticos y modelos de datos.

▪ Profundizar en el conocimiento de los fundamentos de las metodologías de optimización

▪ Conocer las metodologías matemáticas que soportan la optimización estocástica no-anticipativa, la paralela y la distribuida.

▪ Comprender el modelamiento de equilibrio general computable aplicado a mercados industriales.

▪ Conocer enfoques de solución de problemas complejos a partir de heurísticas basadas en programación matemática.

Artificial Intelligence, Machine Learning & Mathematical Programming

Aplicadas a Cadenas de Abastecimiento 4.0

TECNOLOGÍAS INFORMÁTICAS:

Las tecnologías informáticas corresponden a las herramientas informáticas disponibles, libre o comercialmente, para diseñar e implantar soluciones a problemas en las organizaciones sociales o industriales. Objetivos específicos:

▪ Aprender a implementar soluciones aplicadas en el mundo real haciendo uso de las tecnologías informáticas modernas disponibles para el modelamiento algebraico de sistemas industriales y de negocios, con aplicaciones en múltiples sectores.

▪ Presentar y manejar en “vivo” herramientas que han sido utilizadas por grandes empresas para resolver sus problemas de planificación y de programación de operaciones industriales.

▪ Entender el futuro de la optimización teniendo en cuanta el futuro de la informática

▪ Comprender el estado del arte de la optimización y su relación con las tecnologías informáticas que integran la denominada “Smart Computing”

▪ Conocer las tecnologías disponibles, como el principio de conocimiento básico para poder resolver, en tiempos “razonables”, problemas con millones de variables

▪ Conocer .os fundamentos que se deben tener para el montaje de modelos en las siguientes tecnologías de optimización: OPTEX, GAMS/AMPL, IBM CPLEX Optimization Studio, AIMMS ,FICO MOSEL, TOMLAB, PYTHON, C-ANSI, …y otras tecnologías.

Artificial Intelligence, Machine Learning & Mathematical Programming

Aplicadas a Cadenas de Abastecimiento 4.0

Artificial Hypothalamus

Mathematical Programming 4.0

Autonomous Real-Time Distributed Optimization

“La mayoría de las cosas y de los procesos que utilizan los humanos se han visto totalmente afectados por la tecnología, que se ha abierto a la imaginación humana produciendo resultados antes insospechados; la modelización matemática no escapa a este proceso; partiendo de descubrir los fundamentos matemáticos que sirven para establecer las leyes que rigen las leyes físicas, industriales, económicas, biológicas, ambientales, sociales, ... procesos y con ellos construir modelos matemáticos y algoritmos de cálculo cada vez más potentes. Hoy en día todo el conocimiento y la tecnología que está disponible para desarrollar una inteligencia artificial de nivel superior que emula la inteligencia humana en cualquier tipo de organización humana, se puede llamar hipotálamo artificial.

El poder de la tecnología actual no está en los cálculos matemáticos que permite realizar, está en los cálculos matemáticos que podemos imaginar que podemos realizar".

Artificial Hypothalamus

Velasquez-Bermudez, Jesus.

Artificial Hypothalamus: Artificial Intelligence and Mathematical Programming Integration.

(Available at SSRN:https://ssrn.com/abstract=3767763) Video: https://youtu.be/tqMm6svjnPY

Lenguaje Matemático entre Robots

Muchos científicos piensan que el crecimiento de la inteligencia artificial hasta llegar a la integración autónoma en tiempo real de redes de

algoritmos (o robots) ocurrirá en 10-20 años o más; sin embargo, el conocimiento acumulado por la humanidad y su nivel de desarrollo tecnológico ya es suficiente para cambiar el paradigma de una gestión basada en modelos matemáticos independientes, que se ejecutan periódicamente, por medio de la optimización holística, simultánea y permanente de las actividades de la organización utilizando múltiples robots cognitivos que representan múltiples agentes, actuando de forma independiente, que coordinan sus decisiones por medio de en un

protocolo de intercambio de información basado en leyes matemáticas, que durante muchos siglos han explicado los hechos/eventos que ocurren en el mundo real.

La INDUSTRIA 4.0 da lugar a las "fábricas inteligentes" en las que los sistemas ciber-físicos (CPS, cyber-physical systems) controlan los sistemas físicos a través de algoritmos basados en analítica avanzada y

estrechamente integrados a través de Internet. En CPS, los componentes físicos y los algoritmos están profundamente entrelazados, donde cada elemento opera en diferentes escalas espaciales y temporales, exhibiendo múltiples comportamientos e interactuando entre sí de innumerables maneras que cambian dinámicamente el contexto.

Los ejemplos más conocidos de CPS son los sistemas físicos (es decir, redes eléctricas inteligentes, sistemas integrados de automóviles

autónomos, ...); sin embargo, también existen organizaciones inteligentes de planificación y control (departamentos de planificación, centros de programación y control, juntas directivas,...) que pueden ser controladas por algoritmos analíticos avanzados.

S2I

_t,rg,ss

- SIN

_t,rg,ss

- SIE

_t,rg,ss

= 0 PIS

_t,rg,ss

- S

_stINF

POF

_st,rg,ss

= 0

PIX

_t,rg

- S

_ssSSR(rg)

PIS

_t,rg,ss

= 0

PII

_t,rg

- S

_ssSSR(rg)

S

_roROR(rg)

PTRR

_ro,rg,ss

 PIS

_t,ro,ss

= 0 PIE

_t,rg

- S

_ssSSR(rg)

S

_rdRDE(rg)

PTRR

_rg,rd,ss

 PIS

_t,rg,ss

= 0

PIN

_t,rg

- PIS

_t,rg,ss

- PII

_t,rg

+ PIE

_t,rg

= 0

INDUSTRY 4.0

Robots capaces de realizar autonomamente procesos de gran cobertura basados en la interconexión inteligente (conversación matemática) entre robots utilizando información de sistemas de "big data" (basados en IoT).

El estado actual de la tecnología se puede sintetizar en la confluencia del paralelismo informático y el modelado matemático complejo. Solo las empresas que comprendan y gestionen plenamente la interrelación entre estos pilares del desarrollo socioeconómico podrán participar plenamente en la generación de conocimiento que requiere la INDUSTRIA 4.0.

Las empresas no pueden aprovechar la disponibilidad de cientos de miles de procesadores si sus herramientas analíticas solo pueden organizar cálculos matemáticos de alto nivel en torno al concepto monolítico de un solo procesador.

STATE OF THE ART - 2021

Los robots (algoritmos) pueden realizar de forma autónoma y automática procesos específicos con coordinación preestablecida (inteligencia limitada) y poca interacción entre robots.

La robotización de procesos potentes en tiempo real (planificación de la cadena de suministro, operación de plantas de producción, optimización de sistemas de tráfico, coordinación de campañas de marketing, ...) está relativamente poco difundida.

La potencia de cálculo actual basada en la disponibilidad “ilimitada" de procesadores ofrece capacidades de computación electrónica a un nivel completamente diferente al actual.

S2It,rg,ss- SINt,rg,ss- SIEt,rg,ss= 0 PISt,rg,ss- SstINFPOFst,rg,ss= 0 PIXt,rg- SssSSR(rg)PISt,rg,ss= 0 PIIt,rg- SssSSR(rg)S_roROR(rg)PTRRro,rg,ss PIS_t,ro,ss= 0 PIEt,rg- SssSSR(rg)SrdRDE(rg)PTRRrg,rd,ss PISt,rg,ss= 0

PINt,rg- PISt,rg,ss- PIIt,rg+ PIEt,rg= 0

Artificial Hypothalamus

Optimización de la Cadena de Valor

(Enterprise-Wide Optimization, EWO)

SUPPLY CHAIN DEMAND CHAIN

PRODUCER CONSUMER

TRANSPORT & LOGISTICS OPERATIONS

Value Added Chain

SCM: Supply Chain Management

Model S&OP: Sales & Operations Planning

Model

IBP: Integrated Business Planning Model

Optimization Models Supporting Industrial Decisions

Planning Horizon MO

Condition Border

MO

Investment Modeling LI

Monthly Operations MO

HM Hour/Minute

Operations

WO Weekly Operations

DO Daily

Operations WO

STRATEGY

LONG-TERM INVESTMENT

MEDIUM-TERM TACTICS SHORT-TERM TACTICS

SHORT/MEDIUM TERM OPERATIONAL GOALS

SCHEDULING OPERATIONS

OPERATION COMMANDS/ORDERS

REAL-TIME – OPTIMIZATION

ADVANCED OPTIMAL CONTROL

REAL-TIME – DISTRIBUTED OPTIMIZATION

INDUSTRY 4.0 OPTIMAL CONTROL

Hierarchical Coordination of Planning Tools

Frontier Conditions Decision

Variables Frontier

Conditions REGION 2

Decision Variables

QUANTITATIVE REGION N TOOL QUANTITATIVE

TOOL REGION 1

Frontier Conditions

REGION 1

QUANTITATIVE TOOL REGION 1.1

QUANTITATIVE TOOL REGION 1.K

QUANTITATIVE REGION N.1 TOOL

QUANTITATIVE REGION N.M TOOL Decision

Variables

Frontier Conditions

QUANTITATIVE TOOL

GLOBAL REGION

Global Supply Chain Optimization

ERP

S&OP Sales & Operations

Planning

Policy of Inventories

Production Goals

Distribution Goals Material Consumption Goals

Production Orders

Distribution Orders Purchase

Orders

Expansion Plans

OPERATIONS STRATEGY

TACTICAL PLANNING

Sourcing Optimization

Production Scheduling

ATP

Available-To-Promise Production → Clients

→ Routes

Distribution Routing Multi-Echelon

Inventory Optimization Historical Data

Sales – Inventories Syndicated Data Bases

Demand Probabilistic Characterization Models

Demand Characterization:

Clients & Competence Pricing

Optimization Marketing-Mix

Market-Share Optimization

Projection Demand & Prices

Inventories Balance

Inventories Redistribution

Marketing Budget Events Scheduling Marketing Mix Decisions

TACTICAL PLANNING

OPERATIONS

Short-Term Demand Forecast

DEMAND SUPPLY

STRATEGY

Resilient Supply Chain

Design

Portfolio Management Optimization

Suggested Order

Policy of Inventories

Medium-Term Demand

Forecast Long-Term

Demand Forecast

Optimization Models for Industrial Value Chains

Real-Time Optimization - Models & Equipment Connectivity

Detailed Goals:

Production Quantities

Measured Data Produced Quantities Controlled Variables Progress Data Equipment Availability End Times Yields Quality Parameters

Start Times Set-Points Batch Sizes Start Times

Measurements Raw Materials

Industrial Services

Products Waste

S&OP

Sales & Operations Planning

Production Scheduling

Real-Time Optimization Optimal Control

Recipe Execution

Advanced Control

Low Level Control

Manipulated Variables

SCADA DCS or

Controlled Variables References

Aggregated Goals:

Production Quantities

Real-Time Smart Metering

Database

Sensor

&

Actuators Industrial Plant

Filtered / Reconsolidated Data

S&OP: Sales & Operations Planning - Modeling

S&OP

Sales & Operation Planning Tactical Planning

Production System Sales & Marketing

System

S&OP

Sales & Operation Planning Tactical Planning

Production System

Energy System

Maintenance System Sales & Marketing

System

Financial System

Human Resource

System

Distribution System Sourcing

System

TRADITIONAL STATE-OF-THE-ART

Production

Sales &

Marketing

Energy &

Industrial Services

Maintenance

Sourcing Distribution Human

Resources ALM:

Assets & Liabilities Management

Industrial Enterprise Hypothalamus

END USERS

Los modelos matemáticos individualmente están asociados a diferentes divisiones/funciones administrativas a las que debe asistir la organización, algunos de estos modelos son:

▪ Cadena de Oferta

• Diseño de cadenas de abastecimiento robustas y resilientes

• Integrated Sales & Operations Planning (S&OP)

• Planificación óptima de la política de inventario

• Optimización del abastecimiento global

• Programación de la producción

• Planificación del programa de entrega de productos (ATP)

• Programación de distribución de productos

• Programación de mantenimiento predictivo

• Planificación y programación de recursos humanos

▪ Cadena de Demanda

• Gestión y proyección de la demanda

• Optimización de políticas de marketing-mix

• Optimización de precios (“revenue management”)

• Optimización del manejo del portafolio de productos

KNOWLEDGE DATABASE

Multi-Business Supply Chain Optimization

Enterprise-Wide Optimization

Inteligencia Artificial, Aprendizaje Automático Programación Matemática

Optimización

Cadenas Industriales de Oferta

Capacitación en Modelamiento

Matemático

Avanzado

ERP

S&OP Sales & Operations

Planning

Policy of Inventories

Production Goals

Distribution Goals Material Consumption Goals

Production Orders

Distribution Orders Purchase

Orders

Expansion Plans

OPERATIONS STRATEGY

TACTICAL PLANNING

Sourcing Optimization

Production Scheduling

ATP

Available-To-Promise Production → Clients

→ Routes

Distribution Routing Multi-Echelon

Inventory Optimization Demand

Characterization:

Clients & Competence

DEMAND SUPPLY

Resilient Supply Chain

Design

Medium-Term Demand

Forecast Long-Term

Demand Forecast

Optimization Models for Industrial Value Chains

Historical Data Sales – Inventories Syndicated Data Bases

Módulo: Optimización de Cadenas Industriales de Oferta

SESIÓN PLAN DE TEMAS

Valor Económico Agregado por las Matemáticas

Estado del Arte de la Optimización (Advanced Analytics) Artificial Hypothalamus - Mathematical Programming 4.0 Fundamentos de Optimización

1 S&OP: Sales & Operations Planning (Traditional & State of the Art) IBP: Integrated Business Planning Model

2 Modelamiento Matemático Estructurado

Caso: Optimización de la Distribución de Alimentos/Bebidas 3 Programación Estocástica

Gestión de Riesgos Financieros

4 Diseño de Cadenas de Abastecimiento Resilientes Global Sourcing Optimization

5 Multi-Echelon Inventory Optimization

Caso: Industria Farmacéutica – Kits Hospitalarios

6 Modelamiento Tiempo Continuo - Ruteo de Vehículos Programación de Producción (Job-Shop Problem)

7 Optimización Industria de Procesos – Mezcla de Materiales (Blending)

Modelamiento Sector Minero-Metalúrgico - Caso: Modelamiento Cadena Productiva del Cemento 8 Available-to-Promise (Asignación de Productos a Pedidos y de Pedidos a Viajes)

Casos: Manejo de Inventarios Industria de la Cerámica - Recolección de Cosechas 9 Human Resource Analytics

Casos: Optimización de la Nómina de Recursos Humanos - Planificación Agregada de Recursos Humanos 10 Optimización de Mantenimiento de Activos Industriales

Coordinación de Actividades en Puertos, Plantas Industriales y Mantenimiento.

Se presentan herramientas para cadenas de abastecimiento multi-negocio integradas vertical y/o horizontalmente, para optimizar:

▪ Diseño de cadenas de abastecimiento

▪ Planificación táctica de operaciones industriales

▪ Optimización especializada para cadenas de oferta agro-industriales

Se considera como caso especial el modelamiento de las cadenas bio-industriales. Los asistentes podrán solicitar la presentación de modelos reales para una, o varias, de las siguientes cadenas de abastecimiento de productos:

farmacéuticos, minerales, alimentos, plásticos, bebidas, frutas, energéticos (bio-masa, electricidad, gas y/o petróleo, y sus derivados), productos especiales (como implantes quirúrgicos). Se hará referencia explicita al manejo de los procesos que afectan la planificación (demanda, desastres) y del manejo del riesgo financiero asociado a dichos procesos, de forma tal de poder tener cadenas de abastecimiento resilientes.

La Programación Matemática soporta las decisiones orientadas a proveer los productos/servicios requeridos por los diferentes eslabones de una cadena de abastecimiento. A nivel estratégico provee soluciones para el diseño de la cadenas de distribución y a nivel táctico la definición de políticas óptimas de reabastecimiento y de manejo de inventarios. También es posible modelar con detalles procesos logísticos especiales como la operación de puerto, aeropuertos, sistemas de ferrocarriles. Las herramientas analíticas modernas permiten considerar detalladamente todos los aspectos técnicos y las restricciones de estos procesos, como pueden ser:

consumo de combustible, los tiempos de viaje, las ventanas de atención, los turnos en las bahías de los centros de distribución, las características de los vehículos, ….

Se presentarán herramientas de desarrollo de licencia libre (GNU) y comerciales como las ofrecidas por AIMMS®, GAMS/AMPL®, IBM-ILOG®, FICO®, GUROBI®, …; también se analizarán soluciones prediseñadas ofrecidas por casas de tecnología como IBM-ILOG®, SAP®, JDA®, … . Se analizará la vinculación de las soluciones APS (Advanced Planning ans Scheduling) con los ERPS existentes en las organizaciones. Se presentarán las alternativas para desarrollo de soluciones, incluyendo tiempos y costos, y los procesos de transferencia de tecnología que se deben enfrentar

T

ECNOLOGÍAS

I

NFORMÁTICAS

O

PERACIONES

L

OGÍSTICAS

El curso tiene una orientación práctica, por lo que se revisará con detenimiento todo lo relacionado con plataformas y herramientas informáticas disponibles y/o necesarias para implementar este tipo de soluciones en una organización.

Industrial Supply Chain Optimization

C

ADENAS DE

P

RODUCCIÓN

PLANIFICACIÓN DE VENTAS Y DE OPERACIONES INDUSTRIALES (S&OP)

Las decisiones tácticas son el corazón de la planificación integrada de las cadenas de abastecimiento, ya que implican su visión holística. La agregación “bottom up” del sistema productivo tiene como finalidad optimizar el funcionamiento agregado de la cadena sin perder de vista los detalles operativos mas importante, las soluciones informáticas modernas permiten:

▪ Planificación integrada de cadenas multi-sectoriales/multi-negocio

▪ Representación precisa de procesos productivos de diferente tipo:

agrícolas, pecuarios, industriales (continuos, discretos y por lote)

▪ Manejo de unidades de producción complejas debido a: economías de escala, formulas flexibles, múltiples tecnologías, …

Lo anterior para optimizar:

▪ Coordinación de instalaciones agropecuarias e industriales

▪ Metas óptimas multiperiodo de producción, de compra, de distribución

▪ Metas de asignación de recursos escasos

▪ Formulas flexibles respetando restricciones de calidad

▪ La distribución bajo diferentes modos de transporte

▪ La operación del sistema de plantas de servicios industriales

▪ El mantenimiento preventivo de instalaciones

DISEÑO DE LA CADENA

En el diseño de cadenas de abastecimiento, y en cadenas de distribución, las tecnologías analíticas avanzadas permiten optimizar:

▪ Expansión, contracción y modernización de la red

▪ Selección de modos de transporte

▪ Selección de productos y tecnologías productivas

▪ Asignación de funciones a las instalaciones

Los avances tecnológicos actuales, permiten incorporar en el proceso de diseño, los aspectos relacionados con el impacto de los eventos extremos en el funcionamiento de la cadena, esto por medio de modelos de optimización con base en escenarios, utilizados en el diseño de cadenas para atención de desastre.; de esta manera se obtienen soluciones sólidas que la cadena de potenciales interrupciones que podrían generar costos no manejables.

▪ Políticas de manejo de inventarios

▪ Niveles de servicio al cliente

▪ Estudios de penetración de mercados

▪ Riesgo financiero de la inversión S&OP

Sales &

Operation Planning

Tactical Planning

Production System

Energy System

Maintenance System Sales &

Marketing System Financial

System

Human Resource System

Distribution System Sourcing

System

Supply Chain Optimization

RESILIENCIA Y ANÁLISIS DE RIESGOS FINANCIEROS

La resiliencia de una cadena de abastecimiento es la capacidad de soportar y de recuperarse ante fuertes perturbaciones (“desastres”) para continuar con su “normal” funcionamiento y garantizar a su entorno económico-social el cumplimiento de sus funciones. Los cambios que se presentan como consecuencia de nuestras decisiones y de los fenómenos naturales adversos, que en el presente comenzamos a sentir con una periodicidad casi constante, han llevado a revisar el diseño de los sistemas productivos con una mirada nueva, diferente, en la que la toma de decisiones debe considerar aspectos que van más allá de la simple rentabilidad económica de las operaciones empresariales, debiendo incorporar el análisis de riesgos operacionales derivados de las contingencias que se puedan presentar en el futuro provenientes de múltiples fuentes de incertidumbre.

Por ejemplo, eventos como el drástico cambio en la volatilidad del costo de los combustibles, y su efecto en los costos de transporte, hacen que diseños de cadenas de abastecimiento que antes eran “óptimos” hoy en día sean cuestionables, llevando a sus “dueños” a pensar en el re-diseño de la estructura de la cadena productiva. En este ambiente, las herramientas analíticas derivadas de la programación matemática, específicamente la optimización estocástica basada en escenarios, permiten establecer nuevas conectividades que sean resistentes ante situaciones antes no pensados. De esta forma es posible construir cadenas de abastecimiento que responden ágilmente ante fluctuaciones de la demanda y que también están en capacidad para reaccionar ante la escasez, y/o el alto costo, de los suministros.

Granjas/Haciendas

Cultivos/Galpones/Cohortes/Manadas/Potreros

Centros de Acopio

Tiendas Supermercados

Puertos Centros de

Distribución

Plantas Industriales Plantas

Empacadoras

PLANIFICACIÓN DE LA DISTRIBUCIÓN

La asignación de rutas de distribución, tanto a nivel urbano como a nivel regional, de los materiales/personas que fluyen a lo largo de la cadena requieren de herramientas analíticas avanzadas para garantizar los mínimos costos y el cumplimiento de los planes de entrega respetando, las restricciones del sistema y los ventanas de tiempo para recepción y entrega.

SCHEDULING - REAL-TIME OPTIMIZATION

El control en tiempo real es fundamental en los procesos en los que la variabilidad de las condiciones de producción afecta seriamente al proceso productivo, lo que está ocurriendo en el proceso. En estos casos los modelos Real Time Optimization mantienen el proceso operando los sus set-points “óptimos”

(planificados) con base en la re-optimización periódica, como el medio para tener en cuenta las condiciones cambiantes del entorno. Esta función está integrada por los siguientes modelos: i) Identificación de las ecuaciones (modelo) y de los parámetros que definen la dinámica del sistema, ii) Estimación de estado y de reconciliación de las variables del sistema y de re-estimación de los parámetros del sistema (state estimation, data reconciliation and gross and random error detection) y iii) control óptimo (advanced control), en tiempo-real, de las variables del sistema.

xt

u_t

c_t^Ty_t+ d_t^Tu_t x_t-

1

Variables de Control

Variables de Estado Variables de

Estado

Retorno

DINÁMICA DEL PROCESO

SCADA

SISTEMA PRODUCTIVO

_tX(t)=Ft[x(t),u(t)]

S&OP Sales & Operacions

Simulación SCD Optimal Supply Chain Design

STRATEGIC PLANNING

Operating Income and Costs Simulated PRESENT

FUTURE

Future Operational Cost Present Investment Cost

“DETERMINÍSTIC”

STOCHASTIC

Simulated Financial Statements Investment

Loans

ALM Financial Simulation INTEGRACIÓN INVERSIÓN – OPERACIONES - FINANZAS

Supply Chain Optimization

Enterprise-Wide Optimization

Inteligencia Artificial, Aprendizaje Automático Programación Matemática

Optimización

Cadenas Bio-Industriales de Oferta

Capacitación en Modelamiento

Matemático

Avanzado

Tactical Planning Farm

Demand Long/

Medium/ Short Term

Committed Orders Bilateral Contracts

Programming Production

Programming Distribution

Production Orders Distribution Orders

TACTICAL PLANNING

SCHEDULING

Tactical Planning Industrial Link

Offer Animals

Demand Projection Medium/Short Term

Politics of Inventory

Design Supply Chain

STRATEGIC PLANNING

Pre-Assignment Available-to-promise

Products Orders

Production Goals Planes

DEMAND & SOURCE SUPPLY

Animals & Vegetables Collection

Harvest Orders Raw Materials

Consumption Goals

Balanced Food Replenishment

Goals Gathering

Distribution Orders

Optimization Models for Bio-industrial Supply Chains

ERP

Policy Inventory

Hydroclimatic Variables Long/Medium/Short

Forecasting

Historic

Hydro-Climatic Variables

Demand Projection Long Term

Hydroclimatic Medium/Short Term Projection

Hydroclimatic Long Term Projection

Módulo: Optimización de Cadenas Bio-Industriales de Oferta

SESIÓN PLAN DE TEMAS

Valor Económico Agregado por las Matemáticas

Estado del Arte de la Optimización (Advanced Analytics) Artificial Hypothalamus - Mathematical Programming 4.0 Fundamentos de Optimización

1 S&OP: Sales & Operations Planning (Traditional & State of the Art) IBP: Integrated Business Planning Model

2 Planificación Integrada: Optimización del Eslabón Primario (Granjas) - Optimización del Eslabón Industrial Caso: Planificación Integrada en SADIA

3 Analítica Avanzada Predictiva - Modelamiento Avanzado de la Demanda Optimización de Inventarios

4 Stochastic Advanced Analytics Modeling - OPCHAIN-SAAM

Modelamiento de Clientes - Proyección de Variables Hidro-climáticas 5 Programación Estocástica – Gestión de Riesgos Financieros

Diseño de Cadenas de Abastecimiento Resilientes 6 Planificación de la Siembra

Gestión de Riesgos Financieros en Cadenas Agroindustriales – Caso: Planificación de Producción de Flores 7 Cadenas Especializadas:

Casos: Avícolas – Piscícolas – Agropecuarias – Silvícolas – Fruticolas

8 Planificación/Programación de la Cosecha y/o Recolección. Casos: Despiece de Animales – Frutas ATP (Avalaible-to-Promise): Atención de Compromisos Comerciales

9 Modelamiento Matemático Estructurado

Caso: Optimización de la Distribución de Alimentos/Bebidas 10 Planificación Regional Integrada del Sector Agroindustrial

Planes Maestros de Suministro de Alimentos - Gestión Óptima de la Bio-Energía

AGRICOLA'S PRODUCTS PRODUCTION & DISTRIBUTION NETWORK

Mobile Packing Plants

Fixed Packing Plants

Added Value Industrial Plants

Fruit & Vegetables Distribution

Centers

Airports Ports

Gourmet

Stores Supermarkets General

Distribution Centers

Industrial Collection Process Farms

Manual Collection

Process

ANIMALS PRODUCTS PRODUCTION & DISTRIBUTION NETWORK

Gathering Process

Stores Supermarkets

Distribution Centers Industrial Plants

Farms

Biodigesters

Bio-Energy Generation

Distribution Process

Consumption Centers Animal

Slaughter Plants

Industrial Process

PLANIFICACIÓN DEL ESLABÓN PRIMARIO

La optimización de los procesos biológicos y/o genéticos que se llevan a cabo en las granjas/haciendas se realiza con base en la simulación del ciclo biológico-comercial y en el proceso de crecimiento debido a los nutrientes recibidos, los modelos simulan el desarrollo probabilístico de “cualquier” especie viva, con la finalidad de determinar las decisiones que maximizan la utilidad del negocio; para ello el proceso de crecimiento se asocia a los costos causados como consecuencia del consumo de recursos y a los beneficios obtenidos como consecuencia de la venta de los productos. Se apoyan decisiones como:

• Sincronización dinámica de múltiples galpones y/o lotes dentro de una granja

• Determinación de políticas óptimas de desarrollo de granjas

• Planificación de la siembra y de la cosecha

• Selección de balanceados/fertilizante

• Selección de cultivos

Las tecnologías analíticas avanzadas se utilizan para optimizar las decisiones de las cadenas productivas bio-industriales, ya sean de origen vegetal o animal. Por sus similitudes, las cadenas se pueden conceptualizar genéricamente, y respetar en los modelos las diferencias biológicas y/o genéticas. Estas cadenas están compuestas por dos eslabones:

el primario, relacionado con los procesos de crecimiento y/o de reproducción en las granjas/haciendas, y el industrial, que se lleva a cabo en plantas industriales de transformación.

Bio-Industrial Supply Chain Optimization

PROCESSING PLANTS (LINK INDUSTRIAL) FARMS (PRIMARY LINK )

LAYING

INCUBATION Eggs

INDUSTRIAL PROCESS

Packaging Lines

Packaging Line

CENTERS CONSUMPTION Others

Supplies

Chickens Slaughtered

Packaging Line Packaging Line Artificial Heat

Processing of Chicken Meat Chicken Meat

Human Consumption

chickens fattening

Artificial Heat

RAISED

Food

Meat of Chicken

Chicken Meat

DISTRIBUTION CHANNELS

SLAUGHTER PLANTS

SACRIFICE

REFRIGERATORS

SLAUGHTERING

Chickens

ASIGNACIÓN DE ANIMALES SACRIFICADOS A PRODUCTOS COMERCIALES (AVALAIBLE-TO-PROMISE)

La planificación del uso de los animales para cumplir con los compromisos comerciales en una empresa bio-industrial implica un problema matemático de asignación que debe coordinar las granjas, las plantas industriales y los pedidos comprometidos. Ya que existen infinidad de alternativas de convertir los seres vivos en las granjas en productos comerciales (animales enteros y partes).

Para ello se debe partir de la producción prevista en las granjas (raza, tipo, peso, volumen, ...) y la relaciones de conversión de seres vivos en productos comerciales de acuerdo con sus especificaciones técnicas. EL objetivo maximizar la utilidad al satisfacer la demanda del mercado.

Farm 1

Balanced 1 Balanced 2 Balanced 3 Balanced N Balanced

Concentrated Food Plant

Balanced Concentrated

Food Plant

Balanced Concentrated

Food Plant

Farm 2

Farm 3

Farm M

Farm M-1

SUMINISTRO DE ALIMENTOS BALANCEADOS O DE FERTILIZANTES

El problema la planificación y programación del aprovisionamiento en las granjas de alimentos balanceados (en cadenas vegetales el suministro será de fertilizantes), y la producción de dichos alimentos en múltiples plantas industriales, es común en muchas empresas bio-industriales, debido a la integración horizontal de las cadenas productivas de seres vivos y de sus nutrientes.

Para esto se requiere un conjunto de modelos matemáticos para para resolver los siguientes problemas: i) el suministro óptimo de alimentos balanceados teniendo en cuenta la distribución por edades de los seres vivos en las granjas, incluido el enrutamiento de camiones, ii) la planificación y programación de la producción en las plantas, incluida la mezcla de materias primas, la cual depende de la planificación de las granjas

Farms Crops

Packing Plants

Food

Stores Distribution Supermarkets

Centers Collection

Centers

Industrial Plants Ports

Collection Centers

ASIGNACIÓN DE LA PRODUCCIÓN DE VEGETALES A CLIENTES (AVALAIBLE-TO-PROMISE)

La solución de este problema implica el diseño e implementación de modelos matemáticos de optimización que: i) asigne fruta a los clientes, considerando detalladamente los contratos de suministro bilaterales, y ii) programación de despacho de los pedidos en buques, considerando los contratos a largo plazo de capacidad naviera. Para modelar los contratos bilaterales todas las condiciones comerciales deben convertirse en restricciones algebraicas.

En muchas ocasiones el problema ATP implica ii) Diseñar y Localizar las plantas empacadoras móviles en las granjas de acuerdo con la producción esperada en los lotes de la granja.

Enterprise-Wide Optimization

Inteligencia Artificial, Aprendizaje Automático Programación Matemática

Optimización

Cadenas de Demanda (Marketing Científico)

Capacitación en Modelamiento

Matemático

Avanzado

Prescriptive Analytics

Market Share Optimization

Client Management

Optimization

Marketing Champaigns Optimization Marketing-Mix

Optimization

Inventory

Policies Revenue

Management

Sales Portfolio Optimization Preliminary Data

Analysis

Market by Segment

Characterization Segmentation

Regions - Channels - Products

Bottom-Up Forecasting Variables del Mercado Multi-Product by Segment

Syndicated Databases NIELSEN

^®

IMS, DDD, PHARMA MIX ENTERPRISE

Databases

Exogenous Databases

Predictive Analytics

New Clients Classification

Optimization Models for Industrial Demand Chains

TACTICAL PLANNING OPERATIONS

y

_t

= a + S

_i=1,p



_i

y

_t-i

+ S

_i=1,q



_i

e

_t-i

+ S

_vVAR

b

_v

x

_t,v

+e

_t

Módulo: Optimización de Cadenas de Demanda

SESIÓN PLAN DE TEMAS

Valor Económico Agregado por las Matemáticas

Estado del Arte de la Optimización (Advanced Analytics) Artificial Hypothalamus - Mathematical Programming 4.0 Fundamentos de Optimización

1 Stochastic Advanced Analytics Modeling - OPCHAIN-SAAM Hoja de Ruta para Proyectos SAAM

2 S&OP: Sales & Operations Planning (Traditional & State of the Art) IBP: Integrated Business Planning Model

3 Modelos Probabilísticos Avanzados

Caso: Predicción de la Demanda (Efectos de Promociones, Días especiales, … ) 4 Machine Learning

Caso: Transport Revenue Management. - Less-Than-Truckload (LTL) Transport Networks 5 Métodos Clásicos y Bayesianos & Estimación de Estado

Caso: Predicción de Variables Hidro-climáticas – Planificación de Cosechas 6 DEA Data Envelopment Analysis

Casos: Planificación Expansión de Sistemas Industriales – Evaluación de Productividad Bancaria 7 Market Mix – Market Share Optimization

Optimizacion del Pedido Sugerido: Vendor Optimization 8 Revenue Management Fundamentals - Conjoint Analysis

Casos: Industrial del Retail – Industria de la Aviación 9 Modelos Markovianos de Decisión

Modelamiento de Clientes: CLV - RFM - Optimización de Campañas 10 Artificial Intelligence – Redes Neuronales Artificiales – Modelos Híbridos

Reconocimiento de Patrones

MODELO PROCESO ESTOCÁSTICO DATOS HISTORICOS

SIMULACIÓN MONTECARLO ESCENARIOS

MODELO

PROBABILISTICO DINÁMICO DEMANDA – PRECIOS TIEMPOS DE ENTREGA

OPTIMIZACIÓN PRESUPUESTO ESTRUCTURA RED CRITERIOS OPTIMIZACIÓN:

COSTO vs. SERVICIO CLIENTE

ESCENARIOS ALEATORIOS DEMANDA – PRECIOS TIEMPOS DE ENTREGA

POLÍTICA ÓPTIMA INVENTARIOS

- 50,000 100,000 150,000 200,000 250,000 300,000 350,000 400,000 450,000

ene feb mar abr may jun jul ago sep oct nov dic

DISTRIBUCIÓN DE LA DEMANDA

0 50,000 100,000 150,000 200,000 250,000 300,000 350,000 400,000 450,000

Unidades de demanda

ESCENARIOS DEL ENTORNO ALEATORIO

CARACTERIZACION DE LA DEMANDA

La caracterización de la demanda esta orientada a soportar el estudio del comportamiento de la demanda en función del tiempo, la estacionalidad, los sistemas de promociones, los precios y/o todos los factores que pueden impactar el modo de consumo de los clientes finales. Con la finalidad de producir:

▪ Proyecciones de demanda en el corto/mediano plazo y de alimentar los modelos de optimización estocástica de planificación de la cadena de oferta (supply chain).

▪ Curvas de demanda utilizadas en los procesos de optimización de listas de precios, sistemas de promociones, pedido sugerido, …

Para ello se requieren modelos de programación matemática que permitan calcular las elasticidades de la demanda con respecto a los diferentes tipos de efectos, de forma tal de utilizar dicha información en los procesos de gestión de la demanda comanda para estimación de parámetros.

Existen múltiples metodologías matemáticas para enfrentar el problema:

▪ Modelos Estadísticos Convencionales: Mínimos cuadrados, ARIMAX, GARCH, …

▪ Modelos Estadísticos Dinámicos Bayesianos

▪ Estimación de Estado (Filtro de Kalman y sus variaciones)

▪ Inteligencia Artificial (Redes Neuronales y Lógica Difusa)

▪ Metodologías Hibridas, resultado de la mezcla de dos o más de las metodologías

mencionadas.

Revenue Management es un concepto que corresponde a un conjunto de modelos de programación matemática orientados a la solución de problemas de pricing (determinación de precios de venta óptimos) y de sistemas de promociones, identificando los precios de venta que se ajusten a las condiciones de variabilidad de la demanda y sean los adecuados para cada segmento del mercado buscando de ésta forma la maximización integral de la utilidad.

Adicionalmente gracias a la flexibilidad de los modelos se pueden considerar diferentes factores tales como, descuentos, costos variables de los productos, costos fijos de pedido y costos de transporte.

REVENUE MANAGEMENT

SEPARACIÓN DE EFECTOS/IMPACTOS

Marketing Mix Optimization convierte en utilidad económica ($) la información proveniente del análisis de los registros históricos de ventas de usuario (caracterización de la demanda), su objetivo es ayudar a los decisores a determinar las decisiones que le maximizan la utilidad derivada de la gestión de eventos de marketing y ventas; respetando las restricciones del mercado, los presupuestos asignados y las reglas del negocio.

MARKETING MIX OPTIMIZATION

Marketing Optimization

Para construir un modelo matemático descriptivo del MS de una marca o de un fabricante existen varios enfoques, consideremos los dos principales que están basados en relacionar el MS con:

▪ Esfuerzos de Marketing del Fabricante

▪ Atracción/Preferencia del Consumidor

Los dos enfoques que están íntimamente relacionados, ya que los esfuerzos de marketing del fabricante buscan captar la atracción del consumidor.

La teoría se plantea en términos del market-share de los fabricantes, siendo similar para el caso de las marcas y de los productos específicos. Los modelos matemáticos buscan establecer una relación causal entre el MS y las componentes del “marketing mix” del fabricante.

MODELAMIENTO DEL MARKET SHARE (MS)

La función de los modelos orientados al denominado pedido sugerido (OPS) es asignar el portafolio de productos que cada vendedor/canal/camión ofrece a cada cliente, o grupo de clientes, (tienda/ruta/oficina/regional) en el corto plazo (diario).

Un modelo OPS tiene como condición de frontera el estado de las ventas por

“cliente” en pesos ($), los cupos de financiación del cliente, las metas de producción de corto plazo y el estado de los inventarios.

OPTIMIZACIÓN DE LA GESTIÓN DEL PORTAFOLIO DE PRODUCTOS

S&OP Planificación Táctica

Atención Demanda DEM Caracterización

Demanda

Plan

Producción/Distribución Plan de Eventos

OPS Optimización

Gestión Portafolio

Estado Financiero

Cliente

Forecast Demanda

Caracterización de la Demanda Por Cliente

Marketing Optimization

ENTERPRISE Database

Syndicated Databases

Others Databases Meta-Data Model

Design

Loading Information System Operational Efficiency

Data Envelopment Analysis

Clustering Segmentation Anomaly Detection

Market Characterization Clients – Competitors

by Segment

Historical Data Segment Classification

Model Identification

Segment of New Data New Data Base

Classification New Clients Bottom-Up Forecasting

Market Variables Multi-Product

by Segment

Segments Clean/Work Data Base

Original Data Base

Segments Historical Clients

Identification Math Model

Segments New Clients Impact

Math Model Impact

New Clients DEA

MP

ML: Machine Learning PM: Probabilistic Models DEA: Data Envelopment Analysis MP: Mathematical Programing

ML PM ML

PM

ML

Road Map for Advanced Predictive Analytics Processing

Enterprise-Wide Optimization

Inteligencia Artificial, Aprendizaje Automático Programación Matemática

Optimización

Cadenas de Transporte y Logística

Capacitación en Modelamiento

Matemático

Avanzado

PRICE-LTL

Modelo Dinámico de Precios

Less-than -Truckload (LTL) - Sistema de Soporte de Decisiones

SUPPLY DEMAND

Información Histórica

CMV-LTL

Mantenimiento Vehículos

Vehículos Operaciones

INV

Políticas Inventario Repuestos

Parámetros Falla Vehículos

Proyección Servicios Mediano Plazo

Vehículos Mantenimiento

Eventos

PME-T PME-O

DEM-LTL

Demanda Mediano/Corto Plazo

OPT-LTL

Planificación – Operaciones Mantenimiento

Vehículos Costo/Riesgo

Mantenimiento x Vehículo

DRIVER-LTL

Planificación de Conductores

MAN-TALLER

Programación Operaciones Mantenimiento

HOJA DE VIDA VEHÍCULOS

Asignación Tripulaciones

Vehículos Operaciones

Módulo: Optimización de Cadenas de Transporte y Logistica

SESIÓN PLAN DE TEMAS

Valor Económico Agregado por las Matemáticas

Estado del Arte de la Optimización (Advanced Analytics) Artificial Hypothalamus - Mathematical Programming 4.0 Fundamentos de Optimización

1 Modelamiento de Sistemas de Ruteo y de Programación de Actividades Travel Salesman Problem (TSP), Vehicle Routing Problem (VRP)

2 Modelamiento Matemático Estructurado Tecnologías de Optimización.

3 Optimización Operaciones Logísticas a Gran Escala

Caso: Coordinación de Puertos, Barcos y Mantenimiento - Caso: Operaciones Logísticas en Puertos 4 Diseño de Sistemas de Distribución

Caso: Layout Centros de Distribución y de Producción - Caso: Operación de Sistemas de Distribución 5 Optimizacion de Políticas de Inventarios

Optimizacion de Compras Globales (Global Sourcing Optimization) - Caso: Industria Farmacéutica 6 Sistemas ATP (Avalaible-to-Promise): Asignación de Productos a Pedidos y de Pedidos a Viajes

Caso: Industria de la Cerámica

7 Revenue Management en Sistemas de Transporte Caso: Broker de Sistemas de Transporte LTL

8 Demo Optimizacion en Políticas de Inventarios Caso: Distribución de Bebidas

9 Sistemas de Ruteo 4.0 - Real-time Routing Distributed Optimization Routing utilizando Sistemas de Tráfico Inteligentes (Ejemplo WAZE) 10 Optimización de la Velocidad de los Procesos & Eficiencia Energética

Caso: Transporte Regional – Transporte Marítimo

PROCESOS COMPLEJOS DE DISTRIBUCIÓN Y/O DE RECOLECCIÓN DE PRODUCTOS

Para ser eficaz, la planificación de la distribución y de la recolección de productos complejos, requiere de modelos matemáticos de optimización. Por ejemplo en el caso del gas propano (GLP) el objetivo es apoyar la programación semanal y diaria y la reprogramación operativa del despacho de camiones. Las hipótesis de modelado son las siguientes: i) flota de vehículos que consiste en múltiples tipos de camiones y múltiples tipos de remolques de GLP, ii) los camiones se pueden mover con o sin remolques, iii) un camión puede remolcar ciertos tipos de remolques de GLP, iv) los remolques de GLP se pueden despachar con o sin carga, v) los vehículos se mueven entre nodos (o terminales), vi) en los nodos puede haber demandas que deben ser satisfechas o compras que ingresan GLP al sistema, vii) en los nodos puede haber demandas que deben ser satisfechas o compras que ingresan GLP al sistema, y viii) pueden existir tanques de almacenamiento de GLP en los nodos. El modelamiento de este tipo de transporte (a granel) se analizará con detenimiento.

Distribution Planning and Propane Gas Gathering

Liquefied Petroleum Gas (LPG) Distribution Chain

REAL-TIME TRANSPORT ROUTING DISTRIBUTED OPTIMIZATION

Las nuevas tecnologías y la gran cantidad de datos generados permanentemente (big-data) cambian la optimización tradicional basada en momentos a la optimización basada en eventos en tiempo real: los modelos se ejecutarán de forma autónoma, cuando sea necesario, por eventos. Esto implica que cada componente del sistema (agente) necesita saber qué información necesita tomar de los sistemas de medición inteligentes y qué información debe proporcionarse para que otros agentes del sistema tomen sus decisiones, utilizando metodologías de optimización paralela asíncronas, para mantener el sistema, de extremo a extremo, en el "camino de la optimalidad".

En el caso del transporte de mercancías, el proceso de planificación de las operaciones logísticas en una ciudad, o en una región conurbada, podría llevarse a cabo de la siguiente manera:

i) A una hora determinada del día, el despachador central planea integralmente todas las rutas (secuencia de clientes por vehículo) para cumplir con la entrega y/o recogidas del día; esto implica resolver el problema VRP-TW-TDTT (Vehicle Routing Problem with Time Windows and Time-Dependent Travel Time) mediante un modelo de optimización de acuerdo con las reglas de negocio de la empresa

Dispatcher VRP

TSP

TSP

TSP

TSP

TSP

TSP

ii) Cada ruta debe cargarse en el vehículo en un dispositivo inteligente móvil (DIM, por ejemplo, VDO, iPhone, iPad, ...) a través del cual se reciben las mediciones y la información de un sistema de medición inteligente (SM, Smart Meetering, por ejemplo WAZE, que proporciona el camino (secuencia de calles) y el “mejor” tiempo de viaje estimado.

iii) Durante la ruta, al final del servicio en un cliente, el DIM solicita a SM información sobre los tiempos de viaje estimados en real-time.

Con la nueva información, el DIM puede resolver un problema TSP (Travel Salesman Problem) para recalcular la ruta óptima que ha de seguir para atender los clientes faltantes y enviar esa información al despachador central, quien si es necesario, reorganizará la planificación de las rutas.

REAL-TIME ENERGY CONSUMPTION OPTIMIZATION

El consumo de combustible puede representar hasta el 63,9% de los costos operativos variables de una flota de transporte pesado terrestre; por lo tanto, es un factor crítico en la planificación y programación de las rutas de camiones. En los vehículos de transporte de carga de última generación, los motores son electrónicos, controlados digitalmente, con capacidad de telemetría del entorno cercano que permite optimizar el rendimiento del combustible. Esta capacidad autónoma de los vehículos modernos se puede llamar control óptimo de corto alcance.

Hay otro nivel de planificación de operaciones de una flota de vehículos que es de largo alcance y que debe contemplar la ruta del vehículo y los tiempos planificados de llegada.

La importancia de esta planificación se ve en la curva de rendimiento de un motor en la que operando en un rango de 1.100 a 1.500 RPM se obtiene un consumo de combustible óptimo, y operando entre 1.500 y 1.800 RPM se obtiene un rendimiento de potencia óptimo con mayor consumo de combustible.

Optimizar el consumo de energía es complejo debido a que la función de consumo es no- lineal y depende de factores que son el resultado de la toma de decisiones como la carga y la geo-posición del vehículo; los factores dependientes de la ruta pueden dividirse en estáticos (por ejemplo, pendiente, rugosidad, ...) y dinámicos (el tráfico, el estado climático de la ruta, …). Si bien el problema matemático es complejo, el poder de la computación paralela, la efectividad de los algoritmos de optimización y las bases de datos en línea permiten resolverlo en el ambiente de la INDUSTRIA 4.0.

HAI Project: Real-Time Transport Distributed Optimization – Regional Systems

LESS-THAN-TRUCKLOAD REVENUE MANAGEMENT OPTIMIZATION

El problema central de un “bróker” LTL (“Less-Than-Truckload Trucking”) es elegir las demandas de servicios de transporte más rentables, para rutas directas de larga distancia o para múltiples rutas de recogida y entrega; y fijar el precio de oferta para las solicitudes de servicios de transporte o la aceptación de una oferta previamente acordada en un acuerdo a largo plazo. Una red LTL está formada por una empresa de transporte con una flota de camiones, que atiende una secuencia de solicitudes de entrega (recibidas por teléfono, correo o Internet).

La solución es implementar un DSS para la gestión de ingresos LTL (“revenue management”) que debe tener los siguientes modelos:

i) Ofertas de precio ganadoras para prestar servicios a los generadores de transporte de carga, determinadas por modelos Machine Learning (ML) para segmentar el espacio entre ofertas ganadoras y ofertas perdedoras.

ii) Ofertas de precios ganadoras precios a pagar a los transportistas, determinadas por modelos ML para segmentar el espacio entre ofertas ganadoras y ofertas perdedoras

iii) Vincular el flujo a través de la red LTL con los modelos ML para “revenue management” que definen las fronteras ganadoras para las ofertas de precios.