Optimización de la planificación de recursos basada en modelos predictivos Lander Ibarra Iriondo Director de Modelación en Bayes Forecast.

Presentación del tema: "Optimización de la planificación de recursos basada en modelos predictivos Lander Ibarra Iriondo Director de Modelación en Bayes Forecast."— Transcripción de la presentación:

1 Optimización de la planificación de recursos basada en modelos predictivos Lander Ibarra Iriondo Director de Modelación en Bayes Forecast

2 La marca de la Inteligencia es la capacidad para prever

3 - 3 - Modelos

4

5 Toma de decisiones Fuerte control diagnóstico Identificación precoz de los cambios Evaluación de políticas y actuaciones ¿Para qué? Funciones de los modelos

6 Operaciones Mercados Clientes Productos ¿Dónde?

7 Proceso de aprendizaje 7 La modelación es un proceso de aprendizaje controlado por los datos. Decisión Decisión Previsión Mundo Real Modeloexplicativo Modelo tentativo tentativo Inferenciaestadística Modeloinsatisfactorio Reformulación,conjeturas DatosInformación a priori Preguntas de negocio negocio Diagnosis

8 Enfoque Económico 8 Mantenimiento y Explotación : diagnosticar permanentemente los errores de previsión, decidiendo si los modelos requieren cambios en su formulación o simplemente calibración en los parámetros. Producción de Modelos Sistema de Explotación

9 Enfoque Dinámico 9 Cambios en el tiempo. MercadoCompetidoresOperacionesProductosClientes … todos cambian!

10 Enfoque Bayesiano  Uso exhaustivo de la información  Censura  Jerarquías de modelos Método de acumulación de conocimiento. Herramienta del aprendizaje. EvidenciaConocimiento Nuevo Conocimiento http://www.ted.com 10

11 ¿Cómo puedo mejorar la planificación de recursos para la recogida y envío de expediciones? ¿Cómo varía mi demanda de expediciones según las variaciones del mercado? Contexto

12 Construir un sistema de previsión de la demanda para la mejora en la planificación de recursos Objetivos

13 13 Combina la evidencia (dados históricos) con sentido común y la experiencia. Permite que el modelo no sea totalmente abstracto, que tenga sentido de negocio No lineales Dinámicos Jerárquicos Bayesianos Los efectos son en su mayoría no lineales. Ej. Doblar la Publicidad no doblará las ventas. Ley de incrementos decrecientes. Los efectos no son constantes, varían en cada instante del tiempo. Existen efectos instantáneos, otros de medio plazo y de largo plazo Introduce información de semejanza de perfiles de consumo de zonas, productos y tipo de clientes. Inputs (X) PublicidadCalendario Precio DistribuciónCompetencia Output (Y) Economía Modelo Y = f(X) + e (Explicativo y Predictivo) Modelo Y = f(X) + e (Explicativo y Predictivo) Volumen Ventas -Ej. Unas regiones pueden tener más semejanza entre sí que otras Solución

14 Solución Flujo a modelar: Puntos de recogida Franquicias de origen Naves de transbordo Puntos de entrega Franquicias de destino InicioFin

15 Solución Sistema de información ModelosSistema  Selección y validación de fuentes  Construcción de base de datos y carga inicial de datos  Desarrollo de procesos de extracción y comunicación  Modelo global (expediciones, bultos y peso)  Modelo de destinos (bultos y exp por clase) para cada franquicia  Modelo de mercancía trasbordada (Bultos y Peso) por Nave de Transbordo (punto intermedio)  Modelo de Outsourcing. El proveedor hace el ajuste permanente de los modelos y de remitir semanalmente las previsiones  Interfaz de usuario, perfil analista.

16 Solución Sistema de información ModelosSistema Previsiones Diarias de: Producción Global Órdenes de recogida, por zona Salida, por producto, por franquicia Mercancía transbordada Llegada, por producto, por franquicia Órdenes de entrega, por zona Expediciones Bultos Kilos Las previsiones se realizan en todas y cada una de las etapas del proceso recogida-entrega Las previsiones se realizan en cualquier magnitud y horizonte de tiempo.

17 El modelo 17 Inputs :  Calendario  Festivos  Campañas  Altas y bajas  Huelgas  Climatología  Economía Previsión Aplicaciones :  Estudios de Marketing y efectos de las campañas en la demanda. Análisis de elasticidades (precio – demanda, por ejemplo).  Previsión y planificación de los recursos necesarios en nave y para el reparto.  Optimización de los recursos necesarios en plataformas y red de transporte. EBK EBK URFURF G D P O- D

18 Solución Sistema de información ModelosSistema Interfaz de Usuario: Perfil Modelador

19 Solución Sistema de información ModelosSistema Informe de previsiones diarias

20 Beneficios Planificación de los recursos en función de la demanda futura. Comprensión de mercado a partir de los modelos explicativos. Ahorro de costes de recursos para atender la demanda.

21 ¡ Gracias! Lander Ibarra Iriondo Director de Modelación en Bayes Forecast

22 Sistemas de decisión e Inteligencia de Negocio Antonio Cerdán Account Director en Bayes Forecast