Comparación de métodos estadísticos y aprendizaje automático para la mejora del proceso de Slotting

Resumen

Los centros de distribución o almacenes de suministros enfrentan desafíos significativos en el proceso de selección de pedidos. Un problema particular es la congestión de operadores en la zona de selección debido a la distribución inexacta de productos en ubicaciones limitadas. Para abordar este problema, ha surgido el proceso de "Slotting", que tiene como objetivo asignar eficientemente productos a ubicaciones específicas utilizando métodos analíticos, mejorando la preparación de pedidos al mismo tiempo que se reducen los costos operativos. Sin embargo, las variaciones estacionales y las fluctuaciones en las tendencias contribuyen a las oscilaciones en la demanda de productos. Por lo tanto, se sugiere integrar métodos estadísticos de pronóstico y aprendizaje automático para monitorear y anticipar cambios de productos en zonas de selección. En este contexto, esta investigación presenta dos enfoques. El primero es proponer un nuevo modelo de proceso de "Slotting" basado en la revisión de la literatura, y el segundo es una comparación entre métodos como el suavizado exponencial doble y triple; el modelo estacional autorregresivo integrado de media móvil; redes neuronales recurrentes Long Short-Term Memory y Gated Recurrent Unit, para pronosticar la demanda de productos. Para validar los métodos, se realizó una prueba con 50 productos y una base de datos histórica de 7 años, desde enero de 2016 hasta mayo de 2023. Esta investigación sugiere un enfoque híbrido en el que los métodos utilizados pueden ser una estrategia práctica para lograr la mejor precisión en el pronóstico, optimizando así el proceso de "Slotting".