Posicionamiento inteligente

El problema del hilo rojo: Posicionamiento inteligente en almacenes.

La eficiencia en la gestión de un almacén es fundamental para optimizar recursos y mejorar el servicio a nuestros clientes y uno de los principales factores que incrementan esa eficiencia es, sin duda, una óptima distribución de los diferentes artículos en el almacén, que nos permita minimizar el número de movimientos en la preparación de pedidos.

Tradicionalmente, el posicionamiento de las diferentes referencias en el almacén se ha basado en el análisis ABC de líneas o ventas, o en un mix de ambas. El análisis ABC es una técnica de gestión de inventarios basada en el principio de Pareto, que establece que aproximadamente el 20% de los productos representan el 80% del valor o del movimiento del inventario. Esta clasificación divide los artículos en tres categorías:

• Clase A: Productos de alta importancia, que representan un pequeño porcentaje de las referencias, pero una gran parte del valor o volumen de ventas.
• Clase B: Productos de importancia intermedia, con una relación equilibrada entre cantidad y valor.
• Clase C: Productos de baja importancia, que comprenden la mayor cantidad de referencias, pero con un impacto menor en el inventario.

Una fórmula mejorada, con respecto al análisis ABC, es la utilización del método del k-ésimo mejor vecino (o simplemente “k-ésimo”) que es algo más complejo, pues busca ordenar los artículos por diferentes variables -normalmente dos- que deben ser ponderadas, por ejemplo, las ventas en unidades y las líneas asociadas. El algoritmo K-ésimo puede considerarse una variante del método del alpinista (hill climbing), aunque con un enfoque un poco diferente.

Estas fórmulas de clasificación, más o menos mejoradas, han sido enormemente útiles hasta la fecha, a la hora de optimizar la disposición de los artículos en el lay out del almacén, pero con la aparición de la Inteligencia Artificial se suman nuevas posibilidades en la optimización de dicho posicionamiento de los artículos y se eliminan defectos intrínsecos del análisis ABC, como la ausencia de consideración en los cálculos de la denominada Correlación de Artículos.

Para entender este término de correlación lo mejor es explicarlo con un par de ejemplos:

En un almacén de productos de alimentación se reciben pedidos de aceite de los diferentes supermercados en los que, por citar un producto de alto consumo, se solicita siempre aceite en gran cantidad y vinagre en una muchísima menor cantidad, lo que, con la interpretación ABC tradicional, nos llevaría a ubicar el aceite en posiciones A y el vinagre en posiciones C.

Sin embargo, un enfoque más minucioso como el proporcionado por algoritmos de Inteligencia Artificial, como el algoritmo genético, nos puede llevar a concluir que, aunque en cantidades muy distintas, ambos artículos se encuentran correlacionados, es decir que siempre o prácticamente siempre que se pide uno, se pide el otro, lo que debería llevarnos a plantear una reubicación del vinagre en posiciones mucho más cercanas a las destinadas a los productos A.

Algo idéntico ocurre en el caso de fabricantes de mercería, y que detectamos concretamente en uno de nuestros clientes de Dimensia, donde en los pedidos de hilo blanco o negro, en grandes cantidades dado que también son productos de enorme consumo en ese segmento, siempre (y la clave es de nuevo la palabra “siempre”) van acompañados de peticiones de hilo rojo, aunque en mucha menor cantidad (es un producto C en volumen de venta), por lo que están correlacionados y por tanto esta correlación será tenida en consideración por el algoritmo genético a la hora de tomar una decisión de posicionamiento.