El grupo intralogístico Mecalux y el Instituto de Tecnología de Massachusetts (MIT) han desarrollado una solución basada en inteligencia artificial (IA) para optimizar la gestión de inventarios en redes logísticas compuestas por varios almacenes. El simulador emplea modelos avanzados de machine learning capaces de analizar posibles escenarios para determinar el nivel óptimo de stock en cada centro logístico y el momento más adecuado para realizar reposiciones, según explica la empresa española.
El simulador emplea modelos de machine learning para determinar el nivel óptimo de stock en cada centro
A diferencia de los sistemas tradicionales, la solución hace posible la simulación simultánea, de forma que evalúa miles de escenarios en menor tiempo. Además, plantea la redistribución interna para priorizar mover stock entre los propios almacenes y, al realizarse en un entorno virtual, no afecta a la operativa real de la red logística hasta que no decide aplicarse.
Esta nueva plataforma tiene en cuenta variables como la demanda prevista en cada región, los costes de transporte o la capacidad operativa de cada instalación logística, lo que permite evaluar diferentes políticas de reposición sin interferir en la operativa real. Al resolver escenarios de forma simultánea, las empresas pueden usar esta herramienta no para informes teóricos de final de mes, sino para decidir rápidamente si lanzan un camión de redistribución entre sus centros.
Según señala el director de Investigación del MIT Center for Transportation & Logistics y del Intelligent Logistics Systems Lab, Matthias Winkenbach, “el algoritmo genético permite ejecutar múltiples simulaciones con distintos parámetros hasta encontrar la estrategia logística más eficiente”. Gracias a ello, “las empresas pueden comparar escenarios y seleccionar el que mejor se adapta a su operativa”.
Una vez incorporados los datos en el sistema, genera una propuesta de optimización acompañada de paneles estadísticos avanzados que permiten analizar patrones de consumo, identificar regiones con alta variabilidad de demanda o detectar referencias con mayor riesgo de rotura de stock. En esta línea, el investigador del MIT Intelligent Logistics Systems Lab, Rodrigo Hermosilla, destaca que “el verdadero reto no fue encontrar el algoritmo adecuado, sino hacerlo lo suficientemente rápido como para que fuera práctico”. A este respecto, Hermosilla añade que “desarrollamos esta herramienta desde cero para evaluar miles de escenarios de forma simultánea en lugar de secuencial, lo que antes llevaba días ahora se resuelve en minutos, permitiendo a las empresas usarlo para una planificación táctica real y no solo para análisis teóricos”.
Además, una de las funciones clave de la herramienta consiste en analizar si resulta más eficiente redistribuir inventario entre distintos almacenes antes de emitir nuevos pedidos a proveedores. De esta forma, el sistema permite reducir costes logísticos y aprovechar mejor el stock disponible, además de recomendar estrategias de transporte que optimicen rutas y agrupación de envíos. Por su parte, el consejero delegado de Mecalux, Javier Carrillo, afirma que “el objetivo es ayudar a las empresas a minimizar el coste total de la red logística y garantizar el máximo nivel de servicio”.
0 Comentarios