IMPLEMENTACIÓN DE UN MODELO DE OPTIMIZACIÓN DE MATERIAS PRIMAS EN LA OPERACIÓN DE CORTE Y DOBLE DE DIACO Seminario de Investigación de Especialización – Plan E+ CONTENIDO 01 05 02 06 03 07 Problema de Investigación Objetivos Justificación Metodología Analisis y discusión de los resultados Conclusiones y recomendaciones 04 08Marco teórico Bibliografía Problema de investigación Pregunta de investigación PROBLEMA DE INVESTIGACIÓN ¿Cómo poder mejorar los modelos de predicción, basados en técnicas de inteligencia artificial y aprendizaje automático, y con esto mejorar la precisión de los pronósticos de consumo y precios de materias primas en la industria del acero figurado de la operación de Diaco, permitiendo una gestión más eficiente del rendimiento de la materia prima, de la cadena de suministro y una reducción de los costos operativos? La industria de producción de acero figurado tanto en Colombia como en el mundo depende con la mayoría de las operaciones industriales de la disponibilidad y los costos de las materias primas asociadas a su fabricación. Las fluctuaciones inesperadas en la demanda generan desviaciones importantes en el rendimiento y los costos asociados al abastecimiento de esta materia prima, lo cual impacta directamente en los costos operativos y los márgenes del producto final, además de generar algunos reprocesos en la cadena de abastecimiento asociada. Problema Objetivos OBJETIVOS GENERAL Y ESPECÍFICO OBJETIVOS ESPECIFICOS • Revisar toda la documentación existente asociada a los modelos de predicción aplicados a la industria de fabricación de acero, identificando las técnicas más utilizadas y sus limitaciones. • Desarrollar un marco metodológico para la selección y aplicación de modelos de predicción adecuados a las características específicas de la industria de fabricación de acero figurado • Evaluar la asertividad y robustez de diferentes modelos de predicción (por ejemplo, redes neuronales, machine learning, series de tiempo) utilizando datos históricos de consumo y precios de materias primas. • Identificar los puntos más relevantes que influyen en la precisión de los pronósticos, como la calidad de los datos, la complejidad del modelo y el horizonte de tiempo de la predicción. • Proponer recomendaciones prácticas para la implementación de modelos de predicción en la operación de fabricación de acero figurado de Diaco, considerando aspectos como la integración con los sistemas de planificación existentes y la capacitación del personal que interviene en el proceso Proponer un modelo de predicción de consumo de materias primas para la fabricación de acero figurado en la operación de Diaco, que sea robusto y que logre integrar todas las variables relevantes que afectan el rendimiento y el costo final del producto OBJETIVO GENERAL Justificación JUSTIFICACIÓN Este documento tiene como objetivo proponer un modelo de optimización que permita a Diaco S.A. mejorar sus procesos de corte y doblado de acero, ajustando sus modelos de pronóstico y aprovechando al máximo las materias primas disponibles. La implementación de este modelo no solo pretende optimizar el uso de los insumos, sino también mejorar los indicadores clave de rendimiento, como la reducción de costos y la eficiencia operativa. Con ello, se busca que Diaco S.A. pueda enfrentar de manera más efectiva los retos actuales del mercado y fortalecer su posición competitiva en la industria Marco Teórico MARCO TEÓRICO Optimización de materias primas Pronósticos de demanda Modelos estadísticos tradicionales Media Móvil Suavización exponencial Modelos ARIMA Modelos Aprendizaje automatico Redes Neuronales Soporte Vectorial Bosques aleatorios Modelos Híbridos ARIMA ANN Gestión de inventarios Just in Time JIT Planeación MRP Inventarios ABC Revisión Continua Q SYSTEM Revisión Continua P SYSTEM Inventarios basados en la demanda Planificación de la producción Planeacion MPR Planificación MRP II Planeación JIT Teoría de restricciones TOC Programación lineal Lean Manufacturing Logistica y transporte Gestion de la cadena de suministro SCM Transporte JIT Logistica inversa Optimización de la red de distribución Transporte multimodal Metodología METODOLOGÍA El enfoque de esta investigación es cuantitativo y analítico, centrado en la optimización de desperdicios de materia prima dentro de procesos de producción. Utiliza métodos estadísticos y algoritmos de optimización para analizar el impacto de diferentes variables en la eficiencia del uso de materia prima. Se aplicará un enfoque de investigación aplicada para resolver problemas prácticos relacionados con la reducción de desperdicios y la mejora en la eficiencia de producción. El alcance de la investigación incluye el análisis de la influencia del tipo de obra en los consumos de materia prima y los costos asociados. Se examinarán diferentes tipos de proyectos de construcción y manufactura para identificar cómo las características específicas de cada tipo afectan los niveles de desperdicio y los costos de materia prima ENFOQUE ALCANCE METODOS Para abordar el enfoque cuantitativo y analítico de esta investigación, se seleccionarán métodos de recolección de datos que permitan obtener información precisa y relevante sobre la optimización de desperdicios de materia prima. Los principales métodos de recolección incluirán: 1) Revisión de datos históricos 2) Encuestas y entrevistas METODOLOGÍA SOFTWARE DE GESTION DE DATOS Excel Power BI HERRAMIENTAS DE ANALISIS ESTADISTICO Python R La población de estudio está compuesta por todas las materias primas usadas para la producción de acero figurado, y la muestra se determinará en función de la clasificación realizada a través del análisis ABC multicriterio. Los productos se clasificarán en tres categorías: A, B y C, basado en su importancia relativa y características de demanda. La muestra para el análisis detallado incluirá productos clasificados como categoría A, que representan una proporción significativa del valor total y de la demanda INSTRUMENTOS POBLACIÓN Y MUESTRA TÉCNICAS 1) Analisis de datos históricos 2) Modelos predictivos y analisis multivariado 3) Analisis de datos en tiempo real 4) Validación y verificación de los resultados Analisis y discusión de los resultados Conclusiones y recomendaciones Conclusiones del Analisis. La inclusión de la inteligencia artificial (IA) en el proceso de desagregación ha demostrado ser una estrategia eficaz para mitigar las desviaciones que, de no gestionarse adecuadamente, podrían impactar significativamente los costos y la rentabilidad de la cadena de abastecimiento. La capacidad de la IA para analizar grandes volúmenes de datos y optimizar decisiones en tiempo real contribuye a una mayor precisión en las previsiones, lo que se traduce en una mejora sustancial de los resultados operativos. Además, los procesos de capacitación del personal involucrado en la construcción de pronósticos son fundamentales para asegurar una implementación efectiva y realizar ajustes rápidos cuando sea necesario. La participación activa y el entrenamiento constante de los equipos responsables permite una adaptación más ágil a las dinámicas cambiantes del mercado y a la evolución tecnológica en el área de la planificación. La gobernanza y depuración de datos se presentan como pilares esenciales en la calidad de los modelos aplicados. Asegurar la integridad y precisión de los datos garantiza que las soluciones propuestas por los modelos sean las más adecuadas y ajustadas a la realidad operativa, reduciendo la probabilidad de errores o desviaciones no deseadas. El desarrollo de modelos estadísticos ha mostrado ser una herramienta clave para mitigar las desviaciones tanto en la planificación como en la desagregación de los SKU (Stock Keeping Units). En particular, la implementación de modelos SARIMA con componentes estacionales semanales se ha identificado como una metodología robusta para capturar patrones recurrentes en las series temporales. No obstante, la incorporación de variables exógenas, como promociones o eventos, podría mejorar aún más la precisión del modelo, dado que estos factores externos también pueden influir en el comportamiento de la demanda. Finalmente, se sugiere un análisis adicional de los residuales del modelo para identificar posibles outliers o patrones no capturados que podrían estar afectando la previsión. Este enfoque contribuiría a una mayor precisión y ajuste del modelo, mejorando así la calidad de las decisiones basadas en los resultados del mismo. Bibliografia  Axsäter, S. (2022). Introduction to inventory control. Springer. https://doi.org/10.1007/978-3-030-61509-8  Bazaraa, M. S., Jarvis, J. J., & Sherali, H. D. (2021). Linear programming and network flows (6th ed.). Wiley.  Bendersky, M. (2021). Operations management and information systems. Wiley. https://www.wiley.com/en-us/Operations+Management+and+Information+Systems-p- 9781119742401  Bhasin, S., & Burcher, P. (2021). Lean service: A guide to lean management principles for service organizations. Journal of Service Science, 13(1), 58-73. https://doi.org/10.1080/22773909.2021.2006345  Black, K., & Porter, J. (2021). Business statistics: For contemporary decision making (10th ed.). Wiley.  Blackburn, J. D., Guide, V. D. R., & Souza, G. C. (2021). Reverse logistics: An overview of the theory and practice. Supply Chain Management Review, 22(3), 42-58. https://doi.org/10.1080/15450609.2021.2021743  Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2021). Time series analysis: Forecasting and control (5th ed.). Wiley. https://www.wiley.com/en- us/Time+Series+Analysis%3A+Forecasting+and+Control%2C+5th+Edition-p-9781119672740  Breiman, L. (2021). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324  Cachon, G. P., & Terwiesch, C. (2022). Matching supply with demand: An introduction to operations management (4th ed.). McGraw-Hill Education. https://www.mheducation.com/highered/product/matching-supply-demand-introduction-operations-management-cachon-terwiesch/M9781264288105.html  Chiarini, A. (2022). The Lean Six Sigma Guide to Doing More With Less: Cut Costs, Reduce Waste, and Lower Your Overhead. CRC Press. https://doi.org/10.1201/9780429483617 CREDITS: This presentation template was created by Slidesgo, and includes icons by Flaticon, and infographics & images by Freepik ¿Tienen alguna pregunta? erincon80967@universidadean.edu.co Esta presentación está construida sobre una plantilla de Slidesgo además de gráficos e imágenes de Freepik