INSTITUTO TECNOLÓGICO
SUPERIOR ÁLAMO TEMAPACHE
present ación proyecto
Apoyo para la optimización de
Sistemas de Distribución mediante
Redes Neuronales: Reducción de
Devoluciones por Mala
Planificación de Entregas
AnaPaolaCáceresPascual222z0277 BrayanMoralesVázquez212Z0312
UlisesCruzMorales222z0292 NéstorArturo HernándezAzuara222Z0464
HéctorEduardoVicencioLucas222z0564 ArtemioMarianoCruz222Z0334
EmilioAlbertoReyesHernández222z0281 LuisJavierRamirezViveros222Z0284
LuisÁngelCruzPelcastre222Z0278
PLANTEAMIENTO DEL PROBLEMA
•La investigación en la gestión de la cadena de suministro dentro de la industria de la elaboración de sabores de alimentos es
crucial debido a su influencia directa en la eficacia operativa y la competitividad de las empresas en este sector, se ha
observado que, en muchos casos, existen deficiencias en la cadena de suministro, como la falta de coordinación entre los
diferentes socios involucrados, lo que puede ocasionar retrasos en la producción y costos adicionales (Chopra y Meindl, 2016).
• Por ende, la importancia de la correcta gestión de la cadena de suministros es fundamental ya que para la creación de
cualquier sabor comercial que conocemos actualmente se necesita de una empresa que produzca primeramente el sabor, por
ello la industria alimentaria es muy importante y la gestión de la cadena de suministros lo es aún más para la correcta
distribución y entrega de los productos al considerar factores tan importantes como su tiempo de vida, Paredes y Salazar
(2014), en una revista S&T de Colombia, señalan que la flexibilidad se adapta a la cadena de suministros, tomando el volumen y
variedad como parte del comportamiento del consumidor, dado que: “El análisis de la cadena de suministro se abordó a través
del establecimiento de un sistema dinámico, ya que esta metodología permite conocer las interrelaciones entre las distintas
actividades involucradas en su gestión” (p. 66).
Este estudio se encuentra sólidamente respaldada por una variedad de factores que confirman su relevancia y
necesidad por medio de la aplicación de unenfoque mixto, en primer lugar, se resalta la factibilidad de mejorar la gestión
de la cadena de suministro en la industria manufacturera mediante el aprovechamiento de avances tecnológicos en
temas de gestión, sistemas de información, automatización y seguimiento de inventario, estos avances ofrecen
oportunidades prácticas para implementar mejoras que pueden tener un impacto significativo en la eficiencia y
efectividad de las operaciones.
Parte fundamental de este estudio es comprender los factores más importantes que pueden afectar la gestión de la
cadena de suministro, como, por ejemplo, se tiene registro de que las personas son la fuerza impulsora detrás de una
cadena de suministro saludable, y es por eso que la actual escasez de mano de obra en el espacio de alimentos y
bebidas es motivo de gran preocupación, en los [Link]., aproximadamente 100 000 puestos de trabajo de la industria
quedaron vacantes a partir de julio de 2022, y es aún peor en el Reino Unido, donde hay aproximadamente 500 000
vacantes de 4,1 millones de puestos de la industria,con todo lo anterior podemos entender que el núcleo del problema
reside en la falta de eficiencia predominante en la gestión de la cadena de suministro dentro de la industria de
elaboración de sabores alimenticios, esta falta de eficiencia resulta en una serie de consecuencias adversas, como
gastos adicionales,
Demoras en la producción y una incapacidad para ajustarse a las variaciones en la demanda del mercado. Así
mismo, como las adversidades que no son controlables por la empresa, tal es el caso de la pandemia, la cual
resultó ser un factor importante dentro de las transformaciones recientes de la cadena de suministros, dichas
transformaciones se dieron gracias a las nuevas tendencias de los consumidores derivado de tendencias
nuevas en su alimentación y cuidado de la salud, como consecuencia de la crisis ocasionada por la pandemia,
hemos visto algunas áreas de mejora significativas, que pueden solventarse con rapidez. Para impulsar el
cambio positivo en la cadena de suministro y maximizar su eficiencia, la industria hará pivotar su evolución
sobre la tecnología, la unificación de los datos y la experiencia del cliente, la variabilidad impredecible de la
demanda es otro problema común en la gestión de la cadena de suministro, y se ha discutido la necesidad de
adaptarse a entornos comerciales cambiantes (Christopher y Oleg, 2011)
ESTADO DEL ARTE
El fracaso de los micronegocios ha tenido gran atención, un enfoque común es la identificación de factores clave y el
desarrollo de estrategias para mejorar el desempeño en sus respectivos ámbitos y de esta forma tomar medidas
preventivas y aumentar sus posibilidades de éxito.
Se utilizó el modelo conceptual que organiza las relaciones entre los factores de riesgo identificados y propone una
agenda para próximas investigaciones, el cual se combinó con el protocolo PRISMA (Preferred Reporting Ítems for
Systematic Reviews and Meta-Analyses). Se menciona que para que los MYPE prosperen, se debe invertir en
educación tanto personal, como la de los empleados para tomar decisiones de manera correcta, colaborar y usar
tecnología, realizar investigaciones de las necesidades de los clientes y adecuarlas a los productos y servicios
(García et al, 2022).
Se buscaba describir las consecuencias de los impuestos en los micro negocios de un estado, utilizando el método
en la investigación, la encuesta descriptiva, utilizando la recolección de datos de 1500 microempresas, además del
método de estadística chi-cuadrado. Los impuestos establecidos por los estados tienen un efecto de manera
perjudicial en el desarrollo de los micro negocios y la rentabilidad de las mismas (Otubor et al, 2024).
El enfoque de la visión basada en recursos (RVB) destaca la importancia de los recursos de la
empresa como un factor clave para conseguir una ventaja competitiva, esos recursos deben ser
valiosos, escasos, difíciles de imitar y no reemplazables (Barney, 1991). Según los datos
brindados, mencionan los principales desafíos de los PYME, son la competencia mundial y la
mercadotecnia internacional (69%), las restricciones del lado de la oferta (56%), el ambiente de
inversión desfavorable (50%) y las limitaciones económicas (Lwesya, 2021)
Utilizando una encuesta, la cual se sometió a un análisis porcentual y análisis de regresión lineal
se examinaron las consecuencias de la planificación de marketing estratégico y la planificación del
marketing digital en la productividad comercial, se llegó a la conclusión de que ambas
planificaciones tienen resultados positivos y significativos en el desempeño comercial. La
planificación estratégica de marketing y planificación digital de marketing ayudará a las PYMES a
permanecer agiles y abiertas a las modificaciones, lo que finalmente ayudará al éxito comercial
continuo.
Existen diferentes aportaciones en la mejora del emprendimiento de los micro negocios, las cuales
se han ido modificando con el paso del tiempo para poder mejorar la eficiencia y la agilización,
utilizando métodos de aprendizaje y predicción para la oferta y demande que se adapta a los
clientes
JUSTIFICACION
•La gestión de la cadena de suministro en la industria de manufactura de sabores
alimenticios no solo es esencial desde un punto de vista operativo, sino que también
juega un papel crítico en la satisfacción del consumidor, la competitividad empresarial
y la responsabilidad ambiental y ética, estos aspectos están intrínsecamente
interconectados, lo que subraya la importancia de una gestión integral y equilibrada
de la cadena de suministro en esta industria (Christopher, 1992).
La cadena de suministro es una de las piezas fundamentales dentro de cualquier
organización, enfocándonos en la industria de manufactura de sabores alimenticios,
revela la importancia crítica de esta área en la optimización de procesos y la
competitividad empresarial. La gestión efectiva de la cadena de suministro en esta
industria garantiza la disponibilidad oportuna de materias primas y la entrega
eficiente de productos acabados, lo que impacta directamente en la calidad del
producto, la satisfacción del cliente y la rentabilidad de las empresas. (Chopra y
Meindl, 2016).
Las redes neuronales apoyaran al sistema de distribución, identificando porque hay
devolución además de apoyar en la optimización de los productos, de una manera
eficaz, así como apoyar en la minimización la satisfacción del cliente.
OBJETIVOS
General:
•Desarrollar un sistema experto a través de redes neuronales para
apoyar en la toma de decisión de la optimización de la cadena de
suministros, y fortalecer el entorno económico.
Específicos:
•Desarrollar una base de datos de las variables del sistema de
suministro, a través de encuestas e información secundarias a
partir de la información primaria y secundaria.
•Crear la red neuronal utilizando un tipo de red freed forward
backprop.
•Validar la red de coeficiente de correlacionar y error cuadrático
medio para la adaptación del sistema.
MARCO TEÓRICO
2.1 INTELIGENCIA ARTIFICIAL
Es un campo de la informática donde se crean o diseñan, máquinas y sistemas capaces de realizar actividades
donde comúnmente se trabaja con la habilidad y conocimiento humano según (Alfonseca, 2017), eso barca una
amplia gama de técnicas, herramientas y conceptos que permiten que las máquinas no solo de seguir
instrucciones programadas sino que además aprendan, adaptarse y tomar decisiones autónomas basadas en
datos e información del entorno (Rouhiainen, 2018), permite automatizar tareas monótonas y repetitivas que
normalmente requerirían intervención humana, ya que puede analizar grandes volúmenes de datos para
identificar patrones, tendencias y relaciones que serían difíciles de detectar para los humanos en un tiempo
razonable, lo que facilita la toma de decisiones informadas y más precisas.
2.1.1 METODOLOGIA DE IA
La manera cómo funciona la inteligencia artificial es de una manera muy
compleja, requiere de utilizar algoritmos y modelos matemáticos, estos algoritmos
y modelos otorga que las maquinas puedan percibir el mundo, para comenzar
necesitan de los datos de entrada donde la IA pueda aprender y logre tomar una
decisión, pueden ser de imágenes, base de datos, cuantos más datos
representativos sean de entrada se obtendría un mejor rendimiento.
2.1.2 TIPOS DE REDES
Red neuronal profunda (DNN) con este tipo de red neuronal artificial se puede procesar textos,
imágenes pequeñas e incluso datos numéricos, se encuentra estructurado por tres distintas
capaz, la capa de entrada es la primera y es donde recibe la información que esta misma
información se reparte hacia la capa oculta ya que cada capa está conectada hasta llegar a la
capa de salida. (Rivas Asanza, 2018)
Red neuronal convolucional (CNN) se utiliza para el procesamiento de textos e imágenes, el uso
más recurrente de este tipo de red es para procesar imágenes, tiene una estructura similar a la
red (DNN), en el interior de las capaz de esta red se encargan de hacer convolución y
smaxpooling, lo que hacen es reducir el tamaño de una imagen conforme avanza en toda la
estructura cada capa conforme va reduciendo el tamaño va identificando los elementos más
importantes, y cada capa tiene un nivel de abstracción más elaborado conforme nos acercamos a
la capa de salida (Rivas Asanza, 2018).
Red neuronal recurrente (RNN) Se usa para los tipos de datos que son secuenciales, que pueden
cambiar con el tiempo como un ejemplo las acciones de una empresa que su valor puede subir y
bajar de un día para otro, la estructura es similar ya que también tiene capas recurrentes con
celdas de long short term memory que significa memoria corta a largo plazo, lo que hace las
capaz es recibir datos generan una predicción, y la salida de las capas se alimenta de nuevo a la
capa oculta , que le ayuda a tener una noción de lo que sucedió antes. (Rivas Asanza, 2018)
2.1.3 ARQUITECTURA DE LA RED
Las redes neuronales están basadas en el funcionamiento simple de las neuronas del cerebro humano, dentro de la
red se encuentran las neuronas artificiales son unidad del procesamiento conocidos como nodos, los nodos que
están distribuidos por capas, la capa de entrada(x) es la que se le inserta los datos o el conjunto de datos, en esta
capa los nodos representan una característica de los datos que se utilizan, las capas ocultas son las que se
encuentran en el medio de la red, en esta capa es donde sucede el mayor trabajo de la red, cumplen el proceso de
capturar patrones complejos en los datos, la capa de salida (y) esta crea la salida final en la red, esta puede generar
una predicción o clasificación, las capas están conectadas por redes que se les conoce como pesos (w) como lo
explica (Flores Lopez, 2008).
2.1.4 FUNCION DE ENTRENAMIENTO
Es la actividad que se lleva a cabo donde se pone aprueba la red y este aprende a ajustar sus parámetros internos
lo que viene siendo los pesos de sus conexiones y los sesgos, esto es necesario para que la red pueda generar
conocimiento de los que adquirió durante el entrenamiento para que pueda realizar buenas predicciones sobre datos
nuevos y no vistos, esta función conlleva una serie de pasos que son específicos y repetitivos, cada uno de los
conjuntos constituye a un ciclo de aprendizaje.
Función de perdida, este tiene como objetivo minimizar una función de perdida.
Para los problemas de regresión, se usa el combinado del error cuadrático medio (MSE):
Propagación hacia adelante, en esta cada neurona aplica una combinación lineal de sus entradas seguida de una
función de activación.
Propagación hacia atrás, es un algoritmo de retro propagación ajusta los pesos y sesgos.
Descenso de Gradiente, ajusta en la dirección opuesta al gradiente de la función.
2.1.5 FUNCION VALIDEZ
•En la aplicación de redes neuronales para optimizar sistemas de distribución, el proceso de entrenamiento y
validación es crucial. Este proceso asegura que la red aprenda patrones relevantes y generalice correctamente a
datos nuevos. Los requisitos clave son:
• Confiabilidad: El grado en que la red neuronal produce predicciones y optimizaciones consistentes y coherentes a
lo largo del tiempo.
•Validez: El grado en que la red neuronal realmente optimiza las variables deseadas en el sistema de distribución.
•Validez de Datos: Asegurar que los datos de entrenamiento representen fielmente el sistema de distribución real.
Validez del Modelo: Verificar que la arquitectura y los parámetros de la red neuronal sean adecuados para la tarea.
Validez de Resultados: Comparar las predicciones y optimizaciones de la red con resultados reales del sistema de
distribución.
Validación cruzada: Para validar el modelo con diferentes grupos de datos.
Objetividad:
El grado en que el proceso de entrenamiento y validación está libre de
sesgos y tendencias del investigador.
Para abordar la complejidad de la optimización de la cadena de suministro,
se emplea un enfoque de investigación que combina análisis cuantitativo y
cualitativo, aprovechando las capacidades de las redes neuronales.
Herramientas Cuantitativas (Redes Neuronales):
Objetivo:
Cuantificar la eficiencia de la distribución, predecir la demanda, optimizar
rutas y minimizar costos.
Método:
Modelos de redes neuronales para predicción de series temporales,
optimización de rutas y análisis de datos de sensores.
Ventajas:
Proporciona predicciones precisas, optimizaciones eficientes y análisis de
grandes volúmenes de datos.
Complemento con Herramientas Cualitativas:
Objetivo:
Comprender los factores que influyen en el rendimiento del sistema de distribución y las
percepciones de los usuarios.
Método:
Entrevistas con personal de logística, análisis de comentarios de clientes y observación de
procesos de distribución.
Ventajas:
Proporciona información contextual, revela problemas no detectados por los datos
cuantitativos y facilita la implementación de soluciones, el uso de redes neuronales,
combinado con métodos de investigación cuantitativos y cualitativos, permite una
optimización integral de los sistemas de distribución, mejorando la eficiencia, reduciendo
costos y aumentando la satisfacción del cliente
HIPÓTESIS
•El sistema experto apoyara en la toma de decisiones en el sistema de distribución,
permitiendo identificar patrones y factores causantes de las devoluciones de
productos, lo cual, a su vez, facilitara la optimización de la gestión de inventario y la
eficiencia de la entrega, se espera una reducción en las devoluciones y una mejora en
la satisfacción del cliente.
METODOLOGÍA
•La metodología es la ciencia de los métodos, es decir, es el estudio crítico del conjunto de operaciones y procedimientos racionales y
sistemáticos que utiliza el ser humano para encontrar soluciones óptimas a problemas complejos, teóricos o prácticos como lo dice
(Morales, 2002).
Diseño de la investigación.
•En este protocolo consistirá en una investigación aplicada, la investigación aplicada tiene el objetivo principal en resolver problemas
prácticos y específicos, se utiliza la información o conocimiento existente o desarrollando nuevas situaciones concretas como lo dice
(Hernandez Sampieri, 2014), ya que en este se compararán los resultados que se obtuvieron tradicionalmente con los resultados que se
obtendrán por medio de las redes neuronales, en este se realizara simulaciones y pruebas para validar los resultados de este mismo.
•Enfoque de la investigación.
Tiene un enfoque cuantitativo y experimental este protocolo, el principal objetivo consiste en desarrollar un sistema experto por medio de
redes neuronales que ayude a optimice la planificación de entregas, esto a su vez reduciendo los números de devoluciones ocasionado
a diversas variables que afectan la distribución.
•Población
Se enfocará en todas las devoluciones que no fueron entregadas en un periodo de 1 me en la zona de álamo.
Tamaño de la muestra.
La muestra será de un tamaño de 50 devoluciones que no han sido entregadas o sean devuelto por parte del cliente, además de la tabla
de variables que se persiste.
Variable Parámetro
Atributo Tipo
o categoría
X_1 Cajas Continua Cantidad de cajas
Producto dañado, incidente en ruta,
X_2 Motivo APP Categoría
ausencia de cliente, sin liquides, cliente cerrado, etc.
Llanta ponchada, Merma, cliente
X_3 Motivo Real Categoría
cerrado, condiciones climatológicas, sin envase, etc.
Almacén, cliente, Distribución,
X_4 Área Categoría
Roadnet.
•Técnicas de investigación
La técnicas que se ejecutaran serán, la simulación computacional es una técnica que consiste en la utilización
de modelos matemáticos o también programas informáticos que nos permite replicar un sistema o proceso en
un entorno virtual como lo explica (Kelton, 2014) ya que con esta técnica se estructurara la red como también
se simulara y entrenara para comparar la eficiencia en cuestión de reducción de devoluciones.
La prueba de hipótesis es un procedimiento estadístico que para la toma de decisiones sobre una población a
raíz de la muestra de datos como lo dice (Devore, 2011), con esta prueba nos ayudara a corroborar si por
medio de la red neuronal genera algún cambio en la tasa de devoluciones por la carencia de planificación de
entregas
El análisis estadístico es un proceso en cual se lleva a cabo la recolección , organización y la interpretación
de datos para generar conclusiones que nos induzca a la toma de decisiones, esta técnica se basa en la
utilización de herramientas matemáticas como también de la estadística para entender patrones, relaciones y
tendencia que persistan en los datos como lo explica (Newbold, 2010) nos permitirá analizar e interpretar los
datos que se recolectaron y evaluar si la red apoya a mejorar el sistema de distribución.
•Instrumentación de recolección de datos.
Se utilizará datos históricos de las devoluciones con información de si entrego, llego
a destino la mercancía, los motivos APP Y motivos reales de las devoluciones como
también de las rutas de distribución, a su vez se creará la red neuronal, se entrenará
y simulará con el software Matlab para llevar a cabo las simulaciones de rutas que
sean más óptimas para la distribución de la mercancía.
Cronograma de actividades.
•Técnicas de análisis de datos.
Se utilizará datos históricos de la empresa donde se recopilarán los
datos de entregas y devoluciones del mes de enero, al igual que
las rutas que han sido utilizadas para que con esa información se
lleve a cabo el entrenamiento de la red neuronal.
Muchas Gracias
INSTITUTO TECNOLOGICO SUPERIOR DE ALAMO TEMAPACHE
GUÍA DE OBSERVACIÓN
Unidad Temática: 3
Nombre de la asignatura: Taller de Investigación I
Fecha: 15 / 03 / 25
Nombre de los estudiantes y/o integrantes del Equipo
1. Ana Paola Cáceres Pascual 222z0277
2. Ulises Cruz Morales 222z0292
3. Héctor Eduardo Vicencio Lucas 222z0564
4. Emilio Alberto Reyes Hernández 222z0281
5. Luis Ángel Cruz Pelcastre 222Z0278
6. Brayan Morales Vázquez 212Z0312
7. Néstor Arturo Hernández Azuara 222Z0464
8. Artemio Mariano Cruz 222Z0334
9. Luis Javier Ramirez Viveros 222Z0284
Datos generales del proceso de evaluación
Producto: Guía de Observación Valor: 40 % Periodo escolar: FEBRERO JULIO 2022
Instrucciones para el estudiante
Revisar las actividades que se solicitan y marque con una X en los apartados “Si” cuando la evidencia se cumple; en caso contrario marque
“No”. En la columna “Observaciones” coloque las recomendaciones que puedan ayudar al alumno a saber cuáles son las condiciones no
cumplidas, Cuando los reactivos no se cumplan al cien por ciento, escriba en el apartado de retroalimentación las acciones que el alumno
puede realizar para lograr la competencia de la unidad.
Valor del Cumple
NO reactivo Característica por cumplir Observaciones
(%) Si No Real
1 2% La exposición es calara y coherente con el tema
2 4% Tiene domino del tema
3 2% Presenta información precisa
Trabaja en equipo es notario el trabajo de todos los
4 5% integrantes
5 5% Contesta pregunta sobre el tema
6 10% Las respuestas son fundadas
7 5% Brinda ejemplos claros con relación al tema
8 2% Maneja el tiempo de manera adecuada
9 5% Expone con un nivel profesional
40% Total