Machine Learning
Retail · Distribución
Optimización de Stock de Seguridad y Punto de Reorden por SKU
Optimización de reorden por SKU
Garantía de tasa de servicio
Liberación de capital circulante
El Reto
El stock de 'por si acaso' inmovilizaba liquidez, ocupaba espacio en almacén y elevaba los costes de almacenamiento. Las reglas de reorden estáticas fallaban durante picos de demanda o retrasos de proveedores.
Lo Que Construimos
Modelos analíticos calculan dinámicamente el punto de reorden óptimo y el nivel de stock de seguridad para cada SKU, ajustándose automáticamente a la variabilidad del plazo del proveedor, los patrones históricos de demanda y la estacionalidad.
Impacto Operacional
Stock obsoleto y excesivo convertido en capital circulante disponible. Disponibilidad garantizada de productos clave en todo momento. Reducción de la saturación del almacén.
Tecnología Utilizada
Python
scikit-learnProphet
Azure MLPower BI
PostgreSQL
