UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE INGENIERÍA INDUSTRIAL

ASIGNATURA: IN97 - LOGÍSTICA INTEGRADA Y CADENA DE ABASTECIMIENTO

TAREA ACADÉMICA N°3

CICLO 2021-II

SECCIÓN IS8B

TÍTULO DEL TRABAJO:

Analytics / In-Memory

PRESENTADO POR EL GRUPO N° 2

Integrado por:

Cód. UPC Apellidos Nombres

U201817825 Bardales Rocha Randy Alexander

U201817068 Herrera Urlich Karla Zorka

U20181A106 Meza Collantes Antonella Grecia

U201622106 Rojas Velásquez Ana Mercedes

U201817030 Romero Soto Camila Cristina

U20181A633 Sotelo Lluque Alexander Javier

DOCENTE:

Salas Schwarz, Jorge Alfredo

Lima, Noviembre del 2021

1
 Índice

1. Desarrollar la definición de la herramienta asignada (historia y/o donde nace, conceptos, de

dónde nace la necesidad, que busca cubrir o solucionar, etc.). .................................................. 3

2. Ventajas Y Desventajas De Analytics E Inmemory En Scm .............................................. 5

3. Implementación del uso de tecnologías como “Analytics” y/o “inmemory” en supply chain

managment en la empresa BLINKER. .................................................................................... 9

4. Antecedentes bibliográficos (Casos de éxito) .................................................................. 10

5. Bibliografía .................................................................................................................. 20

2
1. Desarrollar la definición de la herramienta asignada (historia y/o donde nace, conceptos,
de dónde nace la necesidad, que busca cubrir o solucionar, etc.).

1.1. Analytics:

Se puede definir a la analítica (analytics) como la capacidad de tomar decisiones teniendo como
base un resumen de datos fiables y relevantes, generalmente utilizando la visualización de
gráficas u otro medio. Asimismo, dado que las cadenas de suministro generan grandes
cantidades de datos, la analítica permite darle sentido a todos estos, revelando patrones y
generando puntos de vista (insights).

En años pasados, la analítica de la cadena de suministro estaba limitada solamente a análisis

estadísticos y al desarrollo de indicadores de rendimiento los cuales se utilizaban para la
planificación y los pronósticos de la demanda. Asimismo, los datos eran almacenados en hojas
de cálculo que provenían de los diferentes participantes de la cadena.

Es recién en la década de 1990, en donde las empresas comienzan a adoptar sistemas de

Planificación de Recursos Empresariales (ERP) y de Intercambio Electrónico de Datos (EDI).
Por lo que esto permitió un mejor análisis de datos para las empresas con la finalidad de
conectar e intercambiar información entre los principales participantes de la cadena de
suministro.

Posteriormente, en la década del 2000, las empresas empiezan a utilizar la inteligencia de

negocios y los software de tipo analítico-predictivo. Estas soluciones permitieron a las
compañías entender a mayor profundidad cómo estaban funcionando las redes de su cadena de
suministro, cómo optimizar sus redes y cómo realizar una mejor toma de decisiones.

Hoy en día, el desafío principal para las organizaciones es determinar cómo pueden gestionar
de mejor manera las masivas cantidades de datos generados dentro de su cadena de suministro.
Asimismo, si se toma en cuenta el aumento de la complejidad de los procesos y que las
entidades participantes del Supply Chain se encuentran interconectadas por significativos
flujos físicos tales como: materias primas, inventarios, trabajos en proceso, productos
terminados, devoluciones, flujos de información y financieros, se puede afirmar que las nuevas
exigencias dentro de la gestión de la cadena de abastecimiento, sirven como impulso a las
organizaciones para mejorar su posición dentro del mercado internacional utilizando
inteligentemente los datos almacenados.

3
Adicionalmente, según diversos autores, existen tres niveles de data analytics, en donde cada
nivel posee roles y diferentes resultados.

● Analítica descriptiva: Para poder describir cuenta con un amplio alcance respecto al
número de procesos que toma en cuenta para poder detallar un ecosistema. Esto se
realiza para poder simplificar los datos para el desarrollo de reportes de manera que
ésta se interprete más rápido.
● Analítica predictiva: Esta es utilizada para realizar modelos de simulaciones que
permiten predecir lo que podría suceder a través de algoritmos. Esto usualmente es
aplicado para la evaluación y gestión de riesgos.
● Analítica prescriptiva: Esto se aplica normalmente dentro de procesos de Supply Chain
Management (SCM) como de almacenamiento y/o transporte, la cual se encarga de
tomar acciones para la mejora de procesos, a través de la uniformidad de la data entrante
de los nuevos procesos que se apliquen con la implementación de la Industria 4.0.

In-Memory:

A inicios de los años 90, dentro del campo empresarial surgieron las Bases de Datos In-
Memory y fue en el año 1992 que la empresa White Cross Systems Limited Co. presentó su
versión primeriza del mismo tipo de base de datos que generaría un cambio respecto al
desarrollo de procesadores como la capacidad de almacenar data en la memoria en los últimos
años.

La tecnología In-Memory está estructurada por diversas innovaciones que dentro de los niveles
de software y hardware funcionan en complemento. Del mismo modo, surge a partir de la
necesidad de disminuir los costos de memoria, mejorar la capacidad de la arquitectura multi-
core que ayudaría a realizar un correcto procesamiento paralelo, y para la mejora de técnicas
que permitirían a los sistemas a poder manejar mayor cantidad de data en menos memoria. Del
mismo modo, con el fin de aumentar el rendimiento respecto a las tecnologías de información,
se dio origen a las bases de datos In-Memory la cual usa la memoria como fuente principal de
almacenamiento, a diferencia de los sistemas clásicos de gestión de database quienes
almacenan información en el disco.

La tecnología In-Memory busca procesar grandes volúmenes de datos de forma eficaz y rápida
a través del desarrollo de procesadores y el aumento de la capacidad de memoria en base a una
arquitectura de 64-bits. Con ello, se ha posibilitado procesar paralelamente en grandes

4
 cantidades las operaciones de las bases de datos considerando todo dato o aspecto importante
dentro de la memoria. Asimismo, estas cuentan con una técnica que les permite almacenar de
forma columnar lo que da acceso a una data más grande y con mayor velocidad y capacidad
analítica en tiempo real facilitando la comprensión de datos.

Con ello, se puede obtener flexibilidad al momento de realizar una consulta con un amplio
nivel de detalles, pues los datos, en vez de ser agrupados dentro de un análisis predefinido, se
encuentran en bruto. Tal es el caso que en comparación a las bases de datos convencionales, al
momento de leer la información, esta se realiza en nanosegundos, en vez de en milisegundos.

Esta tecnología junto con las innovaciones generadas en el software, permite que la capacidad
de ésta trabaje al máximo y da cabida a otras formas más actuales de gestionar las bases de
datos tales como: el almacenamiento en filas y columnas obteniendo una búsqueda más rápida
de información, agrupandola por conceptos análogos, comprensión de la información o data
con un factor de rango que va del 1 al 5, entre otros.

Todo ello es con el fin de minimizar los tiempos de gestión y análisis en tiempo real de la data
permitiendo hacer una toma de decisiones más efectiva y, por ende, una mejora de la cadena
de valor añadido dentro de una empresa y la optimización de sus procesos.

2. Ventajas Y Desventajas De Analytics E Inmemory En Scm

Ventajas (Analytics)

La analítica de la cadena de suministro puede ayudar a una organización a tomar decisiones

más inteligentes, más rápidas y eficientes. Los beneficios incluyen la capacidad de:

● Obtener un retorno significativo de la inversión. Una reciente encuesta de Gartner

reveló que 29 por ciento de las organizaciones encuestadas dijeron que han logrado
altos niveles de ROI utilizando la analítica, en comparación con solo el cuatro por ciento
que no logró ningún ROI.
● Comprender mejor los riesgos. La analítica de la cadena de suministro puede
identificar los riesgos conocidos y ayudar a predecir los riesgos futuros mediante
detección de patrones y tendencias en toda la cadena de suministro.
● Aumentar la precisión de la planificación. Al analizar los datos de los clientes, la
analítica de la cadena de suministro puede ayudar a una empresa a predecir mejor la
demanda futura. Ayuda a una organización a decidir qué productos pueden ser

5
 minimizados cuando se vuelven menos rentables o a entender lo que el cliente necesita
después del pedido inicial.
● Lograr una cadena de suministro austera. Las empresas pueden utilizar la analítica
de la cadena de suministro para supervisar el almacén, las respuestas de los socios y las
necesidades de los clientes para tomar decisiones mejor informadas.
● Prepararse para el futuro. Las empresas ofrecen actualmente analítica avanzada para
gestión de la cadena de suministro. La analítica avanzada puede procesar tanto datos
estructurados como no estructurados para brindar a las organizaciones una ventaja y así
obtener alertas oportunas para tomar decisiones óptimas. Puede crear correlaciones y
patrones entre diferentes fuentes para proporcionar alertas que minimizan los riesgos a
un costo reducido y con un impacto de menor a la sostenibilidad.
● Incrementar las ventas mediante el aprovechamiento de análisis de precios, en la
optimización de la disponibilidad de la plataforma, el rango macro y optimización del
espacio, la segmentación de clientes y la optimización de la promoción: el crecimiento
de ingresos hasta en un 5.2 por ciento.
● Aumentar la ganancia bruta mediante el aprovechamiento de marketing y campañas
de análisis, optimización de rebajas, análisis de prevención de pérdidas y la
optimización de múltiples canales: aumento hasta de un 5.15% en la utilidad bruta.
● Reducir los costos de operación mediante el aprovechamiento de la productividad del
personal y la utilización, adquisición y análisis del costeo basado en actividades:
reducción de costos de operación hasta en un 30.5 por ciento.
● Reducir el capital de trabajo mediante el aprovechamiento de previsión y el capital
de abajo: hasta un 30.5% de reducción del capital de trabajo.

A medida que las tecnologías como la IA se vuelven más comunes en la analítica de la cadena
de suministro, las compañías pueden observar una explosión de mayores beneficios. La
información que no se procesó previamente debido a las limitaciones del análisis de los datos
de lenguaje natural ahora puede analizarse en tiempo real. La IA puede leer, entender y
correlacionar de forma rápida y completa los datos de fuentes, núcleos y sistemas dispares. A
así, puede proporcionar análisis en tiempo real basados en interpretación de datos. Las
compañías tendrán una inteligencia mucho más amplia de la cadena de suministro. Pueden
volverse más eficientes y evitar disrupciones, al mismo tiempo que dan soporte a nuevos
modelos de negocios.

6
Ventajas (In-Memory)

● Todo esto puede permitir al negocio acortar los tiempos, realizar análisis en tiempo
real que le pueden permitir tomar decisiones basándose en análisis cuantitativos,
mejorar la cadena de valor añadido en las organizaciones, localizar cuellos de botella
y optimizar los procesos.
● Partiendo del hecho de que el acceso a datos en memoria es siempre muchísimo más
rápido que la lectura de los mismos de un disco duro, el denominado BI en memoria,
se basa en cargar inicialmente todos los datos necesarios en la memoria y ejecutar las
consultas sobre ella sin tener que acceder al disco.
● Esta carga de datos en memoria no debe confundirse con el almacenamiento en caché,
ya que la caché contiene solo subconjuntos de datos específicos predefinidos.
● La mejora en el rendimiento de las consultas, permite que su modificación sobre la
marcha y la navegación en general sean mucho más fluidas, lo que mejora la
experiencia de usuario.
● Además se elimina la necesidad de optimizar la base de datos (índices, agregados,
etc…) y se simplifican las cargas, con lo que el tiempo de desarrollo se ve reducido y
el mantenimiento es más sencillo, siendo el Sistema fácilmente escalable incorporando
más memoria al aumentar el volumen de datos.

7
 ● Las ventajas evidentes que proporciona el procesamiento en memoria en escenarios
muy dinámicos o con una alta exigencia en cuanto al rendimiento, han hecho que la
mayor parte de fabricantes de BI tradicionales (Oracle, Microsoft, MicroStrategy, IBM-
Cognos, Business Objects, etc.) lo hayan incorporado a sus productos o complementado
éstos con nuevos productos.

Desventajas (In-Memory)

● Requiere la implementación de varios productos para explotar sus potencialidades.

● Costo elevado de hardware.
● Requiere hardware especializado.
● Almacenamiento de datos a corto plazo
● En caso de un fallo en el sistema se perderán todos los datos
● Archivos de instantáneas, los archivos añadidos después de la instantánea se pierden
● Una laptop/PC común no suele tener mucho espacio disponible en su memoria RAM.
● Otro aspecto que preocupa a las organizaciones es la seguridad al exponer grandes
cantidades de datos estratégicos en memoria, sin las restricciones de acceso que
proporciona una base de datos tradicional. En este sentido, el procesamiento en
memoria permite implementar los mismos niveles de seguridad (autenticación,
encriptación, protocolos seguros de comunicación,…) de modo que cada usuario tenga
acceso solo a los datos para los que está autorizado.
● Los Sistemas de Business Intelligence ejecutaban las consultas de los usuarios contra
los datos cargados en un Data Warehouse ya sea en tablas (SQL) o en cubos
multidimensionales (MDX), cuyo rendimiento es mejor pero requieren mayor tiempo
de procesamiento para actualizar los datos y son poco flexibles a la hora de incorporar
nuevos requisitos. El problema reside en que cuanto mayor es el volumen de datos,
mayor degradación se produce en el rendimiento de las consultas, a pesar de los
mecanismos incorporados por los distintos fabricantes para mejorar el rendimiento
(agregaciones precalculadas, índices en función de las consultas más habituales, cachés,
etc.).

Desventajas (Analytics)

● Falta de información disponible: Existen analistas que solo dan sus ideas o pronósticos
a ejecutivos y gerentes de alto nivel.Sin embargo, al no tener el análisis respectivo

8
 alineado a los objetivos de la organización por cada departamento se torna difícil que
se logren las metas en la empresa.
● Alta inversión de tiempo de trabajo para poder lograr recolectar suficiente información
que resulte importante para la organización. Una vez recolectada la información
necesaria recién se podrá identificar patrones e ideas que brinden datos de calidad.
● Posibilidad de proporcionar resultados inexactos si no se cuenta con fuentes de datos
precisos, fiables y de alta calidad.

3. Implementación del uso de tecnologías como “Analytics” y/o “inmemory” en supply chain
managment en la empresa BLINKER.

Blinker es una compañía líder a nivel internacional, cuenta con más de 25 años de creación. Se
especializa en dar soluciones a necesidades profesionales principalmente en sectores de
automoción, vehículo industrial, construcción, metal, madera y para mantenimiento e
instaladores. Cuenta con presencia en más de 40 países y 4 continentes, tiene un catálogo con
más de 20000 referencias, 150000 clientes, un equipo de 900 personas y una facturación de 41
millones de euros en el 2018. Asimismo, Blinker apuesta por la analítica de una manera
estratégica usando recursos económicos, implantación de una infraestructura de analytics y la
creación de un departamento específico de Business Intelligence interno en la compañía.

Nota: La imagen es el logotipo oficial de la empresa. Adaptado de Clave i, 2019. (

https://www.clavei.es/casos-de-exito/blinker/)

Los objetivos de la empresa al implementar Analytics:

● Más información de todos los datos con los que contaban las unidades de

9
 marketing y ventas de la compañía.
● Definir procesos y metodología de explotación de datos a través de herramientas
de análisis de datos.
● Implantar la infraestructura tecnológica de las diferentes herramientas en un
entorno escalable en la nube
● Disponer de un entorno de dato único, consensuado y compartido por toda la
compañía.
● Acompañamiento y asesoramiento en el desarrollo de los primeros dashboards.

Beneficios obtenidos

Para la obtención de beneficios, la empresa se basó en tres ejes importantes: la marca, la

tecnología y las personas.

➢ Aprovechamiento de información
○ La información histórica almacenada durante años, ahora se puede utilizar para
tomar decisiones más acertadas.
➢ Velocidad de análisis
○ Uso de información interesante para la empresa, lo demás se guardan.
➢ Ahorro de tiempo y facilidad.
○ Herramienta analítica de datos sencilla para que el equipo de trabajo pueda
añadir datos
➢ En todas las áreas de la empresa
○ Manejo de datos siempre suma, sin importar la actividad o profesión

4. Antecedentes bibliográficos (Casos de éxito)

ARTÍCULO DE INVESTIGACIÓN N°1

Título: A Review on Data Analytics for Supply Chain Management: A Case study
Tipo de documento: Artículo científico
Institución: International Journal of Information Engineering & Electronic Business.
Ubicación: Vol. 10 Issue 5, p30-39.
Procedencia: India
Autor(es): P., Anitha, Patil, Malini M.
Año de publicación: 2018
Área de Software Analytics
conocimiento: Supply Chain Management

10
 Logistics
Big Data
Palabras clave: Big Data Management Systems
Regression analysis
Smart logistics
Supply Chain Analytics
Supply Chain Management
Supply Chain Network
Cita APA: P, A., & M. Patil, M. (2018). A Review on Data Analytics for Supply
Chain Management: A Case study. International Journal of Information
Engineering and Electronic Business, 10(5), 30–39.
https://doi.org/10.5815/ijieeb.2018.05.05
Introducción Este artículo tiene como objetivo realizar un estudio sobre la gestión de
actividades del Supply Chain Management (SCM) respecto al transporte,
almacenamiento de datos y marketing. Las mejoras dentro del campo de
la tecnología junto con la transformación empresarial han permitido
desarrollar los analytics dentro de la cadena de suministro. Para ello los
autores proponen el desarrollo de un modelo de ventas que brindará
información estadística descriptiva con las cuales se realizará un análisis
descriptivo.

Contenido Para la realización de este modelo se identificó el problema principal que

consistía en problemas con los costos de adquisición y transporte por
entrada dados los problemas de mediciones y errores encontrados en la
base de datos de la empresa. Para ello, dado que se quiere hacer un
análisis en tiempo real, se deben utilizar técnicas dentro de el SCM,
clasificándolos por tipo de análisis: el descriptivo, predictivo y
prescriptivo. Con ello y junto con un modelo de regresión lineal se pudo
determinar las rutas óptimas para la distribución de los productos de la
empresa,optimización de sus almacenes, entrega de sus productos
terminados dentro del tiempo establecido, localización y seguimiento del
producto dentro de toda la cadena. Cabe resaltar que el modelo de
regresión lineal tomó como variable independiente las ventas esperadas
dentro de la empresa para poder predecir el valor de una ecuación con
valores específicos que fueron necesarios dentro del modelo.
Resultados Con lo implementado, al momento de haber ejecutado el modelo de
regresión en los PSPP, según los resultados obtenidos se pudo afirmar que
había una gran relación de las predicciones de las ventas esperadas junto
con las reales en un 80% aproximadamente. Lo que indica que la variable
dependiente pudo ser predicha y que el modelo era viable.

Fuente: Elaboración propia

ARTÍCULO DE INVESTIGACIÓN N°2
Título: A perspective on applications of in-memory analytics in supply chain
management

11
Tipo de documento: Artículo científico
Institución: Decision Support Systems
Ubicación: Vol. 76, p45-52.
Procedencia: Elsevier - Decision Support Systems
Autor(es): Hahn G, Packowski J
Año de publicación: 2015
Área de In-memory database systems
conocimiento: Supply Chain Management
Logistics
Palabras clave: Advanced planning
Business analytics
Business intelligence
In-memory database systems
Supply chain management
Cita APA: Hahn, G. J., & Packowski, J. (2015). A perspective on applications of in-
memory analytics in supply chain management. Decision Support
Systems, 76, 45–52. https://doi.org/10.1016/j.dss.2015.01.003
Introducción Dentro de este artículo podremos analizar el funcionamiento de la técnica
in-memory analytics implementada dentro de la cadena de suministro
para la mejora de toma de decisiones comerciales desde una perspectiva
de esta técnica. El desarrollo del artículo consiste en tres partes: Se realizó
un marco teórico para situar las aplicaciones de este tipo respecto a los
sistemas de Tecnologías de Información dentro del SCM, la
categorización de estas de forma ascendente y un resultado final habiendo
contrastado las perspectivas a fin de poder aportar al campo industrial y a
la mejora de sus procesos mediante los nuevos descubrimientos y
estudios.
Contenido Dentro de esta investigación, principalmente se hizo un estudio sobre el
fenómeno de toda aplicación reciente de la técnica in-memory analytics
en SCM desde el punto de vista empresarial y desde las áreas actuales de
enfoque para así ampliar el marco conceptual.
Ahora, los autores implementaron dentro de una empresa el uso de
dimensiones para poder clasificar la aplicación de esto de una manera más
rápida, fácil y efectiva donde buscan enfocarse en requisitos específicos
dentro de la cadena de suministro para distinguir los diferentes casos de
uso de las aplicaciones in-memory analytics dentro del SCM.
Resultados Con el estudio previamente realizado, se obtuvo una perspectiva integral
sobre toda aplicación de in-memory analytics para la cadena de suministro
obteniendo como resultado si es que este nuevo enfoque realizaría
cambios para la toma de decisiones dentro de la SCM.
Se pudo identificar un campo para el desarrollo de aplicaciones de in-
memory analytics, la localización de diversas aplicaciones para el análisis
in-memory analytics para poder describir la situación actual como futura.
Finalmente, se analizaron casos de estudio donde se obtuvo que se ha
obtenido un gran número de aplicaciones dentro de esta técnica que
permiten la disponibilidad y modelos de datos uniformes que integran
entre sí procesos de negocios analíticos como las transacciones.

12
 Fuente: Elaboración propia

ARTÍCULO DE INVESTIGACIÓN N°3

Título: E- boost: An AI-based Data Analytics Scheme for COVID-19 Prediction
and Economy Boosting
Tipo de documento: Artículo de Revista
Institución: Nirma University
Ubicación: Ahmedabad, Gujarat, India
Procedencia: IEEE Internet of Things Journal
Autor(es): Vekaria, D., Kumari, A., Tanwar, S., & Kumar, N.
Año de publicación: 2020
Área de Ciencias de computación e ingeniería
conocimiento:
Palabras clave: COVID-19, Bidirectional LSTM, Artificial Intelligence, Economy
prediction, Big Data Analytics, Spark, IoT
Cita APA: Vekaria, D., Kumari, A., Tanwar, S., & Kumar, N. (2020). ξboost: An AI-
based Data Analytics Scheme for COVID-19 Prediction and Economy
Boosting. IEEE Internet of Things Journal.
https://doi.org/10.1109/JIOT.2020.3047539
Introducción La pandemia por Covid-19 ha tenido un impacto significativo
globalmente tanto en el estilo de vida de las personas como en la
economía. Para poder tener un control y predecir los cambios reales que
se estimaron mundialmente se ha utilizado AI (Artificial Intelligence)
junto con Data analytics. La data se recolectó de diferentes formas
alrededor del mundo para estudiar y analizar las consecuencias que traería
este virus en la sociedad con el fin de poder crear un algoritmo que indique
un plan económico impulsando las actividades comerciales. Asimismo, se
utilizarán como herramientas propuestas el esquema de E-boost que
fusiona AI y Big Data Analytic (BDA), para obtener las predicciones de
Long-Short Term Memory (LSTM) basadas en el total de casos positivos
en la India y la economía.
Contenido Se planteó un esquema del procesamiento de datos donde se recolectó
información de la transmisión por contacto de personas por COVID-19,
cantidad de personas infectadas, no infectadas, recuperadas de este virus
y la caída de la economía por sectores. De esta manera, se consiguió
separar 3 tipos de información: Data integration, Data Cleaning, Data
transformation. Posteriormente, se siguieron cuatro etapas para la
creación del modelo como la LSTM Layer, Bidirectional LSTM Layer,
Dropout y Denise Layer. Para poder continuar con la investigación se
calculó los límites de la información y se segmentó la data. Por otro lado,
se realizó un análisis de la información Pre y Post pandemia para poder
conocer cuales son las actividades económicas que impulsan
primordialmente en la India.
Resultados El modelo obtenido que fue probado en la India se compararon con
estudios anteriores obtuvo un incremento en su precisión de predicción
obteniendo un MAPE de 1.27%. Asimismo, este nivel de predicciones

13
 consiguieron tener datos más concretos y confiables de cómo estaría
afecta la correlación de los casos presentados por COVID-19 en la India
y como afectaría las actividades económicas en esos días. De esta manera,
se ha podido obtener un modelo que puede ser aplicable en otras ciudades
de poblaciones grandes como USA, China, entre otras.

Fuente: Elaboración propia

ARTÍCULO DE INVESTIGACIÓN N°4

Título: The impact of digital technology and Industry 4.0 on the ripple
effect and supply chain risk analytics

Tipo de documento: Artículo científico

Institución: International Journal of Production Research

Ubicación:

Procedencia: Berlín, Alemania

Autor(es): Dmitry Ivanov, Alexandre Dolgui, Boris Sokolov

Año de publicación: 2018

Área de Cadena de suministro

conocimiento:

Palabras clave: Cadena de suministro, Gestión de la cadena de suministro,

Diseño de la cadena de suministro, Industria 4.0, big data

14
 Ivanov, D., Dolgui, A., & Sokolov, B. (2018, 5 junio).
Cita APA:
The impact of digital technology and Industry 4.0
on the ripple effect and supply chain risk
analytics. Taylor & Francis.
https://www.tandfonline.com/doi/full/10.1080/00
207543.2018.1488086

Introducción Las innovaciones disruptivas como la digitalización y la industria

4.0 han desarrollado nuevos paradigmas, principios y modelos en
la gestión de la cadena de suministros. Estas nuevas tecnologías
han tenido un impacto significativo en la cadena de suministros.
Mientras las contribuciones individuales como los sensores, la
identificación por radio frecuencia, etc.; no son del tono nuevas,
estas se están volviendo mas practicas y las empresas mas
receptivas a utilizarlas. En la SCM, la interrupción de la gestión
del riesgo ha ganado la atención de la comunidad científica en las
dos últimas décadas. Desde que la tecnología influye en la SCM
y está en la reducción de los riesgos, es lógico esperar una
interrelación entre estas. Esta investigación te las relaciones entre
la tecnología y el riesgo de la cadena de suministro. El estudio se
enfoca en dos áreas aisladas; el impacto de la digitalización en la
SCM y el impacto de la SCM en el efecto de ondulación.

Contenido El artículo brinda las definiciones de cada parte clave de estudio

que son: Big data analytics, Industria 4.0, additive
manufacturing, Advanced tracking and tracing technologies,
Ripple effect control framework. Luego se realizan conexiones
lógicas entre los negocions, información, ingeniería, análisis
cuantitativo de la digitalización todo en términos del impacto en
la reducción de la gestión de riesgos en la cadena de suministro y
del efecto de ondulación usando los análisis anteriormente
mencionados. Adicionalmente, se enlistan los cinco tipos de
riesgos disruptivos de la cadena de suministro. Una vez hecho
este análisis se ve que estas diversas herramientas digitales tienen
dos impactos en el efecto de ondulación y crean nuevos retos para
este efecto como: aumento de la flexibilidad, una mejor visión de
la cadena de suministro, una mejor coordinación, cuestiones en

15
 la seguridad de la data, entre otros. En un futuro cercano, la
empresa será tan buena como lo es su cadena de suministro y la
tecnología que haya detrás de ella, ya que con tanta data
recopilada actualmente una cadena de suministro será totalmente
competitiva si esta es dinámica y logra reducir todos los posibles
riesgos en la cadena.

Resultados El impacto de la digitalización y la Industria 4.0 en el efecto de

la onda de la cadena de suministro. Este estudio encontró que,
desde una etapa proactiva, las tecnologías digitales aumentan la
respuesta, flexibilidad y capacidad de las cadenas de suministro.
Reduce los tiempos de espera, entre otros. Con respeto a las
simulaciones y la aplicación de optimizaciones en la cadena de
suministro, se observa que estas tecnologías podrían ayudar en la
predicción de interrupciones, así formar una cadena mas
resiliente basado en el análisis de data. Este estudio concluye que
estas tecnologías tendrán un gran beneficio en la gestión de la
cadena de suministro ya que permitirá reducir los riesgos
existentes, los tiempos de respuesta, tomar decisiones en base a
datos lo que ayudará a tener mejores resultados en la corporación.

Fuente: Elaboración propia

ARTÍCULO DE INVESTIGACIÓN N°5

Título: Big data analytics and application for logistics and supply chain
management

Tipo de documento: Artículo científico

Institución: International Journal of Information Engineering & Electronic

Business.

Vol. 114, p343-349.

Ubicación:

16
Procedencia: Denmark

Autor(es): Govindan, Kannan; Cheng, T. C. E.; Mishra, Nishikant ; Shukla,

Nagesh

Año de publicación: JUN 2018

Área de Business & Economics; Engineering; Operations Research &

conocimiento: Management Science, Transportation

Palabras clave: Big data analytics; Supply chain management; Logistics

Cita APA: G, K.; C,T.C.E; M,N & S,N. (2018). Big data analytics and
application for logistics and supply chain management, 343-349.
https://doi.org/10.1016/j.tre.2018.03.011

Introducción Este tema de investigación está ganando popularidad a nivel

mundial tanto para impulsar el rendimiento, mejoras y
beneficiarse de nuevos conocimientos. Ahora se recopilan
enormes cantidades de datos de varias fuentes, incluida la
empresa sistemas de planificación de recursos (ERP), entornos
de fabricación distribuida, logística de pedidos y envíos, feeds de
redes sociales, patrones de compra de clientes, operaciones del
ciclo de vida del producto y fuentes de datos impulsadas por la
tecnología, como sistemas de posicionamiento global (GPS),
seguimiento de identificación basada en radiofrecuencia (RFID),
dispositivos móviles, videos de vigilancia y otros. Como tal, las
organizaciones actualmente se trata de grandes conjuntos de
datos caracterizados por 4V: gran volumen, velocidad, variedad
y veracidad.

Contenido Para proporcionar una visión general de este IS, inicialmente se

realizó una búsqueda amplia para documentar el número de

17
 artículos publicados en el área.de "Big data analytics", el período
de búsqueda utilizado fue desde 2012 hasta el 14 de marzo de
2018. Se presenta una descripción general del número de
artículos. Después de examinar la búsqueda específica de la
revista, demuestra claramente que Annals of Operations
Research fue la revista líder en términos de número de artículos
de Scopus. Han probado su modelo en un conjunto de datos que
comprende 535 ejecutivos de la cadena de suministro y
tomadores de decisiones. Basado en su análisis fue

prescribió que tres contextos (producto, red de suministro y

medio ambiente) tienen una influencia significativa en cada una
de las tres fases de asimilación (iniciación, adopción y
rutinización). Los resultados de este estudio podrían informar a
los tomadores de decisiones involucrados en la implementación
tecnologías de seguimiento en una cadena de suministro.

Resultados Un dato internacional reciente revela que el pronóstico de la

Corporación (IDC) sugiere que la tecnología de Big Data crecerá
a una tasa de crecimiento anual compuesto del 26,4%,
alcanzando $ 41.5 mil millones hasta 2018. Cuanto más grandes
son los datos, más desafiante se vuelve administrar, analizar y
entregar información útil conocimientos empresariales.

Fuente: Elaboración propia

ARTÍCULO DE INVESTIGACIÓN N°6

Título: A perspective on applications of in-memory analytics in supply chain
management
Tipo de documento: Artículo científico

18
Institución: Decision Support Systems
Ubicación: Decision Support Systems, pp. 1-8
Procedencia: Mannheim, Germany
Autor(es): G.J. Hahn; J. Packowsk
Año de publicación: 2015
Área de Technology In-Memory
conocimiento:
Palabras clave: in-memory, supply chain management, analytics
Cita APA: G.J. Hahn, J. Packowski (2015). A perspective on applications of in-
memory analytics in supply chain management, Decision Support
Systems, http://dx.doi.org/10.1016/j.dss.2015.01.003
Introducción La analítica empresarial y los conceptos relacionados que describen el
análisis de datos empresariales con fines de toma de decisiones han
recibido una atención generalizada tanto en la comunidad académica
como empresarial. Los altos directivos generalmente ven la analítica
empresarial como un factor diferenciador de la ventaja competitiva y, por
lo tanto, están cada vez más interesados en capturar este potencial de
valor. McAfee y Brynjolfsson reportan un aumento del 5 al 6% en la
productividad para las empresas que se ubican en el tercio superior de sus
industrias en el uso de análisis de negocios. El impacto positivo de las
capacidades de análisis empresarial en el rendimiento de la cadena de
suministro también se confirma en varios estudios empíricos.
Contenido Los macrodatos, el análisis avanzado y la tecnología de bases de datos en
memoria están en la agenda de la alta dirección, ya que se consideran
habilitadores clave para mejorar la toma de decisiones comerciales. En
este documento, proporcionamos una perspectiva integral sobre las
aplicaciones de análisis en memoria en el campo de la gestión de la cadena
de suministro (SCM) que utilizan los conceptos antes mencionados.
Primero, se desarrolla un marco de arriba hacia abajo para posicionar las
aplicaciones de análisis en memoria frente a los sistemas de TI existentes
en SCM. En segundo lugar, se realiza una categorización ascendente de
41 aplicaciones de análisis en memoria en SCM para proporcionar
evidencia empírica de respaldo de la eficacia del marco. En tercer lugar,
al contrastar las perspectivas de arriba hacia abajo y de abajo hacia arriba,
se obtienen las implicaciones para la investigación y la práctica industrial.
Resultados En conclusión, el DSS analítico en SCM se puede estructurar en cuatro
casos de uso de acuerdo con las capacidades requeridas y las
metodologías subyacentes. Los casos de uso de monitorización y
navegación están bien establecidos y son compatibles con los sistemas de
BI. Los beneficios de la tecnología de bases de datos en memoria en este
campo se relacionan principalmente con la disponibilidad de datos en
tiempo real y los modelos de datos unificados que integran procesos
comerciales transaccionales y analíticos. En consecuencia, ha surgido un
gran conjunto de aplicaciones de tablero que respaldan los procesos
operativos con conocimientos analíticos.

19
 Fuente: Elaboración propia

5. Bibliografía

Blog de CEUPE. (2019, October 25). ¿Qué es la tecnología in-memory? Ceupe.com;

CEUPE. https://www.ceupe.com/blog/que-es-la-tecnologia-in-memory.html
Data Analytics en la Supply Chain - La comunidad logística de Sudamérica. (2019, October
21). La Comunidad Logística de Sudamérica.
https://logisticasud.enfasis.com/management/data-analytics-en-la-supply-chain/
¿Qué es la analítica de la cadena de suministro? (2021). Ibm.com.
https://www.ibm.com/pe-es/topics/supply-chain-analytics
Ivanov, D., Dolgui, A., & Sokolov, B. (2018, 5 junio). The impact of digital technology
and Industry 4.0 on the ripple effect and supply chain risk analytics. Taylor &
Francis. https://www.tandfonline.com/doi/full/10.1080/00207543.2018.1488086
Clave i (2018 ,December 2018). La importancia de Business Analytics Blinker.
https://www.clavei.es/casos-de-exito/blinker/

20