Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CICLO 2021-II
SECCIÓN IS8B
Analytics / In-Memory
Integrado por:
DOCENTE:
1
Índice
3. Implementación del uso de tecnologías como “Analytics” y/o “inmemory” en supply chain
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).
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.
Ventajas (Analytics)
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)
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.
● 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
➢ 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
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.
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
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.
Título: The impact of digital technology and Industry 4.0 on the ripple
effect and supply chain risk analytics
Ubicación:
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
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.
Título: Big data analytics and application for logistics and supply chain
management
16
Procedencia: Denmark
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
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
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
20