Analítica de Datos aplicada

a Logística
Sobre mí

Ing. Irving R. Díaz

- Ciudadano Panameño.
- Maestría en Ingeniería Industrial con énfasis en
Logística.
- Maestría en Administración de Cadenas de
Suministros.
- Postgrado en Sistema de información Geográfica.
- Postgrado en sistemas de aprendizaje automático,
Inteligencia artificial.
- Más de 20 años de experiencia trabajando en el área
de Logística y Cadena de Suministro (Supply Chain).
- Fundador y Director de BI en la compañía Inservicios
S.A., trabajando en proyectos de Cadena de
Suministros en el área de analítica avanzada.
- Más de 6 años Educando a organizaciones en temas
de Business Intelligence, Analítica avanzada y Supply
Chain.
- Hobbies: Montar bicicleta, Tenis, piano, leer, nadar.
Sobre ustedes

- Poner en el chat sus nombres y a que se dedican.

- El miércoles voy a subir una encuesta para conocerlos un poco más y

entender cuales son sus expectativas del curso.
Estructura Curricular

• Módulo 1. – Introducción a la Gestión Digital aplicada a SCM – 4 Horas.

• Módulo 2 – Cultura de Data Driven como estrategia en SCM – 4 horas.
• Módulo 3 – Recopilación y selección de datos – 8 horas.
• Módulo 4 – Preparación y análisis de datos – 12 horas.
• Módulo 5 – Visualización y comunicación de resultados con Power BI – 10 Horas.
• Módulo 6 – Casos prácticos de optimización de SCM – 6 horas.
Estructura del Programa
Estructura de cada sesión

ESTRUCTURA DE CADA SESIÓN

Descripción Minutos

Contenido, introducción, contenido 5

Bloque 1 45
Participación 1 5
Preguntas bloque 1 5
Bloque 2 50
Participación 2 5
Preguntas bloque 2 5
TOTAL 120
 Herramientas

• Excel.
• MySQL (SQL; Base de Datos).
• Alteryx / Pentaho (ETL (Extract, Transform, Load), Análisis).
• PowerBI (Visualización).
• Python Pandas / Python Scikist Learn (ETL, Analítica Avanzada).
Para quien es este curso?

• Aquellos de ustedes que están explorando una carrera en análisis de

datos, Logística y/o la cadena de suministro y gestión de operaciones.

• Aquellos de ustedes que quieran comprender el impacto del análisis

de datos en la gestión de la cadena de suministro.

• Aquellos de ustedes que buscan empleo y quieren hacer una carrera

que esperan tomar decisiones basadas en datos de negocio y de su
trabajo.
Modulo 1 - Introducción a la Gestión Digital aplicada a SCM

• Conceptos clave de la analítica de datos

• Introducción al Supply Chain Management 4.0
• Tecnologías y herramientas digitales en logística:
- Internet de las cosas (IoT)
- Big data o Cloud Computing
- Inteligencia artificial o Blockchain
- LPWAN (Low Power Wide Area Network)
- Etiquetado inteligente - RFID
- Almacenes automatizados
Módulo 1. – Introducción a la Gestión
Digital aplicada a SC
Conceptos clave de la analítica de datos
/ Introducción al Supply Chain Management 4.0
La gerencia y sus preguntas

• Que pasó ?
• Que está pasando?
• Porque?
• Que sucederá?
• Que quiero que suceda?

11
La gerencia y sus quejas

• Me llegan muchos datos pero poca información

• Porque mis reportes no se unifican?
• Tardan demasiado en darme la información que necesito
• Me traen información del pasado y no me indican porque pasó lo
mostrado en los datos.
• No tengo tiempo para, que con los datos o información que me dan,
realizar análisis profundo del negocio. Causas raíces.

12
Mercados competitivos

• En los negocios, hoy en día, resulta imperativo para las

organizaciones encontrar vías para capturar las oportunidades que
surgen en los mercados y desarrollar las capacidades necesarias para
capitalizarlas.
• Se requiere, entonces, tomar decisiones efectivas en otras palabras:
inteligentes, basadas en hechos y cifras, al mínimo costo posible, a
tiempo y orientadas a satisfacer las demandas del mercado tanto
externo como interno.

13
Información y conocimiento

• Los directivos y gerentes, para tomar decisiones efectivas, requieren

de un tablero de control que les permitan monitorear las variables
estratégicas y operativas del negocio preferiblemente con una
frecuencia de horas y/o días.
• Es vital tener la información tan pronto ocurre un evento.
• No podemos tomar decisiones sólo cuando el problema pasa de ser
trivial a vital; o sea, cuando ya impacta negativamente los resultados
del negocio.
• Debemos asegurarnos que toda la organización reme en la misma
dirección. Para ello, tenemos que gobernar la data; ello es mantener
su consistencia, eliminar la redundancia y asegurar su calidad.
14
Información y conocimiento

"Gartner ha señalado que para

2023, mas de la mitad de las
grandes organizaciones a nivel
mundial estarán compitiendo con
el uso de algoritmos propietarios
y analítica avanzada, causando
transformaciones dentro de toda
la industria.”
70% de las empresas listadas hace sólo 10 años, dentro de la
lista del Fortune 1000, han desaparecido – por no haber
podido adaptase al cambio.
En estos10 años hemos visto una transformación digital que
ha cambiado el panorama de los negocios.”

15
 Que es Analítica avanzada
Análisis de datos NO es un software, ni es un conjunto de herramientas, es un proceso
dentro de la empresa que permite transformar los datos en información y la
información en conocimiento; de forma tal, que se pueda integrar la tecnología con la
toma de decisiones en los negocios, para maximizar su competitividad y rentabilidad.

www.inservicios.com 16
 Cual es la esencia de la analítica avanzada

Valor para el negocio

Actuar
Que quiero que pase
Muy alto Prescriptivo
Acciones de mejora-innovación

Predictivo
Anticiparse Analítica
Alto Que pasará Avanzada

Medio Diagnóstico Explicar

Porqué pasó

Descriptivo Observar
BI
Bajo Qué pasó - Qué está pasando

Fuente: RapidMiner 17
Visión a futuro

DESVIACION
DESPACIO
ADELANTE

La Mayoría de las Se consume mucho La Demanda por

Decisiones se Toman tiempo en el flujo de el Análisis Predictivo
por Instinto Trabajo Supera la Demanda
de analistas
Los Resultados Predictivos El Enfoque Establecido No hay Suficientes
No son un Componente para el Análisis Científico Analistas Científicos para
Central en los procesos de es a Menudo Intenso y Cubrir las Necesidades de
Negocio Manual las Organizaciones

18
Visión a futuro: beneficios

Para los Negocios, el análisis predictivo puede brindar

beneficios tangibles.

La mayoría de las veces estos son identificados como: lograr

una ventaja competitiva, la creación de nuevas oportunidades
de ingresos y aumentar la rentabilidad ".

19
Tres estrategias de la aplicaciones de analítica de datos
en los negocios
Generar ingresos
Análisis de marketing / clientes
Aprovechar la explosión de datos
digitales para crear verdaderos
puntos de vista de 360 grados del
cliente con interacciones
altamente eficaces personalizados
Adquisición de clientes
Venta cruzada / Upsell
Optimización de Oferta
Retención y fidelización
Reconquistar / clientes
Optimización del canal / Mix
Análisis de la red
La optimización de precios
Evitar Riesgos
Reducir costos Analítica de Riesgo
operaciones Analítica
Combinar y analizar grandes Unificar los datos internos y
volúmenes de datos en una externos para analizar de manera
fracción del tiempo para identificar integral los riesgos, eliminar los
anomalías, servicios potenciales y falsos positivos y reducir la
Oportunidades incertidumbre de los resultados,
los riesgos o pérdidas
Optimización de la Cadena de Suministro El puntaje de crédito
Operaciones de manufactura Suscripción de seguros
Rendimiento de activos y Utilización Planificación de capital
Ingeniería de Procesos Prueba de esfuerzo
Planificación de capacidad Detección de Fraude
Operaciones del Call-Center Lavado de dinero
Las operaciones de las tiendas al por menor Negociación Ambigua
Mantenimiento predictivo La seguridad cibernética
Operaciones de TI
20
Ejemplo real: Reducción de compras de partes
Analizamos 5 años de datos
relacionados con compras de
Partes de un cliente:
www.inservicios.com
Descubrimos lo siguiente:
1. El cliente tenía 46K de SKU de
partes. De los cuales 1.5 K
representaban el 50% de los
costos.
2. Alta variabilidad de precios por
proveedor para las mismas
partes.
3. Alta estacionalidad en la
demanda de las partes a través
del año.
4. Lentitud en la entregas de los
pedidos por parte de los
proveedores.
5. Muchos proveedores con altos
precios por las mismas partes.
Beneficios para el clientes:
1. Planificación de inventario a
través de modelos predictivos
de pronósticos.
2. Con esto el cliente pudo
negociar mejores precios con
los proveedores que tenían
menos variabilidad de precios y
eliminar aquellos que tenían
alta variabiliadad.
3. Reducción del 20% de los
costos en las compras de
partes.
4. Mejora de un 15% en el tiempo
de entrega.
5. Introducción de un dashboard
de métricas para
administración en tiempo real.
21
Minería de datos en compra de partes

350000
Volumen de ventas por mes por año
300000
Pareto de cantidad de partes por costos
2010 35,000
250000 31,003
2011 30,000
200000
2012 25,000 Concentrarse
150000
2013 20,000
En reducir
100000 2014 costos para
15,000 estas partes
50000 2015
10,000 7,145 6,987
0
1 2 3 4 5 6 7 8 9 10 11 12 5,000 1,650
0
0-50% 50%-80% 80%-90% < 90%

Variabilidad en costo unitario por proveedor

9000
8000
7000
6000
5000
4000
3000
2000
1000
0

A B C D E F G H I J
A B C D E F G

www.inservicios.com
www.inservicios.com 22
Etapas funcionales en la implementación de analítica de datos
Consolidar datos de Limpieza y Analizar la data y Visualización de la
diferentes fuentes de preparación de convertirla en información en tiempo real,
1 2 3 4
manera automática los datos información valiosa en la web, cloud o intranet.
que aumenta Análisis de los procesos de
rentabilidad negocio de manera integral
desde diferentes perspectivas.
Limpieza

Salidas de Negocio
Integra

Analiza
Base de datos
única

www.inservicios.com 23
Aporte de Analítica / BI en las empresas

Data
ERP (SAP, Oracle)

Información
Analítica avanzada

Conocimiento

Know How

www.inservicios.com 24
Beneficios de la analítica avanzada

• Obtener un conocimiento profundo de los diferentes

procesos del negocio. Flujos estratégicos

• Medir y gestionar de manera efectiva las variables

estratégicas y operativas de la empresa y su mercado

• Encontrar mas oportunidades de negocios en segmentos de

mercado nuevos o ya establecidos

• Darle autonomía a trabajadores y gerentes para mejores

tomas de decisiones, a través de un mayor conocimiento en
sus áreas de negocio.

www.inservicios.com 25
La rentabilidad de un proyecto de Analitica avanzada / BI

• Una implantación bien realizada tiene un ROI (Retorno en la

inversión) medio del 430% en 1,6 años.
✓ Lo anterior considerando que cada trabajador invierte una
media del 30% de su tiempo elaborando informes repetitivos
(incluye tiempo de los directivos).

✓ La información es un activo de la empresa. Por lo tanto debe ser

correcta y oportuna para ser una inversión segura y muy
conveniente.

✓ Aumentar la competitividad de una empresa es una realidad con

la analítica avanzada. Se pueden tomar mas decisiones no sólo
acertadas sino a tiempo.
www.inservicios.com 26
Ejemplos de usos de analítica avanzada en los negocios
Técnica de análisis
Mercadeo y ventas
Análisis de comportamiento de clientes
Análisis de la Web y métrica
Detección de fraude
Scoring bancario
Análisis de procesos de manufactura
Cartera de negociación
Aplicaciones en el sector salud
Seguros
Seguridad y vigilancia
www.inservicios.com
Uso en los negocios
Identificar clientes potenciales, Establecer campañas efectivas
Rotación de clientes, Afinidades,
Preferencia de los usuarios, filtro colaborativo, mercadeo dirigido
Identificar transacciones fraudulentas
Establecer el potencial de crédito de un cliente que busca un prestamo
Identificar las causas de problemas de manufactura
Optimizar la cartera de instrumentos bancarios maximizando lo retornos y
minimizando los riesgos
Detección de fraude, optimización de costos, detección de eventos como
epidemias, etc…
Detección de reclamos fraudulentos, análisis de riesgos, administración de
compras de partes de autos
Detección de intrusos, análisis de sensores de datos, análisis de sensores
remotos, detección de objetos, etc…
 Beneficios adicionales:
1. Integración de datos desde diferentes fuentes como Excel, Access, SAP, Profit, etc. Para
consolidarlos y llevar a cabo análisis que maximicen rentabilidad del negocio.

2. Limpieza de los datos. Por ejemplo, fechas con diferentes formatos, datos vacíos que no
agregan valor, datos mal digitados, etc. Y solo se deja la data transformada y valiosa que
se puede utilizar para análisis.

3. Medición del negocio en tiempo real a través de métricas en la web para tomas de
decisiones de negocio. La cual se puede ver desde cualquier fuente que se conecté a la
Internet, como smartphones, laptops, Desktops, Tablets, etc.

4. Reducción significativa de tiempo y recursos que toma preparar análisis de negocios,

reportes o presentaciones.

www.inservicios.com 28
 Diferencia entre BI y Advanced Analytics
Business Intelligence: tradicionalmente se enfoca en usar un
conjunto consistente de métricas para medir el desempeño pasado
y guiar la planificación comercial. Business Intelligence consiste en
consultas, informes, OLAP (procesamiento analítico en línea) y
puede responder preguntas que incluyen "Qué sucedió",
"cuántos" y "con qué frecuencia"
Analítica se refiere a las habilidades, tecnologías, aplicaciones y prácticas para la
exploración e investigación iterativa continua de datos para obtener información e
impulsar la planificación empresarial. La analítica consta de dos áreas principales:
Inteligencia de negocios y analítica avanzada
Analítica avanzada: va más allá de Business Intelligence mediante el uso de técnicas
de modelado sofisticadas para predecir eventos futuros o descubrir patrones que no se
pueden detectar de otra manera. Los análisis avanzados pueden responder preguntas
como "¿por qué sucede esto?", "¿qué sucede si estas tendencias continúan?", "¿qué
sucederá a continuación?" (predicción), "qué es lo mejor que puede suceder"
29
(optimización).
Diferencias entre BI / Advanced Analytics
Business Intelligence Analítica Avanzada
Orientación Vista hacia atrás Futuro
Que Sucedió? Cuando? Que Sucederá? Que
Tipos de preguntas Quien? Cuantos? Sucedera si cambiamos
esto?

Reportes (KPI, Metrics) Modelaje predictivo

Monitoreo automático Minería de datos
Alertas Minería de texto
Dashboard (Tablero) Minería Multimedia
Scorecard Modelaje Descriptivo
Métodos OLAP (Cubos, Resumen) Análisis Estadístico
Consultas Ad-Hoc /Cuantitativo
Simulación / Optimización

Big Data Sí Sí
Estructurada Estructurada y no
Tipo de datos
Algo no-estructurada estructurada
Generación de conocimiento Manual Automática
Usuarios de Negocios Científicos de datos
Analistas de negocio
IT
Usuarios Usuarios de negocio

Iniciativa de negocios Reactiva Proactiva

30
Aplicaciones de BI / Advanced Analytics
Vertical Aplicación Business Intelligence Analítica Avanzada
Retail (Ventas al por Retailer (Detallista) Quien compro Cual es la
menor) Cerveza y papitas? probabilidad de que
si una persona
compra cerveza.
También compre
papitas?
ventas y mercadeo Cuales libros Cuales libros estaría
compraron de nuestra mayoritariamente
página web el mes interesado en
pasado? comprar este mes
basado en tus
compras
anteriores?

Servicios de envío Logística Cuales paquetes Como puedo

están en cual camión? asignar paquetes a
camiones de forma
que optimize mi
entrega y reduzca
mis costos?

31
Introducción a la Gestión Digital aplicada a SCM
Conceptos clave de la analítica de datos

Las técnicas de Data Science o Data Analytics,

surgieron en la década de los 90, cuando se usaba el
término KDD (Knowledge Discovery in Databases)
para referirse al (amplio) concepto de hallar
conocimiento en los datos. En un intento de
normalización de este proceso de descubrimiento
de conocimiento, surgieron a finales de los 90 dos
metodologías principales: CRISP-DM (Cross Industry
Standard Process for Data
Mining) y SEMMA (Sample, Explore, Modify, Model,
and Assess). Ambas especifican las tareas a realizar
en cada fase descrita por el proceso, asignando
tareas concretas y definiendo lo que es deseable
obtener tras cada fase.

Modelo CRISP DM (Cross-Industry Standard Process for Data Mining)

Introducción a la Gestión Digital aplicada a SCM
Conceptos clave de la analítica de datos

Fase I. Business
Understanding. Definición de • Objetivos y Exigencias
necesidades del cliente del proyecto
(comprensión del negocio) • Valoración de la
Esta fase inicial se enfoca en la solución de Data
comprensión de los objetivos Science.
de proyecto. Después se • Definición del problema
convierte este conocimiento de Data Science.
de los datos en la definición de
• Preparar plan del
un problema de minería de proyecto
datos y en un plan preliminar
diseñado para alcanzar los
objetivos.

Modelo CRISP DM (Cross-Industry Standard Process for Data Mining)

Introducción a la Gestión Digital aplicada a SCM
Conceptos clave de la analítica de datos
Fase II. Data Understanding.
Estudio y comprensión de los
datos
La fase de entendimiento de • Recolección de datos.
datos comienza con la • Comprensión y
colección de datos inicial y análisis de calidad.
continúa con las actividades • Exploración.
que permiten familiarizarse
con los datos, identificar los • Planteamiento /
problemas de calidad, Hipótesis
descubrir conocimiento • Presentación
preliminar sobre los datos, y/o
descubrir subconjuntos
interesantes para formar
hipótesis en cuanto a la
información oculta.

Modelo CRISP DM (Cross-Industry Standard Process for Data Mining)

Introducción a la Gestión Digital aplicada a SCM
Conceptos clave de la analítica de datos
Fase III. Data Preparation.
Análisis de los datos y
selección de características
La fase de preparación de • Selección de datos.
datos cubre todas las • Limpieza.
actividades necesarias para
construir el conjunto final de
• Construcción de
datos (los datos que se
nuevas variables.
utilizarán en las herramientas • Integración de
de modelado) a partir de los datos. ETL
datos en bruto iniciales. Las
tareas incluyen la selección de
• Formateo. Hasta el
tablas, registros y atributos, así
como la transformación y la
80% del
limpieza de datos para las tiempo del
herramientas que modelan. proyecto

Modelo CRISP DM (Cross-Industry Standard Process for Data Mining)

Introducción a la Gestión Digital aplicada a SCM

Fase IV. Modeling. Modelado Conceptos clave de la analítica de datos

En esta fase, se seleccionan y
aplican las técnicas de
modelado que sean
pertinentes al problema
• Diseño del modelo.
(cuantas más mejor), y se • Entrenamiento del
calibran sus parámetros a modelo (Machine
valores óptimos. Típicamente Learning)
hay varias técnicas para el
mismo tipo de problema de
• Prueba del modelo.
minería de datos. Algunas • Evaluación de la
técnicas tienen requerimientos performance.
específicos sobre la forma de
los datos. Por lo tanto, casi
siempre en cualquier proyecto
se acaba volviendo a la fase de
preparación de datos.

Modelo CRISP DM (Cross-Industry Standard Process for Data Mining)

Introducción a la Gestión Digital aplicada a SCM
Conceptos clave de la analítica de datos
Fase V. Evaluation. Evaluación
(obtención de resultados)
En esta etapa en el proyecto, se han
construido uno o varios modelos que
parecen alcanzar calidad suficiente desde • Evaluación de
la una perspectiva de análisis de datos.
Antes de proceder al despliegue final del resultados.
modelo, es importante evaluarlo a fondo y
revisar los pasos ejecutados para crearlo,
comparar el modelo obtenido con los
• Revisión de procesos.
objetivos de negocio. Un objetivo clave es
determinar si hay alguna cuestión • Definición de la
importante de negocio que no haya sido
considerada suficientemente. Al final de
continuidad.
esta fase, se debería obtener una decisión
sobre la aplicación de los resultados del
proceso de análisis de datos.

Modelo CRISP DM (Cross-Industry Standard Process for Data Mining)

Introducción a la Gestión Digital aplicada a SCM
Fase VI. Deployment.
Despliegue (puesta en Conceptos clave de la analítica de datos
producción)
Generalmente, la creación del • Lanzamiento a
modelo no es el final del
proyecto. Incluso si el objetivo
producción.
del modelo es de aumentar el • Publicar resultados a la
conocimiento de los datos, el
conocimiento obtenido tendrá
organización.
que organizarse y presentarse • Definir procesos de
para que el cliente pueda usarlo.
Dependiendo de los requisitos,
mantenimiento y
la fase de desarrollo puede ser evaluación continua..
tan simple como la generación
de un informe o tan compleja
como la realización periódica y
quizás automatizada de un
proceso de análisis de datos en
la organización.

Modelo CRISP DM (Cross-Industry Standard Process for Data Mining)

Introducción a la Gestión Digital aplicada a SCM
Tarea Entender los objetivos del proyecto y sus requerimientos desde la
perspectiva del negocio, para convertir este conocimiento en un
proceso de minería de datos y en un plan preliminar que logre cumplir
con los objetivos.
Descripción Se determinan los objetivos del negocio y se evalúa su situación como
por ejemplo conocer los riesgos/ contingencias, requerimientos.
Además, determinar los objetivos de la minería de datos.
Actividades Determinación de los objetivos de negocio:
* Recopilación del contexto del negocio
* Objetivos de negocio
*Criterios de éxito de negocio
Evaluación de la situación:
* Inventario de recursos, requerimientos, suposiciones y
restricciones y contingencias.
* Definición de Roles
* Terminología
* Análisis de costo beneficio.
Determinar objetivos de minería de datos
Criterios de éxito de minería de datos
Roles * Líder de Negocio
* Usuarios de Negocio
* Gerente de Datos y Analítica
* Analista de Negocio
* Arquitecto de Datos
* Coordinador de Metadatos
*Científico de Datos
* Analista de Datos
* Analista de Datos Geográficos
Salidas Documento de entendimiento de negocio.

Modelo CRISP DM (Cross-Industry Standard Process for Data Mining)

Que es una Cadena de Suministro (Supply Chain)?
Que es una Cadena de Suministro (Supply Chain)?
Dos o más partes vinculadas por un flujo de recursos:
típicamente material, información y dinero, que en última
instancia cumplen con la solicitud de un cliente.
Que es una Cadena de Suministro (Supply Chain)?

La Cadena de Suministro es más una red que una cadena !!!

 Que es una Cadena de Suministro (Supply Chain)?

Proveedor de Proveedor Ensamblador Fabrica Distribuidor / Minorista Cliente

materia prima de Partes de Partes ensamblaje Mayorista /Tienda

Cliente
Proveedor Proveedor
de caucho de Llantas Minorista
Proveedor Información (Ordenes)
Proveedor Prov. de partes
engranaje Mayorista
Minorista Cliente
Materiales
Proveedor Proveedor Bicicleta
pedales
Minorista Cliente
Horno de Planta de
Mayorisa
fundición fundición ensamblador Dinero (Pagos)
de cuadro

proveedor de proveedor de Minorista Cliente

pigmentos pinturas
Información (Estatus)
Proveedor
de químicos

La Cadena de Suministro es más una red que una cadena !!!

 Que es una Cadena de Suministro (Supply Chain)?

• El propósito principal de un SC es satisfacer las necesidades del cliente.

- Una sola fuente de ingresos: el cliente
- Los pagos entre partes son solo intercambios de fondos
- La división de los pagos intra-SC es una función del poder y de las
condiciones del mercado , etc.

• Las cadenas de suministro tratan de maximizar el valor total generado:

= [Lo que paga el cliente] – [Esfuerzo total gastado para cumplir]
 Que es una Cadena de Suministro (Supply Chain)?

La logística implica. . . “administrar el flujo de artículos, información, efectivo e ideas a través de la

coordinación de los procesos de la cadena de suministro y a través de la adición estratégica de valor
de lugar, período y patrón”.
Centro de Transporte y Logística del MIT

“La gestión de la cadena de suministro se ocupa de la gestión de materiales, información y flujos

financieros en una red compuesta por proveedores, fabricantes, distribuidores y clientes.“
Foro de la cadena de suministro de Stanford

“Llámelo distribución o logística o gestión de la cadena de suministro. Cualquiera que sea el

nombre, es el proceso engorroso por el qué las empresas mueven material, partes y productos a los
clientes”.
Fortune (1994)
Logística vs Cadena de Suministro

Según el Consejo de Profesionales de Gestión de la Cadena de Suministro. .

• La gestión logística es la parte de la gestión de la cadena de suministro que planifica,

implementa y controla el avance y el retroceso eficientes y efectivos flujo y
almacenamiento de bienes, servicios e información relacionada entre los punto de origen
y el punto de consumo para satisfacer las necesidades de los clientes. requisitos

• La gestión de la cadena de suministro abarca la planificación y gestión de todas las

actividades involucradas en el abastecimiento y la adquisición, conversión y todas las
actividades de gestión logística. Es importante destacar que también incluye coordinación
y colaboración con socios de canal, que pueden ser proveedores, intermediarios, terceros
proveedores de servicios y clientes. En esencia, la gestión de la cadena de suministro
integra la oferta y la demanda. gestión dentro y entre las empresas.
reposición

Perspectiva de proceso de la Cadena de Suministros

Cliente
• Cuatro ciclos primarios: Ciclo de pedidos de
- Ciclo de pedido del cliente clientes
- Ciclo de reposición (Abastecimiento) Minorista
- Ciclo de Fabricación
Ciclo de abastecimiento
- Ciclo de Adquisiciones (compras)
• Los ciclos ocurren entre etapas
- Las interacciones difieren en cada etapa
Distribuidor
• No todos las cadenas tendrán los 4 ciclos Ciclo de Manufactura

Manufactura
Ciclo de Compras

Proveedor
Perspectiva de Macro (Software) Procesos
Perspectiva de Procesos
Perspectiva Funcional tradicional de la Cadena
Compra / Adquisiciones
• Qué comprar a quién?
• Corporativo vs Grupo
Control de inventario
• Cuánto almacenar y dónde
• Puntos gatillo (Triggers)
• Plan de reposición
Almacenamiento
• Almacenamiento, mezcla, carga fraccionada
• Recoger, Empacar y Enviar
• Qué almacenar y dónde en cual WH
Manipulación de materiales
• Cómo mover el producto
• Embalaje, contenerización
• Diseño de almacenamiento
Procesamiento de pedidos
• Recepción, entrada y estatus
• Gestión de pedidos
Transporte
• Entrante vs Saliente
• Nacional versus internacional
• Control multi-modal (Ferrocarril, TL, LTL,
Paquetería, Aéreo, etc.)
Servicio al Cliente
• Geográfico
• Línea de productos específica
Grupo de Planificación
• Ubicación de la instalación
• Diseño de red
• Planificación de la demanda (S&P)
¿Cuáles son los principales desafíos?
(¿Porqué es tan dificil?)

Métricas: ¿cómo se mide un sistema?

• Concesiones de amplitud frente a validez de las métricas
• Logística basada en resultados: pedido perfecto, estante perfecto
Política y poder de los participantes - ¿Quién gana?
• Tiendas familiares versus Mega-Tiendas
• Mega minoristas frente a mega fabricantes
Visibilidad: ¿Quién puede ver qué y con qué rapidez?
• Los datos se almacenan por separado
• No todas las partes tienen el mismo acceso a los datos
• Datos masivos ≠ Información compartida y accesible
¿Cuáles son los principales desafíos?
(¿Porqué es tan dificil?)
Incertidumbre - ¿Quién sabe lo que va a pasar?
• Demanda variable del producto (ciclos de vida más cortos)
• Los rendimiento de manufactura varían constantemente
• Abastecimiento no confiables de materias primas
• Tiempos de entrega de tránsito inconsistentes
Mayor complejidad: ¿Por qué se está volviendo más difícil?
• Explosión del número de unidades de productos en existencia (SKU)
• Mayor cantidad y diversidad de productos en la demanda de parte de los clientes
• Canales nuevos y fusionados (Omni-Channel)
Operaciones globales: ¿por qué nunca cerramos?
• La mayoría de las empresas globales venden en todo el mundo las 24 horas del día.
• Múltiples regiones, zonas horarios, idiomas y culturas
¿Porqué nos importa ?

Funcional Logística Cadena de Suministro

Habilidades principales Técnicamente estrecho Coordinado

Influencia Local y controlable A través de toda la cadena
Liderazgo Jerárquico, Directo, "Dificil" Influencial, indirecto, "suave"
Administración del riesgo Robusto y reaccionario Respuestas planificadas y flexibles
Métricas de la cadena Foco único Multi-facético
Enfoque Tecnologico Optimización aislada Visibilidad y coordinación
Plataformas tecnológicas On premise (En sitio) Cloud (Nube) o SaaS
Alcance / Extensión Regional / Nacional Global / Multi-Nacional
¿Cadena de suministro como ventaja competitiva?

Analítica de datos aplicada a la cadena de suministro

Una ventaja competitiva a largo plazo

Crisis de talento en la Cadena de suministro

La proporción de la Demanda vs la Oferta en

los trabajos la Cadena de Suministro:

6a1
Al finalizar este curso, ustedes podrán:
Al finalizar este curso, ustedes podrán:

• Entender porque analítica de datos es crítica para la logística y la cadena de suministro y cual es su impacto
financiero y económico.

• Entender los puntos de dolor en diferentes procesos de la cadena y ver como la analítica de datos puede
apoyar resolviéndolos.

Compras Producción Transporte Ventas

• Aplicar procesos reales de analítica avanzada a logística y la cadena de suministros, tales como:
- Recopilación y selección de datos.
- Preparación y análisis de datos.
- Visualización y comunicación de resultados
- Algoritmos de análisis específicos orientados a mejorar la cadena.
Para quien es este curso?

• Aquellos de ustedes que están explorando una carrera en análisis de

datos, Logística y/o la cadena de suministro y gestión de operaciones.

• Aquellos de ustedes que quieran comprender el impacto del análisis

de datos en la gestión de la cadena de suministro.

• Aquellos de ustedes que buscan empleo y quieren hacer una carrera

que esperan tomar decisiones basadas en datos de negocio y de su
trabajo.
Ventaja de una carrera en analítica de datos aplicada a
logística y/o la cadena de suministros

• Los complejos flujos de materiales y dinero en una cadena de suministro generan

una gran cantidad de datos todos los días.

• El análisis y el uso efectivo de estos datos pueden mejorar significativamente la

eficiencia de la cadena de suministro y, por lo tanto, proporcionar a las empresas
una ventaja competitiva a largo plazo, como lo demuestran muchos ejemplos que
vamos a ver en el transcurso de este curso.

• El mercado laboral está ávido de talentos que sepan cómo aplicar el análisis de
datos a la gestión de la cadena de suministro y generar un impacto económico
significativo.
Estructura del Programa
Proyecto Modulo #1

• Titulo del proyecto.

• Por favor proveer una historia o ejemplo de como la logística o la cadena de

suministro apoyó a una empresa (Idealmente donde trabajan ahorita) a mejorar
sus operaciones. Máximo una página.
Módulo 1. – Introducción a la Gestión
Digital aplicada a SC
Introducción al Supply Chain Management 4.0/ Tecnologías y
herramientas digitales en logística
Modulo 1 - Introducción a la Gestión Digital aplicada a SCM

• Conceptos clave de la analítica de datos

• Introducción al Supply Chain Management 4.0
• Tecnologías y herramientas digitales en logística:
- Internet de las cosas (IoT)
- Big data o Cloud Computing
- Inteligencia artificial o Blockchain
- LPWAN (Low Power Wide Area Network)
- Etiquetado inteligente - RFID
- Almacenes automatizados
¿Qué es la Supply Chain 4.0? La nueva cadena de
suministro

• La cadena de suministro 4.0 es el proceso de

implementar tecnologías y métodos de producción y de gestión de
stock tecnológicamente avanzados que potencien la productividad y
la eficiencia de las operativas entre todas las empresa que conforman
la cadena de suministros (supply chain).

• Esta nueva tendencia se sirve de tecnologías como el Blockchain

la automatización de procesos, la transformación digital,
la inteligencia artificial, el big data (acompañado de la visualización y
análisis de datos), el machine learning o el Internet de las Cosas
Industrial. Todo ello para lograr operaciones de abastecimiento,
producción, y distribución más eficientes.
Supply chain 4.0
Ventajas (e inconvenientes) de la Supply Chain 4.0
Ventajas:

Desde la capacidad de dotar de inteligencia a un almacén gracias a la IoT hasta asegurar la integridad
de la información compartida mediante el blockchain, estos son los principales beneficios que implica
la cadena de suministro 4.0:

• Toma de decisiones más ágil: los mejores sistemas de comunicación posibilitan que las compañías
interactúen más entre sí y con más fluidez. Así, mejora y se agiliza la toma de decisiones.
• Eficiencia y productividad: la implantación de equipos de producción, sistemas de
almacenamiento, preparación de pedidos y transportes autónomos (como drones, robots móviles o
los futuristas camiones sin conductor) facilitarán el máximo rendimiento de una instalación.
• Eliminación de errores: el uso de software especializado, como los sistemas de gestión de
almacenes (SGA), suprime los errores en la gestión de la mercancía. Esto se traduce en un servicio
mucho más rápido y satisfactorio.
• Integración de procesos: una cadena de suministro digital posibilita que todas las compañías
tengan visibilidad sobre los datos de la mercancía en cualquier etapa, lo que asegura la trazabilidad
completa del producto.

Desventajas:
• El costo de adoptar una estrategia de Supply Chain 4.0 es significativo
Historia de la Supply Chain 4.0
Historia de la Supply Chain 4.0
Supply Supply Supply Supply
Chain 1.0 Chain 2.0 Chain 3.0 Chain 4.0

▪ Maquinas de ▪ Uso de la
▪ Electricidad ▪ Computadoras
vapor Internet.
e IT.
▪ Producción
▪ Transporte ▪ IoT
masiva ▪ Sistemas de
mecanizado
administración ▪ Cloud
▪ Aplicación de
▪ De la fuerza logística.
logística. ▪ RFID
animal a trenes
▪ Uso de WMS,
y barcos de ▪ Mecanización TMS ▪ Machine
vapor. de carga en Learning and
puertos Artificial
Intelligence
 Internet de las cosas (IoT). Que es?
El Internet de las Cosas (IoT) es la red de objetos físicos o "cosas"
incrustadas con electrónica, software, sensores y red conectividad, que
permite que estos objetos recopilen e intercambien datos.

• Los dispositivos físicos ahora se están integrando con sensores y software y se pueden
conectar a Internet para que los datos se puedan intercambiar. Según McKinsey Global
Institute, los dispositivos IoT deben poder monitorear su entorno e informar su estado,
recibir instrucciones y actuar en consecuencia con la información que reciben.
Internet de las cosas (IoT). Que es?
¿Por qué las tecnologías emergentes como IoT se están volviendo tan populares? Para uno
cosa, proporcionan el libre flujo de datos en tiempo real. Expertos en tecnología de la información
luego puede analizar datos y usar la información de dispositivos inteligentes para ayudar a refinar
procesos, optimizar las operaciones y mejorar la precisión de los pronósticos, para
ejemplo. IoT genera enormes cantidades de datos nuevos, más de los que se utilizan actualmente.
El ciclo de vida del IoT

Recoger Comunicar Analizar Actuar

IoT Integrada con la Cadena de Suministros

La mayoría de las implementaciones de aplicaciones de IoT en una cadena de suministro se

encuentran dentro del área de identificación, ubicación, seguimiento y estado de los
activos. Se anticipa que la integración de IoT y la cadena de suministro con IOTis funcionará
de la mejor manera debido a la naturaleza y función de los procesos, así como a un enfoque
lógico.
Protocolo MQTT (Message Queuing Telemetry Transport)

MQTT es un protocolo de mensajería simple, diseñado para dispositivos

limitados con ancho de banda bajo. Por lo tanto, es la solución perfecta para
intercambiar datos entre múltiples dispositivos IoT.

La comunicación MQTT funciona como un sistema de publicación y

suscripción. Los dispositivos publican mensajes sobre un tema específico.
Todos los dispositivos que están suscritos a ese tema reciben el mensaje.
Protocolo MQTT (Message Queuing Telemetry Transport)
• El primer concepto es el sistema de publicación y suscripción. En un
sistema de publicación y suscripción, un dispositivo puede publicar un
mensaje sobre un tema o puede suscribirse a un tema en particular para
recibir mensajes.

Publicar Subscribir
DISPOSITIVO 1 TEMA DISPOSITIVO 2

• Por ejemplo, el Dispositivo 1 publica sobre un tema.

• El dispositivo 2 está suscrito al mismo tema en el que está publicando el
dispositivo 1.
• Entonces, el dispositivo 2 recibe el mensaje.
MQTT Broker
El Broker MQTT es responsable de recibir todos los mensajes, filtrarlos,
decidir quién está interesado en ellos y luego publicar el mensaje para
todos los clientes suscritos.
Broker

.
Protocolo MQTT (Message Queuing Telemetry Transport)
Protocolo MQTT (Message Queuing Telemetry Transport)

JSON (Java Script Object Notation)

IoT Integrada con la Cadena de Suministros

La mayoría de las implementaciones de aplicaciones de IoT en una cadena de suministro se

encuentran dentro del área de identificación, ubicación, seguimiento y estado de los
activos. Se anticipa que la integración de IoT y la cadena de suministro con IOTis funcionará
de la mejor manera debido a la naturaleza y función de los procesos, así como a un enfoque
lógico.
Beneficios de IoT Integrada con la Cadena de Suministros

Visibilidad de extremo a extremo en la cadena de suministro:

Las soluciones inteligentes de gestión de la cadena de suministro brindan a los fabricantes

datos en tiempo real sobre los estados, ubicaciones y flujos de productos en todos los
segmentos de la cadena de suministro, desde el monitoreo de materiales y componentes
del lado del proveedor hasta el momento en que el producto final llega a los clientes.

Mayores niveles de eficiencia operativa:

La visibilidad en tiempo real permite a las empresas ingresar a un nuevo nivel de eficiencia
operativa. Con los datos sobre la cantidad de materiales disponibles, la ubicación del trabajo
en curso y el estado de los bienes en tránsito, las empresas reducen el tiempo y los costos
de búsqueda de materiales, así como también logran una mayor velocidad de las
operaciones.
Beneficios de IoT Integrada con la Cadena de Suministros

Mejor servicio al cliente:

Con IoT, las empresas pueden reducir el tiempo que lleva cumplir con los pedidos de los
clientes y proporcionarles los datos sobre dónde están sus artículos y cuándo exactamente
se entregarán.

Gestión de inventario optimizada:

Con datos en tiempo real sobre la cantidad, la ubicación y el movimiento de los artículos del
inventario, los fabricantes saben cuándo necesitan reabastecerse. Elimina la necesidad de
mantener varias semanas de inventario disponible, lo que permite mantener un alto nivel
de servicio al cliente.
Beneficios de IoT Integrada con la Cadena de Suministros

Gestión de desperdicio más eficiente:

IoT ayuda a identificar y, por lo tanto, mitigar al menos cinco de las siete actividad de
desperdicio operativa (actividades operativas que no agregan valor), incluidos los
desperdicios de transporte, inventario, sobreproducción y sobre procesamiento.
RFIS (Radio Frequency Identification)

Las etiquetas RFID son un tipo de sistema de rastreo que utiliza radiofrecuencia para buscar,
identificar, rastrear y comunicarse con artículos y personas. Esencialmente, las etiquetas RFID son
etiquetas inteligentes que pueden almacenar una variedad de información, desde números de
serie hasta una breve descripción e incluso páginas de datos.

Un sistema RFID consta de un pequeño transpondedor de radio, un receptor de radio y un

transmisor. Cuando se activa mediante un pulso de interrogación electromagnético de un
dispositivo lector RFID cercano, la etiqueta transmite datos digitales, generalmente un número de
inventario de identificación, de vuelta al lector. Este número se puede utilizar para realizar un
seguimiento de los bienes de inventario.
RFIS (Radio Frequency Identification)
Los sistemas RFID constan de tres componentes: etiquetas RFID, antenas RFID y lectores RFID.

Las etiquetas RFID son microchips que contienen datos digitales codificados sobre los objetos a
los que están adheridos (por ejemplo, tipo, descripción, fabricante, etc.). Las etiquetas RFID
pueden adherirse a cualquier superficie física, desde materias primas hasta paquetes y cajas.

Las antenas RFID capturan las ondas de radio de los lectores para suministrar energía a las
etiquetas y permitirles transmitir los datos de identificación que contienen a los lectores.

Los lectores RFID se utilizan para leer los datos de las etiquetas. Pueden escanear el número de
etiquetas a distancia. Escaneada por un lector RFID, una etiqueta emite una señal de radio que
lleva su identificación. El lector convierte las ondas de radio emitidas por las etiquetas RFID en
información digital y las transmite a la nube para su almacenamiento, procesamiento y análisis.
RFID Integrada con la Cadena de Suministros
RFID Integrada con la Cadena de Suministros
 Bodegas inteligentes (Smart Warehouses)
• La automatización de almacenes es el proceso de automatizar el movimiento de inventario hacia, dentro y
fuera de los almacenes a los clientes con una asistencia humana mínima. Como parte de un proyecto de
automatización, una empresa puede eliminar las tareas que requieren mucha mano de obra y que involucran
trabajo físico repetitivo e ingreso y análisis manual de datos.
 Bodegas inteligentes (Smart Warehouses)
Las categorías de automatización de almacenes incluyen:

• Automatización básica de almacén: este tipo de automatización se refiere a una tecnología simple que ayuda a las
personas con tareas que de otro modo requerirían más trabajo manual. Por ejemplo, un transportador o carrusel
mueve el inventario del punto A al punto B.

• Automatización del sistema de almacén: este tipo de sistema utiliza software, aprendizaje automático, robótica y
análisis de datos para automatizar tareas y procedimientos. Por ejemplo, un sistema de gestión de almacenes revisa
todos los pedidos que deben completarse en un día y hace que los usuarios elijan artículos similares para cumplir con
todos esos pedidos a la vez para que no tengan que recorrer el almacén de un lado a otro varias veces.

• Automatización de almacén mecanizada: este tipo de automatización de almacén utiliza equipos y sistemas robóticos
para ayudar a los humanos con las tareas y procedimientos del almacén. Los robots autónomos de carga de estantes
móviles que levantan estantes de productos y los entregan a recolectores humanos para recuperarlos y clasificarlos es
un ejemplo.

• Automatización avanzada de almacenes: la automatización avanzada de almacenes combina la robótica de almacenes

mecanizados y los sistemas de automatización que pueden reemplazar los flujos de trabajo humanos que requieren
mucha mano de obra. Por ejemplo, una flota de montacargas robóticos que utiliza IA avanzada, cámaras y sensores
para navegar por un almacén y comunicar la ubicación de cada montacargas a un portal de seguimiento en línea.
 Bodegas inteligentes (Smart Warehouses)
La tecnología de automatización de almacenes incluye:
Bienes a persona (GTP): el cumplimiento de bienes a persona es uno de los métodos más populares para
aumentar la eficiencia y reducir la congestión. Esta categoría incluye transportadores, carruseles y sistemas de
elevación vertical. Cuando se aplican correctamente, los sistemas GTP pueden duplicar o triplicar la velocidad de
preparación de pedidos en el almacén.

Sistemas automatizados de almacenamiento y recuperación (AS/RS): Los AS/RS son una forma de tecnología de
cumplimiento de GTP que incluye sistemas y equipos automatizados como vehículos de transporte de materiales,
transbordadores y minicargadores para almacenar y recuperar materiales o productos. Las aplicaciones de
almacén de gran volumen con limitaciones de espacio tienden a utilizar sistemas AS/RS.
 Bodegas inteligentes (Smart Warehouses)
La tecnología de automatización de almacenes incluye:
Vehículos guiados automáticamente (AGV): esta clase de automatización mecanizada tiene una potencia
informática mínima a bordo. Estos vehículos utilizan bandas magnéticas, cables o sensores para navegar por un
camino fijo a través del almacén. Los AGV están limitados a entornos de almacén grandes y simples diseñados con
este diseño de navegación. Los almacenes complejos con mucho tráfico de personas y limitaciones de espacio no
son buenos candidatos para AGV.

Robots móviles autónomos (AMR): más flexibles que los AGV, los AMR utilizan sistemas GPS para crear rutas
efectivas a través de un almacén específico. Utilizan sistemas de guía láser avanzados para detectar obstáculos,
por lo que los AMR pueden navegar de manera segura en entornos dinámicos con mucho tráfico humano. Son
fáciles de programar con rutas y fáciles de implementar rápidamente.
 Bodegas inteligentes (Smart Warehouses)
La tecnología de automatización de almacenes incluye:
Sistemas Pick-to-Light y Put-to-Light: estos sistemas utilizan dispositivos de escaneo de códigos de barras móviles
sincronizados con pantallas de luz digital para indicar a los recolectores del almacén dónde colocar o recoger los
artículos seleccionados. Pueden reducir drásticamente el tiempo de caminar y buscar y el error humano en
situaciones de alto volumen.

Selección y asignación de tareas por voz: el uso de procedimientos de almacén dirigidos por voz, también
conocidos como selección por voz, utiliza software de reconocimiento de voz y auriculares móviles. El sistema crea
rutas de selección optimizadas para dirigir a los trabajadores del almacén a dónde recoger o guardar un producto.
Este método elimina la necesidad de dispositivos portátiles como escáneres de RF, por lo que los recolectores
pueden concentrarse en su tarea con mayor seguridad y eficiencia.
 Bodegas inteligentes (Smart Warehouses)
La tecnología de automatización de almacenes incluye:

Sistemas de clasificación automatizados: La clasificación es el proceso de identificar artículos en un sistema

transportador y desviarlos a una ubicación de almacén utilizando RFID, lectores de códigos de barras y sensores.
Las empresas utilizan sistemas de clasificación automatizados para el cumplimiento de pedidos de recepción,
selección, embalaje y envío.
Inversión en Bodegas inteligentes (Smart Warehouses)
Importancia en la exactitud en el inventario
Machine Learning (Aprendizaje automático)

El Machine Learning (ML) o aprendizaje automático es una rama de la IA y la inteligencia

artificial autónoma que permite que las máquinas aprendan a partir de experiencias con
grandes cantidades de datos, sin tener que ser programadas para ello. Sintetizan e
interpretan la información para el entendimiento humano, de acuerdo a parámetros
preestablecidos, ayudando ahorrar tiempo, disminuir errores, crear acciones preventivas y
automatizar procesos en grandes operaciones y empresas.
Machine Learning (Aprendizaje automático)
1. Aprendizaje supervisado
En el aprendizaje supervisado la máquina aprende a partir
del ejemplo guiado de un humano.
Es decir, a la máquina se le alimenta un gran conjunto
de datos, mientras un operador proporciona etiquetas
al algoritmo de ML para que reconozca dicha información.

2. Aprendizaje no supervisado
El aprendizaje no supervisado es opuesto al aprendizaje supervisado:
no hay etiquetas determinadas por humanos.

3. Aprendizaje semisupervisado

Este tipo de aprendizaje automático tiene una combinación de los dos

enfoques anteriores, donde se puede alimentar al algoritmo con datos de
entrenamiento, pero con la habilidad de explorar los datos y desarrollar
su propia comprensión de ellos. Se caracteriza por generar modelos de
predicción que funcionan mejor que los creados solo a partir de
aprendizaje supervisado.

4. Aprendizaje por refuerzo

Este tipo de Machine Learning funciona de manera totalmente
diferente a los otros modelos, puesto que no involucra un conjunto
de datos específicos ni etiquetas.
Este modelo de Machine Learning aprende a partir de sus errores.
 Ventaja del Machine Learning (Aprendizaje automático)

Ventajas del Machine Learning

•Reconocimiento de patrones específicos: Ayuda a desarrollar productos y servicios basados en análisis

de comportamiento a gran escala.

•Automatización de respuestas: Permite que las personas puedan enfocarse en otras áreas y dejar que
el sistema tome la mejor decisión.

•Aceleración de resultados: Es posible realizar acciones con un éxito comprobado, respaldado por datos
y aplicaciones de ML.
 Desventaja del Machine Learning (Aprendizaje automático)

Desventajas del Machine Learning

•Inaccesible para muchos: El Machine Learning puede llegar a ser costoso. Es una herramienta que necesita un
plazo de tiempo específico para aprender y adaptarse, pero con grandes beneficios a
largo plazo.

•Exclusión en los datos: Los algoritmos de ML pueden llegar a excluir ciertas poblaciones. Hay que recordar que
aprenden basándose de información proporcionada por seres humanos, y que puede
contener prejuicios.

•Alto grado de especialización: El Machine Learning es una herramienta especializada y no muchas personas tienen
la habilidad de comprenderla. En la actualidad se necesita de un científico de datos
para implementar el ML, pero seguramente esto cambiará en un futuro.
 Machine Learning en Supply Chain

#1 Gestión de inventario

Almacenar y mantener el inventario en buenas condiciones es costoso.

Por lo tanto, los profesionales de la cadena de suministro deben abordar la planificación
del inventario muy a fondo, ya que tiene un impacto directo en el flujo de caja y los márgenes
de beneficio de una empresa.

La gestión de inventario es uno de los casos de uso de aprendizaje

automático más típicos en la cadena de suministro. El aprendizaje automático puede ayudar a
resolver el problema de la escasez o el exceso de existencias.

Según los datos que se pueden obtener de muchas áreas, como el entorno del mercado,
las tendencias estacionales, las promociones, las ventas y el análisis histórico, con ML
puede predecir el crecimiento de la demanda. Y puedes prepararte para llenar tus almacenes
con anticipación así como prevenir excesos de mercadería o partes importantes para la fabricación.
 Machine Learning en Supply Chain

#2 En los almacenes,

el aprendizaje automático se utiliza para automatizar el trabajo manual, predecir posibles

problemas y reducir el papeleo para el personal del almacén.

Por ejemplo, la visión artificial permite controlar el trabajo de la cinta transportadora y

predecir cuándo se va a atascar.

NLP (Natural language processing) permiten a los especialistas de almacén detectar automáticamente
la llegada de paquetes y cambiar sus estados de entrega. Las cámaras escanean códigos de barras
y etiquetas en el paquete y toda la información necesaria va directamente al sistema.

Además, el aprendizaje automático ayuda a programar vehículos y robots autónomos.

 Machine Learning en Supply Chain

#3 Logística y transporte

ML ayuda a comprender dónde se encuentra un paquete en todo el ciclo logístico. Permite a los
profesionales de la cadena de suministro rastrear la ubicación de los bienes durante el transporte.

Además, proporciona visibilidad de las condiciones en las que se transporta el paquete.

Con la ayuda de sensores, los minoristas pueden controlar parámetros como la humedad,
la vibración, la temperatura, etc.
 Machine Learning en Supply Chain

#4 Producción

Con ML, es posible identificar problemas de calidad en la línea de producción en las primeras etapas.
Por ejemplo, con la ayuda de la visión artificial, los fabricantes pueden comprobar si el aspecto final
de los productos se corresponde con el nivel de calidad requerido. Si los productos tienen algunos
defectos, es fácil detectarlos antes de que lleguen a los clientes.
 LPWAN (low-power wide area network)
WAN de baja potencia (LPWAN):

Es una tecnología de red de área amplia inalámbrica

que interconecta dispositivos alimentados por batería
de bajo ancho de banda con velocidades de bits bajas
en rangos largos.

Creadas para redes de máquina a máquina (M2M) e

Internet de las cosas (IoT), las LPWAN funcionan a un
costo más bajo con una mayor eficiencia energética que
las redes móviles tradicionales. También pueden admitir
una mayor cantidad de dispositivos conectados en un
área más grande.
 LPWAN (low-power wide area network)

La tecnología LPWAN transforma la gestión de la cadena de suministro

Las LPWAN permiten una conectividad inalámbrica de bajo costo que hace que sea viable agregar
conectividad a activos de menor valor, así como a equipos con seguimiento tradicional, como
camiones, contenedores de envío y carga ferroviaria. El punto de precio significa que los artículos
individuales de menor valor (o paquetes de ellos) se pueden rastrear a un costo sostenible y en
un volumen enorme.
 Que es el Blockchain
• Cadena de bloques en español.

• Básicamente, blockchain es un conjunto de tecnologías que permiten llevar

un registro seguro, descentralizado, sincronizado y distribuido de las
operaciones digitales, sin necesidad de la intermediación de terceros.

• la definición más completa es la dada por Don & Alex Tapscott en su libro
Blockchain Revolution: “un libro de contabilidad digital incorruptible de
transacciones económicas que se puede programar para registrar no solo
transacciones financieras, sino prácticamente todo lo que tiene valor”.

• Cada uno de los bloques de datos se encuentra protegido y vinculado entre sí,
permitiendo la participación de determinados usuarios (cada uno, asociado a un
bloque). Así, la transacción no la verifica un tercero, sino la red de nodos
(computadores conectados a la red), que también es la que autoriza en consenso
cualquier actualización en la Blockchain.
Que es el Blockchain. Descentralizado

La tecnología blockchain es una tecnología descentralizada que no depende de un ente

regulador. La confianza no se determina a través de instituciones o entes centralizados sino
más bien a través de protocolos, criptografía y código computacional. Esto tiene el potencial
de incrementar la colaboración y confianza entidades del blockchain.

Centralizado descentralizado
Propiedades del Blockchain

GENERA CONFIANZA: No se puede hackear, no se puede falsificar y no se puede duplicar!!!

Como funciona el Blockchain

CONFIANZA: No se puede hackear, no se puede falsificar y no se puede duplicar!!!

 Blockchain: Que es un contrato inteligente
Al igual que los contratos tradicionales, el contrato inteligente también es una colección de términos y
condiciones organizacionales que regulan la confianza entre las partes involucradas dentro del alcance de
ese contrato. La única diferencia es que un contrato inteligente está codificado con un lenguaje de
programación. Las reglas, los términos y las condiciones se implementan a través de una codificación
controlada, lo que refleja el acuerdo exacto aprobado por todas las partes.

CONFIANZA!! La necesidad esencial del establecimiento de confianza entre las partes se puede lograr a
través de contratos inteligentes asegurando el contrato dentro de la cadena de bloques.
Como funciona el Blockchain

Si bien blockchain proporciona una plataforma robusta para almacenar y rastrear los datos
del sistema, un contrato inteligente implementa la lógica comercial y controla la distribución
de acceso

Se ha demostrado que un contrato inteligente, unido a blockchain y la integración de

dispositivos IoT, es un curso de acción inteligente, seguro y confiable para rastrear y
monitorear procesos y operaciones.
Ejemplo de Blockchain en la Cadena de Suministros:
Mejora en la trazabilidad de productos agrícolas con la ayuda de Blockchain

La principal contribución de este Estudio es la siguiente:

1. Garantizar la trazabilidad de los productos agrícolas desde la raíz hasta la venta al por menor.

2. Garantizar la adquisición de datos a prueba de manipulaciones desde el almacenamiento, el

nivel de campo y durante la distribución.

3. Eliminar procesadores intermedios y controlar los precios del mercado.

4. Obtenga más control sobre el proceso mediante contratos inteligentes.

5. Automatización del proceso eliminando procesadores intermedios de terceros.

6. Y, por último, la implementación de un entorno seguro con blockchain para una mejor seguridad de
los datos valiosos.
Ejemplo de Blockchain en la Cadena de Suministros:
El sistema utiliza Blockchain, IoT y contratos inteligentes para trazabilidad y desarrollo de los
procesos
Ejemplo de Blockchain en la Cadena de Suministros:
Ejemplo del contrato almacenaje
Cloud Computing
Modelo de cliente y servidor
Informática en la nube
Informática en la nube
Informática en la nube
Modelos de implementación de informática en la nube
Implementación basada en la nube
Implementación en las instalaciones
Implementación híbrida
Beneficios de la informática en la nube – Gastos Variables
Optimización de costos
Capacidad
Economías de escala
Velocidad y agilidad
Alcance global en minutos
Modernice y optimice su cadena de suministro con la nube
Garantizar la
disponibilidad del
producto
Utilice la visibilidad de la
cadena de suministro en
tiempo real y
IA para mejorar la precisión
del pronóstico hasta
50%; predecir el posible
agotamiento
riesgos de interrupción de
las materias primas,
problemas de fabricación y
posibles
retrasos en la entrega; y
desarrollar estrategias
para reducir los retrasos en
las entregas en un 60%
Optimizar los niveles
de inventario
AWS
mejora la previsión, el
inventario
administración,
almacenamiento,
operaciones de transporte
y logistica
para asegurarse de cumplir
a tiempo, en su totalidad
(OTIF) requisitos y aumento
turnos de inventario.
Reduzca los costos
de la cadena de
suministro
Reducir el cumplimiento y
el transporte
costos hasta en un 20%.
AWS tiene más
25 años de experiencia
optimizando el
cumplimiento multicanal y
la logística para
entregar a tiempo y
minimizar los costos.
Modernice y optimice su cadena de suministro con la nube
Visibilidad de la cadena de
suministro
Predecir los riesgos de suministro y
reducir los retrasos
entregas en un 60% con mayor
visibilidad—a partir de la materia
prima
disponibilidad hasta la entrega final.
AWS
permite a las empresas analizar
y fuentes de datos de la cadena de
suministro externa
predecir riesgos y prescribir
recomendaciones para manejar
mejor
inventario y capacidad.
Planificación de la demanda Multi-channel Distribution
impulsada por IA Reduce warehousing, fulfillment, and
transportation costs 20% while
Detectar la demanda del consumidor y
reducing carbon emissions. Take
mejorar
advantage of 25 years of Amazon.com
precisión de pronóstico hasta en un
experience in optimizing fulfillment
50% mientras
operations from the warehouse to
reduciendo los costos de
the
mantenimiento de inventario en un
customer’s distribution center or the
20%.
consumer’s front door.
AWS proporciona ML sofisticado y
modelos de aprendizaje profundo que
pueden
incorporar detalles internos y
datos externos, como el punto de venta
información, inteligencia de la
competencia,
clima, redes sociales, interrupciones,
campañas de marketing, y mucho más,
para mejorar la planificación de la
demanda y
la gestión del inventario.
Caso de éxito real en la nube utilizando Blockchain

Nestlé Oceanía quería aumentar la cadena de suministro transparencia ya que los consumidores
quieren saber cada vez más qué hay en su comida y de dónde viene. Hacerse un nido había comenzado
a publicar información sobre sus cadenas de suministro para 15 productos clave, pero recurrió a AWS
para obtener más seguimiento preciso utilizando la tecnología blockchain. "Con Amazon Managed
Blockchain, podemos configurar nuestra red Hyperledger Fabric e invite fácilmente a nuestros socios
para colaborar en nuestra cadena de suministro esfuerzos de transparencia. Cadena de bloques
administrada por Amazon permitirá a nuestros clientes rastrear sus productos en la cadena de bloques
desde la granja hasta el final consumo."
 Track & Trace en la nube con blockchain
En la industria de la cadena de suministro, seguimiento y localización (track & trace) se refiere a la capacidad de
identificar las ubicaciones pasadas y presentes de todo el inventario de productos, así como un historial de custodia de
productos. El seguimiento y la localización requieren el seguimiento de los productos a través de un viaje complejo
desde la materia prima, a través de múltiples regiones geográficas para el procesamiento y la fabricación, pasando por
el control regulatorio y, finalmente, hasta los minoristas y los consumidores. El seguimiento de la procedencia a lo largo
de este viaje es crucial para garantizar la autenticidad del producto.

Seguimiento y rastreo con Blockchain

La tecnología Blockchain se puede utilizar para crear aplicaciones en las que varias partes pueden realizar transacciones
directamente a través de una red de igual a igual, sin la necesidad de una autoridad central para verificar las
transacciones. Cada participante de la red tiene acceso a un libro mayor compartido que registra de forma inmutable y
criptográfica todas las transacciones, y no hay un solo propietario de la red.
Track & Trace en la nube con blockchain
Retos de la cadena tradicional

Proveedor Manufactura Regulador Logística Mayorista Minorista Clientes

Abastecimiento ético Impactos al ambiento control de calidad poco actualizaciones exceso de existencias y falta Procedencia y conocimiento
incierto inciertos frecuentes manuales de transporte de existencias debido a autenticidad del producto mínimo de la cadena de
no en tiempo real datos de oferta y demanda inciertas suministro
inexactos

Beneficios de cadenas con Blockchain

Logística Clientes
Proveedor Manufactura Regulador Mayorista Minorista
actualizaciones El conocimiento de la
abastecimiento ético impacto ambiental los contratos gestionar el stock con datosCerteza en la procedencia y
automáticas de cadena de suministro
garantizado medido y reducido inteligentes garantizan en tiempo real autenticidad del
transporte en tiempo empodera la toma de
el control de calidad producto
real decisiones informada
Data pipelines en la nube

Un Datapipeline une la operación de extremo a extremo que consiste en recopilar

los datos, transformarlos en conocimientos, entrenar un modelo, entregar
conocimientos, aplicar el modelo cuando y donde sea necesario y tomar medidas
para lograr el objetivo comercial.
Data pipelines en la nube

Data Lake vs. Data Warehouse

El Data Lake contiene todos los

datos en su forma natural/sin
procesar, tal como se recibían
normalmente en blobs (binary
large object) o archivos.

El Data warehouse almacena datos

limpios y transformados junto con el
catálogo y el esquema.

Los datos en el lago y el

Datawarehouse pueden ser de
varios tipos: flujos de eventos
estructurados (relacionales),
semiestructurados, binarios y en
tiempo real.
Supply chain 4.0 del futuro
Analítica en la Cadena de Sulministro

Análisis ABC
Modelo de análisis para proceso de pronóstico y S&OP

Análisis Clasificación Segmentación Organizar la Pronóstico

de productos S&OP
producto ABC Data de demanda
▪ Análisis de ▪ Clasifircar ▪ Por locación. ▪ Datos históricos ▪ Encontrar ▪ Crear proceso
Power Cal. productos por de venta. mejor módelo de reuniones.
ABC: ▪ Por Tiempo de Pronóstico.
▪ Analizar ▪ Base de datos. ▪ De acuerdos.
porcentaje de A: Los más críticos. ▪ Por familia de ▪ Generar
productos más productos. ▪ Proceso pronósticos ▪ Involucrar otras
B: Intermedios. automatizado
críticos para la áreas. S&OP
empresa C: Menos críticos de datos.

Ventajas Ventajas Ventajas Ventajas Ventajas Ventajas

▪ Priorización de ▪ Administración ▪ Mejora en los • Reducción de • Reducción de • Reducción de
decisiones de eficiente de los pronósticos de tiempos tiempos costos de
negocio. recursos. Demanda. administrativos administrativos. inventario.
de
consolidación • Automatización • Alineaminto
de datos. de los entre las áreas.
pronósticos.
• Mejora en
calidad del
forecast

136
Ejemplo real: Reducción de compras de partes
Analizamos 5 años de datos
relacionados con compras de
Partes de un cliente:
www.inservicios.com
Descubrimos lo siguiente:
1. El cliente tenía 46K de SKU de
partes. De los cuales 1.5 K
representaban el 50% de los
costos.
2. Alta variabilidad de precios por
proveedor para las mismas
partes.
3. Alta estacionalidad en la
demanda de las partes a través
del año.
4. Lentitud en la entregas de los
pedidos por parte de los
proveedores.
5. Muchos proveedores con altos
precios por las mismas partes.
Beneficios para el clientes:
1. Planificación de inventario a
través de modelos predictivos
de pronósticos.
2. Con esto el cliente pudo
negociar mejores precios con
los proveedores que tenían
menos variabilidad de precios y
eliminar aquellos que tenían
alta variabiliadad.
3. Reducción del 20% de los
costos en las compras de
partes.
4. Mejora de un 15% en el tiempo
de entrega.
5. Introducción de un dashboard
de métricas para
administración en tiempo real.
137
Minería de datos en compra de partes

350000
Volumen de ventas por mes por año
300000
Pareto de cantidad de partes por costos
2010 35,000
250000 31,003
2011 30,000
200000
2012 25,000 Concentrarse
150000
2013 20,000
En reducir
100000 2014 costos para
15,000 estas partes
50000 2015
10,000 7,145 6,987
0
1 2 3 4 5 6 7 8 9 10 11 12 5,000 1,650
0
0-50% 50%-80% 80%-90% < 90%

Variabilidad en costo unitario por proveedor

9000
8000
7000
6000
5000
4000
3000
2000
1000
0

A B C D E F G H I J
A B C D E F G

www.inservicios.com
www.inservicios.com 138
 Segmentación en la Cadena

• Cuantos segmentos?:

- Homogéneo – dentro de los segmentos características deberían de ser similar.

- heterogéneo – Entre los segmentos características debería de ser muy diferente.

- Pragmático – Las dimensiones deben de ser útiles y comunicables.

• Como puedo segmentar a mis clientes o suplidores ?
Lead time Nivel de servicio
Histórico de compras Tamaño/Volumen de pedidos
Geografía Demografía
Tendencias de ventas Segmentación de canal
Importancia estratégica
• Como puedo segmentar mis productos:
Característica física (Valor, tamaño, densidad etc.)
Característica de la demanda (volumen de ventas, volatilidad, duración de ventas, etc.)
139
Característica de la oferta (Disponibilidad, locación, Confiabilidad, etc.)
 Segmentación de productos

• Supermercado:
- 20,000 SKUs.
- Categorías: Seca, Congelada y Perecedera.
• Análisis de productos secos (8,000 SKU)
- 1,156 M SKU vendidos en 1 año.
- Número de unidades vendidas por SKU:
- Promedio 144
- Media 72
- Desviación Estándar 355
• Cuales son los SKUs que más venden?
• Los días de mayor venta en la semana, mes y año?

• Los SKUs que más venden:

- Leche evaporada.
- Papel higiénico.
- Agua embotellada de 1 litro
- Macarrone & Cheese.
140 - Tuna enlatada.
 Segmentación ABC

1. Identificar los SKU que la gerencia debería de

concentrarse.
2. Priorizar los SKUs por su valor a la compañía.
3. Crear grupos lógicos.
4. Ajustar cuando sea necesario.

141
 Segmentación ABC

142
Módulo 1. – Glosario/Referencias

Conceptos clave de la analítica de datos

/ Introducción al Supply Chain Management 4.0
 Glosario
ASUM-DM:
➢ Por sus siglas en inglés, Analytics Solutions Unified Method for Data Mining/predictive analytics. Es una metodología para realizar implementaciones agiles en temas de analítica de datos y
minería de datos.
BICC:
➢ Por sus siglas en inglés: Business Intelligence Competency Center, es un Centro de Competencias de Inteligencia de Negocios es un equipo multidisciplinar y multifuncional de la organización
cuya misión es respaldar y promover el uso adecuado de la BI/BA.
Big data:
➢ Es un término usado para describir una gran cantidad de datos digitales o que pueden ser digitalizados y que pueden ser almacenados, analizados y usados para un fin en particular.
CRISP-DM:
➢ Por sus siglas en inglés, Cross Industry Standard Process for Data Mining, es una metodología que presenta un proceso jerárquico en donde se tienen unas tareas para hacer minería de datos de
una manera ágil y con mejores resultados.
Minería de datos:
➢ La minería de datos suele describirse como "el proceso de extraer información valida, autentica y que se pueda procesar de las bases de datos de gran tamaño." En otras palabras, la minería de
datos deriva patrones y tendencias que existen en los datos.
Cadena de Suministros:
➢ Dos o más partes vinculadas por un flujo de recursos: típicamente material, información y dinero, que en última instancia cumplen con la solicitud de un cliente.
Gestión Logística:
➢ la parte de la gestión de la cadena de suministro que planifica, implementa y controla el avance y el retroceso eficientes y efectivos flujo y almacenamiento de bienes, servicios e información
relacionada entre los punto de origen y el punto de consumo para satisfacer las necesidades de los clientes. requisitos
SEMMA:
➢ es un acrónimo que significa Muestrear, Explorar, Modificar, Modelar y Evaluar. Es una lista de pasos secuenciales desarrollados por SAS Institute, uno de los mayores productores de software
de estadísticas e inteligencia empresarial. Guía la implementación de aplicaciones de minería de datos.
Analítica Avanzada:
➢ el uso de técnicas de modelado sofisticadas para predecir eventos futuros o descubrir patrones que no se pueden detectar de otra manera. Los análisis avanzados pueden responder preguntas
como "¿por qué sucede esto?", "¿qué sucede si estas tendencias continúan?", "¿qué sucederá a continuación?" (predicción), "qué es lo mejor que puede suceder" (optimización).
Inteligencia de Negocio:
➢ conjunto consistente de métricas para medir el desempeño pasado y guiar la planificación comercial. Business Intelligence consiste en consultas, informes, OLAP (procesamiento analítico en
línea) y puede responder preguntas que incluyen "Qué sucedió", "cuántos" y "con qué frecuencia"
 Estándares IoT
Existen varios estándares de IoT emergentes, incluidos los siguientes:

IPv6 sobre redes de área personal inalámbricas de baja potencia (6LoWPAN) es un estándar abierto definido por el
Grupo de trabajo de ingeniería de Internet (IETF). El estándar 6LoWPAN permite que cualquier radio de baja potencia se
comunique con Internet, incluidos 804.15.4, Bluetooth Low Energy (BLE) y Z-Wave (para domótica).
ZigBee es una red inalámbrica de baja potencia y baja tasa de datos que se utiliza principalmente en entornos
industriales. ZigBee se basa en el estándar 802.15.4 del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE). ZigBee
Alliance creó Dotdot, el lenguaje universal para IoT que permite que los objetos inteligentes funcionen de forma segura
en cualquier red y se entiendan entre sí.
LiteOS es un sistema operativo (SO) similar a Unix para redes de sensores inalámbricos. LiteOS es compatible con
teléfonos inteligentes, dispositivos portátiles, aplicaciones de fabricación inteligente, hogares inteligentes e Internet de
vehículos (IoV). El sistema operativo también sirve como una plataforma de desarrollo de dispositivos inteligentes.
OneM2M es una capa de servicio de máquina a máquina que se puede integrar en software y hardware para conectar
dispositivos. El organismo de estandarización global, OneM2M, se creó para desarrollar estándares reutilizables para
permitir que las aplicaciones de IoT en diferentes verticales se comuniquen.
El Servicio de distribución de datos (DDS) fue desarrollado por Object Management Group (OMG) y es un estándar de
IoT para comunicación M2M en tiempo real, escalable y de alto rendimiento.
Advanced Message Queuing Protocol (AMQP) es un estándar publicado de código abierto para la mensajería asíncrona
por cable. AMQP permite la mensajería cifrada e interoperable entre organizaciones y aplicaciones. El protocolo se utiliza
en la mensajería cliente-servidor y en la gestión de dispositivos IoT.
El Protocolo de aplicación restringida (CoAP) es un protocolo diseñado por el IETF que especifica cómo pueden
funcionar los dispositivos de baja potencia y con restricciones informáticas en el Internet de las cosas.
La red de área amplia de largo alcance (LoRaWAN) es un protocolo para WAN diseñado para admitir redes enormes,
como ciudades inteligentes, con millones de dispositivos de bajo consumo.
Marcos (Platforms) IoT
Los marcos de IoT incluyen lo siguiente:

Amazon Web Services (AWS) IoT es una plataforma de computación en la nube para IoT lanzada
por Amazon. Este marco está diseñado para permitir que los dispositivos inteligentes se conecten
fácilmente e interactúen de forma segura con la nube de AWS y otros dispositivos conectados.
Arm Mbed IoT es una plataforma para desarrollar aplicaciones para IoT basadas en
microcontroladores Arm. El objetivo de la plataforma Arm Mbed IoT es proporcionar un entorno
escalable, conectado y seguro para dispositivos IoT mediante la integración de herramientas y
servicios de Mbed.
Azure IoT Suite de Microsoft es una plataforma que consta de un conjunto de servicios que
permite a los usuarios interactuar y recibir datos de sus dispositivos IoT, así como realizar diversas
operaciones sobre datos, como análisis multidimensional, transformación y agregación, y visualizar
esas operaciones. de una manera adecuada para los negocios.
Brillo/Weave de Google es una plataforma para la implementación rápida de aplicaciones IoT. La
plataforma consta de dos columnas principales: Brillo, un sistema operativo basado en Android
para el desarrollo de dispositivos integrados de bajo consumo, y Weave, un protocolo de
comunicación orientado a IoT que sirve como lenguaje de comunicación entre el dispositivo y la
nube.
Calvin es una plataforma IoT de código abierto lanzada por Ericsson diseñada para crear y
administrar aplicaciones distribuidas que permiten que los dispositivos se comuniquen entre sí.
Calvin incluye un marco de desarrollo para desarrolladores de aplicaciones, así como un entorno de
tiempo de ejecución para manejar la aplicación en ejecución.
Referencias en línea:
https://en.wikipedia.org/wiki/Supply_chain

Don & Alex Tapscott en su libro Blockchain Revolution

https://rapidminer.com/resource/

https://www.oracle.com/lad/scm/solutions/complete-guide-to-modern-scm/

https://ctl.mit.edu/

https://alwaysai.co/payoff/computer-vision-industry-4.0?

https://www.spglobal.com/marketintelligence/en/campaigns/supply-chain-intelligence

https://www.gartner.com/en/topics/data-and-analytics

https://www.forrester.com/blogs/category/data-analysis/

https://en.wikipedia.org/wiki/Cross-industry_standard_process_for_data_mining

https://www.datascience-pm.com/semma/

https://en.wikipedia.org/wiki/SEMMA

https://aws.amazon.com/cpg/supply-chain/

https://www.slideshare.net/nicolascabrera395017/logistica-40-202017480

https://d1.awsstatic.com/industry/cpg/CPG_solution-brief_nov_2021_strengthen-supply-chain-resiliency-with-aws.pdf7

https://aws.amazon.com/blockchain/blockchain-for-supply-chain-track-and-trace/

https://peerj.com/articles/cs-407/

http://images.seemore.zebra.com/Web/ZebraTechnologiesCorp/%7Be88e01cf-e7a7-46c2-8f9d-1b3b82654cc1%7D_warehouse-survey-2020-en-us.pdf?elqTrackId=76fd42f9997b494c8f7e149dbc672de6&elqaid=2668&elqat=2

https://medium.com/o4s-io/internet-of-things-iot-integration-with-supply-chain-management-1327c15e63dc

https://www.scnsoft.com/blog/connected-supply-chain-top-questions-answered

https://www.techtarget.com/iotagenda/definition/Internet-of-Things-IoT

https://aws.amazon.com/es/iot/

https://azuresverige.se/2021/02/14/run-an-raspberry-pi-simulator-and-connect-to-an-azure-iot-hub-part-5-read-iot-messages-from-vscode/

https://behrtech.com/blog/mqtt-in-the-iot-architecture/

https://aws.amazon.com/es/architecture/analytics-big-data/?cards-all.sort-by=item.additionalFields.sortDate&cards-all.sort-order=desc&awsf.content-type=*all&awsf.methodology=*all

https://www.netsuite.com/portal/resource/articles/inventory-management/warehouse-automation.shtml

https://www.algotive.ai/es-mx/blog/machine-learning-que-es-el-aprendizaje-autom%C3%A1tico-y-c%C3%B3mo-funciona

https://www.techtarget.com/iotagenda/definition/LPWAN-low-power-wide-area-network