Importancia – Los modelos de optimización de las operaciones empresariales (Planeamiento de la producción, “scheduling”, logística, etc.) suponen la existencia de valores precisos o distribuciones de probabilidad específicas para las variables. Esto no ocurre habitualmente en el plano práctico, donde los datos disponibles suelen ser desordenados y de comportamiento errático. De este modo, la aplicabilidad y rendimiento de los modelos se ven afectados al partir de premisas erróneas o que no predicen adecuadamente los acontecimientos futuros, pudiendo inclusive proveer estrategias inviables. Es por ello que los modelos deben considerar aquellos factores que perturban fuertemente los resultados y generan vulnerabilidad en los entornos productivos y comerciales. Entre otros, pueden mencionarse los accidentes industriales donde se destruyen equipos, vehículos e inventario de materiales; las huelgas de trabajadores que detienen la producción e impactan en el cumplimiento de los pedidos; la volatilidad del tipo de cambio; la eventual bancarrota de socios; los nuevos productos de la competencia; la crisis económica, etc. Estos factores son responsables de la imprevisibilidad que se introduce en los modelos, reflejada en datos fluctuantes de demanda, provisión de materiales, niveles de fabricación, tiempos de entrega; entre otros. Es aquí donde se destaca la importancia de explotar las beneficios que ofrece el Aprendizaje por Computadora (“Machine Learning”) al integrarlo a los enfoques de optimización. El manejo de grandes volúmenes de datos (“Big Data”) resulta esencial para refinar la información a ser empleada en los modelos:  analizar, clasificar y extraer datos significativos para el problema abordado; predecir comportamientos en distintos niveles de la cadena de suministro o etapas de los procesos de negocio. En resumen la optimización genera decisiones usando uno o más modelos matemáticos combinado con un aprendizaje automático (“machine learning”) de la situación actual y los posibles estados futuros (datos y predicciones), que pondera las posibles fluctuaciones en los parámetros de entrada al/los modelo/s.

Objetivo – El objetivo general de este plan de trabajo consiste en proponer métodos y aplicaciones de “machine learning”,  para realizar un análisis predictivo de datos y parámetros de entrada de modelos de optimización de operaciones de empresas de producción y servicio, que permitan mejorar la toma de decisiones.

Objetivos específicos:

• Detectar fuentes de datos externos, analizar sus orígenes y estructura, definir los algoritmos de procesamiento.
• Brindar soporte para conocer el dominio de los datos,  su interpretación y visualización,  que facilite la extracción de la información existente en los mismos.
• Incorporar conocimiento para la predicción de patrones y  tendencias del comportamiento de clientes, proveedores y competidores de las empresas locales.
• Mejorar la toma de decisiones de las empresas, automatizar el proceso de análisis de datos internos y externos.
• Incrementar la productividad de las empresas a partir de la mejora en los modelos de optimización de sus operaciones.

Contacto: Dr. Aldo Vecchietti (ra.vo1713510663g.tec1713510663inoc-1713510663efatn1713510663as@ra1713510663gnIsa1713510663ceb1713510663).