Reglas de asociación y análisis de afinidad en los artículos de picking

Resumen

En este artículo vamos a evaluar si es factible identificar oportunidades que permitan, reorganizando las ubicaciones de picking de ciertos productos, reducir el tiempo requerido para preparar y, en consecuencia, obtener un ahorro de costes. En concreto nos vamos a centrar en localizar relaciones y reglas entre los distintos productos (SKUs).

El análisis que presentamos podemos encuadrarlo dentro del término más amplio de slotting. Básicamente, vamos a evaluar técnicas que nos permitan acomodar los artículos en picking de modo tal que hagamos más eficiente el proceso de preparación de pedidos.

Al igual que en otras ocasiones intentaremos ser muy prácticos aunque no podemos obviar un mínimo de teoría a modo de introducción.

La teoría

Existe un concepto, muy extendido en Marketing, denominado Análisis de la cesta de la compra. Este tipo de análisis permite a las empresas identificar el comportamiento de sus compradores ya que detecta vínculos entre productos difícilmente localizables en el día a día debido al alto volumen de transacciones. Este tipo de análisis requiere manipular un enorme volumen de información, el cual es irrealizable sin herramientas informáticas adecuadas.

El Análisis de la cesta de la compra podemos clasificarlo dentro del término más amplio de Análisis de afinidad, es decir, análisis para detectar relaciones entre variables. También en este ámbito podemos encuadrar las reglas de asociación con las que se pretenden detectar relaciones en un conjunto amplio de datos.

Pues bien, estas técnicas son aplicables a la Logística. Si somos capaces de identificar en los pedidos que tenemos que preparar artículos muy relacionados podemos proceder a agruparlos físicamente en la misma zona de almacén para evitar desplazamientos innecesarios reduciendo el tiempo de preparación y, en consecuencia, aumentando la productividad de nuestros operarios.

No obstante, tenemos un inconveniente muy importante. El mismo que tiene Marketing a la hora de aplicar estas técnicas: el volumen de datos.

Como sabemos, recibimos una enorme cantidad de pedidos con numerosas líneas e intentar descubrir relaciones en esa enorme cantidad de datos puede resultar una actividad titánica sin los medios adecuados. En las próximas páginas encontrará una herramienta que puede facilitarle este tipo de análisis. Esta herramienta se enmarca dentro de los productos informáticos enfocados a la minería de datos (datamining).

Herramientas

Ilustración 1: Pantalla Principal de KNIME

Para la exposición de este caso hemos utilizado una excelente herramienta gratuita denominada KNIME. Como indican sus desarrolladores, KNIME es una plataforma modular de exploración de datos que permite al usuario crear flujos de datos visualmente, ejecutar algunos o todos los pasos de modo selectivo e investigar posteriormente los resultados de vistas interactivas de los datos o modelos. Es decir, con ella podemos manipular un elevado volumen de datos, aplicar algoritmos que manipulan dichos datos y obtener resultados que nos permiten llegar a conclusiones que, de otro modo, no serían identificables. Toda una herramienta de minería de datos al alcance de nuestra mano.

En el presente documento usaremos una parte ínfima de esta potente herramienta así que dejo en manos del lector que explore las amplias posibilidades de la misma.

En próximos documentos seguiremos realizando ejercicios que den una visión de la potencia de la misma.

Aunque para el caso que nos ocupa hemos hecho uso de una base de datos MySQL es posible realizar el análisis a partir de archivos de texto.

Caso práctico de análisis de afinidad de artículos en picking.

En el caso real que exponemos a continuación vamos a partir de la siguiente información:

• 1.176 pedidos, 509.929 líneas y 4.960 artículos repartidos en 4.967 ubicaciones de picking.

Toda esta información, como indicamos en el punto anterior, se encuentra almacenada en una base de datos MySQL.

Paso 1: Conectar a los datos.

El primer paso a establecer la conexión a los datos. Para ello, incluimos un nodo Database Reader. En el establecemos la conexión jdbc a nuestra base de datos. Como se puede observar en Ilustración 2: Database Reader. Datos si la conexión ha sido correcta podremos visualizar los datos a manipular (en nuestro caso, el código del pedido -PedidoID- y el código del articulo -ArticuloID-).

Ilustración 2: Database Reader. Datos

En caso de disponer de la información en un archivo de texto es posible usar un nodo File Reader.

Paso 2: Transformar los datos

Para poder ver qué artículos aparecen en cada pedido aplicamos un nodo Pivoting. Este tipo de nodo permite crear una tabla de doble entrada con la información procedente del nodo anterior (Database Reader).

Como resultado obtenemos una tabla de doble entrada: en las filas se indica el número de pedido, en las columnas el número de artículo y en la tabla se obtiene el número de veces que el artículo aparece en el pedido.

Ilustración 3: Pivoting

Una de las notables funcionalidades de esta herramienta es la posibilidad de ejecutar cada nodo individualmente y revisar los resultados. Una vez comprobado cada nodo es posible ejecutar todos ellos en conjunto.

Paso 3: Creando un vector

La información obtenida hasta ahora no se puede manipular fácilmente para localizar artículos relacionados. Por ello, al resultado de la tabla Pivoting le vamos a aplicar un nodo Bitvector Generator el cual convierte cada fila de la tabla cruzada en un vector (visible en decimal o hexadecimal). El resultado es una tabla como la que observamos en Ilustración 4: Bivector Generator.

Ilustración 4: Bivector Generator

Esta última transformación que hemos aplicado permite obtener la información en la estructura deseada para poder aplicarle el correspondiente nodo de minería de datos.

Paso 4: Minería de datos

Llegados a este punto nos encontramos en el punto crítico del análisis que estamos exponiendo. Incorporamos a nuestro diagrama un nodo Association Rule Learner que recibe como información de entrada la resultante del nodo Bivector Generator. Este nodo es el que realiza el análisis de afinidad e identifica artículos relacionados.

Ilustración 5: Association Rule Learner

A

Para entender el resultado de este nodo debemos explicar algunos conceptos. En primer lugar, hemos indicado un soporte (support) , el cual refleja el número de casos en que se debe cumplir la regla resultante. En nuestro caso hemos puesto un mínimo de soporte 0,5, es decir, las condiciones que se obtienen se han de cumplir en, al menos, el 50% de los pedidos que estamos analizando. Este dato puede verse en la columna Support de la Ilustración 5: Association Rule Learner. También hemos indicado un máximo de 10 artículos por fila.

Además, en el presente análisis hemos solicitado que nos indique las reglas de asociación con un nivel de confianza (confidence) de 0,8. Este nivel de confianza nos indica con qué probabilidad se debe cumplir la regla. Al poner un nivel de 0.8 indicamos que en el 80% de los pedidos en que se pide un conjunto de artículos se va a pedir el artículo indicado en la regla.

Con estos conceptos somos capaces de leer, por ejemplo, la regla 1.875: En el 52.5% de los pedidos se piden los artículos 44709, 65245, 72976 y 44706 y existe, en estos casos, una probabilidad del 96.7% de que en el pedido se solicite también el artículo 73324.

Paso 5: Tabla de resultados

Ilustración 6: Interactive Table

Finalmente incorporamos un nodo Interactive Table para poder proceder a manipular los resultados obtenidos en la minería de datos. A partir de aquí podremos exportar la información, ordenarla, ir a un dato concreto...

Paso 6: Análisis de la ubicación de los artículos

Como último paso es necesario cotejar los artículos resultantes de las reglas con sus ubicaciones en el almacén. Siguiendo con el ejemplo de la regla 1.875:

Ilustración 7: Ubicaciones. Regla 1.875

La nomenclatura de las ubicaciones en este caso es Pasillo-Posición en pasillo-altura. En este caso, 4 artículos están en pasillo 13 y uno está en el pasillo 31. Por tanto, es conveniente evaluar si es interesante trasladar el artículo 72976 al pasillo 13 para reducir desplazamientos.

El análisis realizado es necesario aplicarlo a todas las reglas resultantes para identificar áreas de oportunidad en la reorganización de las ubicaciones de picking.

Conclusiones

Es evidente, a la vista de los resultados, que la minería de datos y, en concreto, las reglas de asociación y el análisis de afinidad son técnicas que pueden ser muy útiles a la hora de aumentar la productividad y reducir los costes logísticos.

Es necesario, no obstante, tener en cuenta las limitaciones que, entre otras, nos encontramos en este tipo de análisis:

• El volumen de datos debe ser representativo para que no lleguemos a conclusiones erróneas.

• El nivel de soporte (support) y el nivel de confianza (confidence) deben tener valores los suficientemente altos como para que el resultado sea relevante.

• Al plantearnos el traslado de artículos a otras ubicaciones de picking hemos de considerar que exista homogeneidad en las características de los productos (ej.: por mucho que queramos trasladar un producto de congelados a una zona de temperatura ambiente esto no será posible aunque detectemos una regla de asociación).

Si tiene preguntas, o desea información adicional, puede contactarnos en

Esta dirección de correo electrónico está protegida contra los robots de spam, necesita tener Javascript activado para poder verla