Luego de conseguir el bachillerato en Ingeniería Industrial por la Universidad de Lima, Rodrigo Errea obtuvo un MBA por el Massachusetts Institute of Technology (MIT) de Estados Unidos. Hoy, nuestro egresado trabaja como gerente sénior de Productos en el área de Supply Chain Optimization Technologies en Amazon, donde pronostica la demanda de más de 200 millones de productos vendidos por Amazon.com. Errea fue el ponente de la conferencia “IA y ML en la Industria 4.0: inteligencia artificial y machine learning en la automatización de la cadena de suministro”, organizada el 24 de septiembre por nuestra Carrera de Ingeniería Industrial.
El expositor indicó que existe más de una definición de machine learning, inteligencia artificial y analytics, pero que lo relevante consiste en el uso de los datos para construir modelos que ayuden a tomar las mejores decisiones, lo que permite agregar valor a la empresa, los clientes y los trabajadores mediante la resolución de problemas reales, la automatización de las decisiones, la optimización de los procesos y el aumento de la ventaja competitiva.
Errea se explayó sobre los siguientes tipos de analytics y machine learning: descriptiva, que busca entender lo que sucedió y por qué; predictiva, que pronostica lo que ocurrirá; y prescriptiva, que determina las mejores decisiones que podrían ser tomadas. Nuestro egresado agregó que, gracias a los avances tecnológicos, uno de los beneficios más notable de las herramientas mencionadas es la velocidad con la que se obtiene la sugerencia de una decisión que podría ser la óptima.
En cuanto al uso de machine learning, analytics y la inteligencia artificial en la cadena de suministro, el experto se refirió a la optimización de los costos, los inventarios y la distribución; la automatización de la planificación, la detección de anomalías, la predicción de las entregas, entre otras acciones.
Asimismo, Errea expuso diversos casos prácticos. El ponente detalló un ejemplo de optimización de los costos de entrega, en el que la empresa ofrece enviar los productos a los clientes en un período de tres días o menos. Sin embargo, los costos de entrega se incrementan debido a la alta demanda. Entonces surge un desafío: ¿cómo optimizar los costos sin aumentar los tiempos de entrega e impactar a los clientes? Luego se desarrollan los diagnósticos y aparecen las recomendaciones y las conclusiones: en el enfoque descriptivo, después de analizar los datos de los clientes, se observa que muchos de ellos efectúan pedidos en días consecutivos, por lo que el ahorro por medio del envío de varios pedidos al mismo tiempo sería significativo; en el análisis predictivo, se decide construir un modelo para predecir la probabilidad de que un cliente haga pedidos en días consecutivos; y en el enfoque prescriptivo, luego de estudiar las predicciones sobre cada cliente, se determina que sería óptimo esperar un día para despachar en caso de que la probabilidad de realización de pedidos consecutivos sea alta.