Machine Learning(3/3) - Resultados de la Predicción

Tras el primer post de introducción a los algoritmos de Machine Learning y siguiendo el segundo dónde se trataba el estudio de la serie temporal y el algoritmo que se ha decidido utilizar, llega el último post de esta serie.

Se comenzará con una gráfica que refresque la memoria sobre cuáles eran los datos de los que se disponía, a continuación, se pasará a ver la predicción realizada por R y por último se representará de forma gráfica mediante una herramienta de B.I los consumos reales y las predicciones realizas, así como el error cometido por las predicciones frente a los consumos reales.

¿Por qué es importante predecir?

Como se describió en el anterior post, es importante reconocer las futuras ventas para así poder gestionar los recursos dentro de la organización, reduciendo los costes operativos.

Los datos sobre los que se realizará la predicción, tal y como se observa en la siguiente imagen,corresponden a las ventas desde Junio 2014 a Enero 2017.

consumos

Se ha realizado una predicción de 10 meses, entre Febrero y Noviembre.

Se dispone de los datos de los meses entre Febrero y Noviembre para realizar la comparación entre la predicción y las ventas reales.

Predicciones usando el Algoritmo Arima en RStudio

Tras aplicar el algoritmo Arima, obtenemos en R los siguientes resultados:

resultados R

 

Representados de forma gráfica en R, se obtiene lo siguiente:

resultados representados R

La línea gris representa el consumo real en el pasado. La línea azul marca la predicción realizada y las zonas sombreadas, la azul representa el intervalo de confianza del 80% mientras que en la zona sombreada gris se representa el intervalo de confianza del 95%.

El intervalo de confianza es cuanto puede diferir la realidad frente a la predicción de modo que, por ejemplo, en el caso del intervalo del 95%, representa un intervalo en el que hay una posibilidad del 95% de que el consumo en ese mes se mantenga dentro de dicho intervalo.

A priori, se puede ver que en agosto del 2017 las ventas van a caer de forma significativa, mientras que los meses más cercanos va a haber una gran venta de este producto. Esto no es para nada descabellado, si nos fijamos en los años anteriores se observa que todos los meses de agosto el consumo es muy bajo y en los meses colindantes el consumo es muy elevado. También podemos observar que en marzo va a haber una caída en los consumos, que se corresponde con el resto de los años, pues se puede observar una caída acusada en el tercer mes de todos los años.

Ciertamente, extraer algunas conclusiones sobre la predicción a priori está bien, pero, sería mucho mejor si pudiésemos contrastar la predicción con los consumos reales y comprobar cuán buenos son los resultados obtenidos. A continuación, se muestra la gráfica que representa este escenario:

resultados representados qlik

En azul tenemos los consumos anteriores. En rojo tenemos los consumos reales entre los meses de Febrero y Octubre del 2017 y, por último, con barras amarillas representamos las predicciones realizadas por Arima.

Como podemos observar nuestra predicción se adecua de una manera muy precisa a los datos reales de ventas.

Calidad de la predicción

Para medir cuán bueno es una predicción frente a los resultados reales se utiliza la siguiente fórmula, que recibe el nombre de Error Medio de Porcentaje (EMP):

 formula 1

donde CR es el consumo real y  PC es la predicción de consumos realizada.

Del mismo modo, se puede calcular el Error Absoluto Medio de Porcentaje (EAMP) mediante la siguiente fórmula:

formula 2

En este caso, EMP = -5.30%  y EAMP=5.30% . Por consiguiente, estamos ante una predicción muy precisa.

Objetivos alcanzados con el uso de Algoritmos de Machine Learning

De esta forma, se concluye con esta serie de post, cuyos objetivos eran:

            1.- Conocer los algoritmos de Machine Learning.

            2.- Elegir el algoritmo adecuado para nuestros datos y nuestros objetivos.

            3.- Realizar la predicción de forma adecuada.

            4.- Obtención y representación de forma gráfica de los resultados.

Que se pueden predecir las ventas de una referencia y de este modo ajustar los recursos de una empresa en función de las necesidades que puedan surgir derivadas de poder adelantarse al futuro y tener una predicción que es capaz de representar de una forma muy precisa la realidad.

Jueves, 23 Noviembre 2017 20:06

WAR ROOM Black Friday

Escrito por

Tenemos por delante un gran reto, conseguir que la Logística de uno de los grandes del textil salga victoriosa de la guerra, en uno de los eventos del marketing más agresivos del año (Black Friday y Cyber Monday)

"La guerra es un juego serio en el que uno compromete su reputación, sus tropas y su patria."                   Napoleón I (1769-1821) Napoleón Bonaparte. Emperador francés.

WarRoom

Nuestros generales lo tienen claro, lo primero que necesitamos es tener visión absoluta, y en tiempo real, sobre nuestro campo de batalla, la cadena de suministro, para ello nos apoyaremos en una torre de control de datos.

Estamos preparados, tenemos nuestro centro de mando, conectado y sincronizado, estamos ante una guerra tecnológica, pero contamos con todos los actores tradicionales, generales (directores de proyecto), capitanes (coordinadores-facilitadores) y por supuesto, los soldados (científicos de datos, a los que podemos ver más abajo). 

 warroom personas

"Estar preparados para la guerra es uno de los medios más eficaces para conservar la paz." George Washington (1732-1799) Primer presidente de los Estados Unidos.

Nuestra estrategia para ganar la guerra del Black Friday:

  1. Lo primero, hacernos con la colina, necesitamos ver más claro y mejor que el resto. Integraremos todas las fuentes de información necesarias, y las visualizaremos en tiempo real (SGA, ERP, Operadores Logísticos…).
  2. Adelantarnos estratégicamente. El análisis de datos en tiempo real nos ayudará a detectar anomalías, además analizaremos en tiempo real el sentimiento de nuestros clientes, quejas e incidencias para actuar con la mayor celeridad.
  3. 23111955

  4. Decidir eficazmente. En base a todos los análisis se definirán escenarios de actuación y se decidirá entre ellos a través de matrices de ponderación donde influirán distintos factores: velocidad, desviación entre previsión y realidad, saturación de sistemas, nivel de servicio, coste…
  5. Recoger los cuerpos y darlos sepultura. Es fundamental después de un evento (guerra) como este, volver a la normalidad y estabilizar los sistemas y recursos a la mayor velocidad posible, además será clave también gestionar las incidencias de la forma más ágil y resolutiva posible.

Esperemos que nuestros análisis sean un éxito y nos ayuden a ganar la guerra.

Podemos ayudar a ganar guerras, batallas y el día a día. Nuestro arma “Los datos”.

"No puedo creer que me condecoren. Yo creía que era necesario conducir tanques y ganar guerras." John Lennon (1940-1980) Cantante y compositor británico.

Para conocer más información sobre nuestras torres de control de datos, contáctanos - Esta dirección de correo electrónico está protegida contra spambots. Usted necesita tener Javascript activado para poder verla.

Siguiendo el post de la semana pasada que servía de introducción a los algoritmos de Machine Learning , se realizará una predicción de consumos. Partiendo de consumos pasados, se tratará de predecir los futuros y ver cómo se ajusta la predicción a la realidad.

Para ello se analizarán los datos de los que se dispone, qué es la estacionalidad  y en qué afecta a los algoritmos de aprendizaje y por último la elección del algoritmo y su programación en lenguaje R.

Machine Learning - Predicción de consumos

El objetivo final de esta serie de post será conseguir adelantarse a eventos futuros y de esta forma poder anticipar los recursos necesarios en la empresa para hacer frente, tanto a los picos como a los valles en las ventas.

¿Qué datos necesitamos para poder predecir utilizando algoritmos de Machine Learning?

Se dispone de los datos de ventas agrupados por mensualidades, datando, los más antiguos, de Junio del 2014 y, los más recientes, de Enero del 2017. Se busca  realizar una predicción de 9 meses. Se dispone además de los datos reales entre los meses de Febrero y Octubre del 2017 para, una vez realizada la predicción, poder comparar con los resultados de la misma.

A continuación, se muestra la gráfica de los consumos:

consumos

Series estacionarias y series que tienen estacionalidad

El estudo de la serie temporal de la que se dispone es una de las complejidades del proceso de selección del algoritmo de preddición.

Lo primero de todos, es determinar si la serie es o no estacionaria (stationary serie o non-stationary serie). La gran mayoría de los algoritmos de predicción están diseñados para realizar las predicciones sobre series estacionarias; por lo que es muy importante entender cómo es una serie estacionaria. Como se puede ver en este enlace, se puede identificar de manera gráfica si nuestra serie es o no estacionaria. Existen tres criterios para poder clasificar si la serie es o no estacionaria:

  • La media de la serie temporal no debe tener dependencia del tiempo, es decir, debe de ser constante. Como se muestra en la siguiente imagen, la gráfica verde se corresponde con la gráfica estacionaria, donde podemos ver que la media es constante y en la gráfica roja se puede observar que la media va aumentando en función del tiempo.

estacionalidad

  • La varianza de la serie temporal debe de ser constante, es decir, no debe variar en función del tiempo. Como en el caso anterior, la verde correspondería a una serie estacionaria, frente a la no estacionaria, en rojo. En la primera de ellas la varianza es constante, mientras que en la segunda la varianza varía con el tiempo, ya que como se observa la diferencia entre los máximos y los mínimos es mayor en la zona central de la gráfica roja.

estacionalidad 2

 

  • El útlimo criterio, está relacionado con la covarianza entre un punto “i” de la serie temporal y el punto “(i+m)” de la serie temporal. En estos puntos, la covarianza debe de ser constante en el tiempo. Como se puede observar a continuación, la gráfica roja no cumple este requisito dado que dicha gráfica se “encoge” y “alarga” en función del tiempo, mientras que la gráfica verde tiene todos los máximos y los mínimos a la misma distancia.

 estacionalidad 3

Otro de los puntos importantes a la hora de aplicar un algoritmo de predicción es saber si la serie tiene estacionalidad (seasonal serie o non-seasonal serie). Es decir, es importante desestacionalizar la serie para eliminar los periodos de más o menos ventas, como puede ser la temporada de verano o la de invierno.

Tras estudiar los datos representados en la primera de las gráficas, es fácil observar que esta serie no es estacionaria y tampoco tiene una estacionalidad marcada, simplemente se vende menos en Agosto y en Diciembre.

El algoritmo que se utilizará dado a las propiedades identificadas en el proceso anrerior, se localiza en el programa estadístico R y se trata de la función “auto.arima”. Esta función de R trabaja con series estacionarias o no y con series que tengan o no una estacionalidad marcada.

Por último, se utilizará Knime con la integración de R. Aquí se encuentra otro post relacionado con Knime y R. A continuación se muestra una imagen de cómo quedaría la interfaz gráfica en Knime.

knime

Arima como algoritmo de predicción

Por consiguiente, para realizar una predicción de ventas, donde sólo se dispone de las ventas a pasado, un algoritmo fácil de utilizar es el algoritmo Arima. Por ello, como ya se ha comentado, para utilizar este algoritmo se recurre a la función de R “auto.arima”. Esta función trabaja tanto con series estacionarias o no estacionarias y con series que tengan una estacionalidad marcada o no. Por todo ello, esta función de R es la elegida para realizar esta predicción.

En el próximo post

En el post de la semana que viene, se representarán los resultados de manera gráfica y se comparará la predicción realizada con los consumos reales durante los meses evaluados.

 A lo largo de las próximas semanas, desde LIS-Solutions publicaremos una serie de post relacionados con diferentes algoritmos utilizados en Machine Learning.

Tipos de Algoritmos

 La gran mayoría de algoritmos de Machine Learning, se engloban en tres grupos principales:

  1. Supervised Learning o aprendizaje supervisado: este tipo de algoritmos es útil cuando se tiene una propiedad conocida para un conjunto de elementos, pero, no se conoce esa misma propiedad en un elemento concreto. Estos algoritmos nos ayudarán a predecir cuál es esa propiedad que se desconoce.
  2. Unsupervised Learning o aprendizaje no supervisado: este tipo de algoritmos es útil para descubrir relaciones implícitas en un conjunto de datos pero que no son conocidas. Es decir, permite considerar que varios elementos pertenecen a un mismo grupo o a diferentes grupos gracias al estudio de sus características.
  3. Reinforcement Learning o aprendizaje por refuerzo: este tipo de algoritmos es una mezcla entre los dos tipos anteriores. Dado que es un post de iniciación no se va a profundizar en este tipo de algoritmos dado su dificultad.

A continuación, repasamos algunos de los algoritmos de aprendizaje supervisado/no supervisado.

Algoritmos de aprendizaje supervisado

 El primero de los algoritmos que nos encontramos y más intuitivo son los árboles de decisión

En este post, ya explicábamos la importancia y el funcionamiento básico de este tipo de algoritmos. Los árboles de decisión buscan básicamente clasificar elementos a partir de una serie de variables.
Dentro de este grupo de algoritmos encontramos algunos como:

  • CART (Classification And Regression Tree)
  • ID3 (Iterative Dichotomiser 3)
  • CHAID (CHi-squared Automatic Interaction Detector)

decision tree

Otro de los algoritmos más importantes del aprendizaje supervisado es el algoritmo de clasificación de Naive Bayes.
Este algoritmo, a partir de unos elementos ya conocidos, es capaz de clasificar un nuevo elemento sin saber a qué grupo pertenece.
Este algoritmo suele ser utilizado en los siguientes casos:

  • Coches autónomos: por su capacidad de determinar la velocidad que debe llevar el vehículo partiendo por ejemplo: del estado en que se encuentra la calzada o la pendiente de la misma.
  • Localizar correos considerados como Spam tras analizar las palabras que aparecen en el correo.
  • Clasificación de artículos por el tema del que hablan.

naive bayesEl tercero de los algoritmos que se encuentra dentro de este grupo de algoritmos es la regresión ordinaria por mínimos cuadrados.

Este algoritmo trata de estimar los valores que no se conocen. Para ello se utiliza el método matemático conocido como regresión lineal por mínimos cuadrados. Trata de ajustar una línea lo mejor posible a un grupo de elementos y a partir de ahí interpretar el posible resultado que tiene un elemento con una propiedad a determinar.

 regresion ordinaria

Para terminar este grupo de algoritmos, hay que mencionar que hay otros algoritmos de este tipo como pueden ser: regresión logística, máquinas de vectores de soporte y métodos de conjunto.

Algoritmos de aprendizaje no supervisado:

El primero de los algoritmos que nos encontramos en este grupo, son los algoritmos de agrupamiento. LIS-Solutions ya realizó un estudio del Análisis de componentes principales junto a un algoritmo de agrupamiento: K-means.
Estos algoritmos se utilizan para agrupar de forma conjunta los elementos que más parecido tengan entre sí. Es decir, son algoritmos que agrupan los elementos basándose en alguna característica concreta.
En este grupo encontramos diferentes tipos de algoritmos, como:

  • Algoritmos basados en centroides (Centroid-based algorithms): estos algoritmos si representamos los elementos en un gráfico de puntos, calculan el punto medio de ellos que minimiza las distancias. K-means es un algortimo de este tipo.
  • Algoritmos basados en densidad (Density-based algorithms): estos algoritmos buscan agrupar los puntos por cercanía a los puntos de alrededor. Un algoritmo que está comprendido en esta familia sería K-NN (k-nearest neighbors) o K vecinos más próximos.

Como información adicional, mencionar la existencia de algoritmos basados en conectividad (Connectivity-based algorithms), probabilísticos (Probabilistic), reductores de dimensionalidad (Dimensionality Reduction) y las redes neuronales (Neural networks) que también entrarían dentro de este grupo.

non supervised

Otro de los algoritmos que encaja en este grupo de aprendizaje no supervisado es el algoritmo PCA (Principal Component Analisys) o análisis de componentes principales. Dicho algoritmo, tratado en este post , realiza una reducción desde unas variables iniciales al mínimo número posible de ellas. Lo que se consigue es representar el máximo posible de información en el mínimo de variables posibles.

pca



Dentro del aprendizaje no supervisado encontramos algoritmos como el algoritmo de “Valor singular de descomposición” (Singular Value Decomposition) o análisis de componentes independientes (independent component analisys: ICA).

non supervised 2 

 

¿Cómo elegir el mejor algoritmo para nuestro proyecto?


Lo primero y más importante para elegir con éxito el algoritmo que más se adapta a nuestras necesidades es:

  • Determinar qué queremos conseguir
  • Ver de qué datos disponemos

Una vez que se tienen claros estos dos puntos y conociendo los algoritmos de machine learning existentes, podremos escoger el que mejor se adapte a nuestras necesidades.
Por ejemplo, si queremos saber quién ha escrito un texto, nuestro algoritmo sería Naive Bayes, sin embargo, si queremos saber dónde poner geográficamente dos hospitales en un territorio y queremos que estén en los puntos más cercanos posibles a los mayores núcleos de población, nuestro algoritmo es K-means.

En la próxima entrada...

En el caso que trataremos en el próximo post, realizaremos una predicción de consumos. Partiendo de consumos pasados, trataremos de predecir los futuros y ver cómo se ajusta nuestra predicción a la realidad. Os invitamos a visitar nuestro blog durante la espera.

Martes, 31 Octubre 2017 09:25

Algoritmo PCA: de lo complejo a lo sencillo

Escrito por

Cuando alguien se encuentra ante una situación compleja, siempre se trata de simplificar el problema inicial para poder ir resolviéndolo de la forma más sencilla a la más compleja a la vez que se va adquiriendo la experiencia necesaria para solventar el problema inicial.

Reducción de variables

Partiendo de un problema con múltiples variables, se busca entender qué relación existe entre ellas. Para ello, el primer paso será reducir al máximo posible las variables de las que se dispone. Una vez conseguido este paso, representaremos de manera visual el resultado obtenido y así podremos observar cómo se agrupan los datos de manera fácil e intuitiva.

Se dispone de un archivo csv que almacena el histórico de unas órdenes de compra de unas piezas. El objetivo de este análisis de datos es agrupar las piezas que, por características, estén unas próximas a las otras, es decir, que se encuentren cercanas unas de otras en el espacio. Hacer esto en un espacio de 12 Dimensiones no es sencillo ni representable gráficamente. Para ello, desde LIS-Solutions se plantean reducir el número de variables al menor número posible de ellas. Para llevar a cabo este cambio, se decide utilizar una técnica matemática conocida como “Análisis de Componentes Principales”.

¿Qué es un “Análisis de Componentes Principales” o PCA? y ¿para qué sirve?

Es un método matemático que se utiliza para reducir el número de variables de forma que pasemos a tener el mínimo número de nuevas variables y que representen a todas las antiguas variables de la forma más representativa posible. Es decir, si se reduce el número de variables a dos o tres nuevas, se pueden representar los datos originales en el plano o en un gráfico de 3-dimensiones y, así, se visualiza de forma gráfica un resumen de nuestros datos. El simple hecho de poder tener los datos de manera visible simplifica mucho el entender qué puede estar pasando y ayuda a tomar decisiones.

A continuación, se procede con el análisis de las órdenes de compra. No se entrará en los detalles puramente matemáticos dada su complejidad.

El primer paso de todos es observar mediante la siguiente gráfica cuántas componentes principales debemos coger.

data pca

Elección número de componentes principals

 

Como se ve en el gráfico anterior, las tres primeras componentes aglutinan la mayor varianza, por lo que podemos decir que son las componentes principales las principales para realizar el análisis. Sin embargo, para poder representar de forma bidimensional los resultados a lo largo de este post, escogeremos sólo las dos primeras. En el siguiente gráfico Podemos ver qué influencia ejerce cada variable en las nuevas componentes principales:

componentes

Influencia de cada variable en las dos componentes principales

Como podemos observar, las variables que más peso ejercen sobre la primera de las componentes principales son las medidas de las piezas, mientras que las variables que más peso ejercen sobre la segunda de las componentes principales son el resto de las variables, teniendo una mayor influencia el año en el que se realizó la compra y el número de la orden de la compra. Se podría decir que la primera componente principal representa las características de las piezas compradas mientras que la segunda componente principal representa las propiedades de la compra.

Una vez que se sabe que representa cada una de las variables, se representan en dos dimensiones. Se representa en el eje ‘x’ la primera de las componentes principales y en el eje ‘y’ la segunda de las componentes principales. De este modo se obtiene el gráfico 3. En él se puede observar la representación de los datos de inicio en dos dimensiones.

De esta forma, se puede hacer una interpretación de cada una de las órdenes de compra. Se puede ver que la orden de compra número 46 (arriba a la izquierda en el gráfico 3), al igual que la compra 108 (arriba a la derecha) podrían considerarse outliers. Pero sin duda, lo que más llama la atención de este gráfico es que más del 80% de los datos están condensados en dos grupos, destacados por dos círculos rojos. Esto nos indica que las órdenes de compra que no están próximas a estos grupos son las que provocan una varianza mayor en el precio de las órdenes de compra. Cuanto más a la derecha se encuentre una orden de compra más cara debe de ser y cuanto más a la izquierda se localice esta orden más barata ha de ser. Esto lo deducimos del gráfico 2 y cómo influye cada variable en las componentes principales.

 graph pca 1

Representación gráfica en las dos principales componentes

Clasificación de los datos por medio del algoritmo K-Means

Una vez realizado esta representación gráfica, pasamos a utilizar el algoritmo K-means. Este algoritmo sirve para localizar grupos dentro de una “nube de puntos”, que en este caso son las compras. Se ha decidido agrupar los datos en tres grupos, por lo tanto, se está realizando el algoritmo K-means con K=3. El resultado obtenido es el siguiente:

graph pca 2

Gráfico K-means

Se obtienen, por consiguiente, tres grupos. Como se había mencionado primero, había dos grupos claramente diferenciados (ahora en rojo uno y en azul el otro) y, localizamos otro tercer grupo, formado por el resto de los puntos que representan todos los datos que se “salen” de los dos grupos de órdenes de compras mencionados previamente.

Para continuar con el análisis y sacar conclusiones más profundas e importantes, habría que realizar un análisis en profundidad sobre los datos del tercero de los grupos representados en color verde.

Conclusión.

Cuando nos encontremos con multitud de variables que analizar, lo mejor es reducir estas variables al mínimo para poder representarlas de manera gráfica e intuitiva. Una vez hecho este paso, se pueden aplicar otro tipo de técnicas, como en este caso, que sirven para entender aún de forma más clara y explícita para qué usar los datos o cómo interpretarlos.

Este tipo de análisis de datos es muy útil para poder relacionar variables entre ellas y entender cómo están relacionadas. Aplicado a logística, por ejemplo, este estudio se puede aplicar también para decidir en qué lugar geográfico es mejor asentar un almacén. Si consideramos que los puntos de la última imagen son clientes finales y tenemos pensado construir tres almacenes desde donde distribuir los productos de una empresa, podremos saber el lugar óptimo dónde asentar los almacenes sería en el centro de cada uno de estos grupos, consiguiendo que la distancia desde el almacén a los clientes sean las mínimas.

Viernes, 20 Octubre 2017 09:48

BIND 4.0 - Presentación LIS-Solutions

Escrito por

Siguiendo la entrada en la que anunciábamos la preselección de LIS-Solutions en el programa Bind 4.0 y una vez realizado el pitch el pasado lunes 16 de Octubre en el Parque Tecnológico de Miramón. Nos gustaría aprovechar una segunda entrada de blog, esta vez a modo de presentación "versión extendida" de: qué, quiénes y cómo trabajamos en LIS-Solutions.

Un Poco de Historia.

LIS-SOLUTIONS es una Ingeniería especializada en analítica avanzada para la Industria.

Fundada en 2013 simultáneamente en Alemania y España desarrolla proyectos de consultoría logística y  análisis de datos, en 5 países (España, Alemania, Suiza, Austria y Portugal) Actualmente cuenta con 15 personas en España y 3 en Alemania repartidas en sus delegaciones de: Vitoria-Gasteiz, Madrid, Barcelona, Santander, Ulm y Stuttgart.

Productos.

Quickcheck Pro: la herramienta de diagnóstico estrella de LIS-Solutions, con la que en menos de 72 horas se puede visualizar el estado general de la empresa analizada y realiza una comparación de los indicadores principales con empresas de su entorno.

Visual Tower Pro: A través de esta herramienta es posible tener una completa visión de toda el negocio desde una perspectiva elevada hasta los detalles más significativos evaluando todo el proceso desde el pedido al cobro.

Zero Shutdowns: Se trata de un software y un conjunto de herramientas que basados en algoritmos predictivos permiten anticiparse a las paradas de máquinas y gestiona visualmente el pool de máquinas en tiempo real.

Proyectos

MANGO: Empresa del sector textil en el que desarrollamos una Torre de Control para gestionar la venta y distribución de productos comercializados por E-Commerce. A través de más de 20 KPIs MANGO podrá analizar en tiempo real la situación de su cadena logística.

BMW: con el fin de mejorar las condiciones de trabajo de sus operarios en su fábrica de Munich, requería de un estudio de análisis avanzado para encontrar el puesto idóneo para cada trabajador en función de ciertas limitaciones físicas y discapacidades. Tras un estudio de análisis matricial de más de 2.5 millones de combinaciones el algoritmo sugería a cada jefe de área el puesto donde cada operario podría desarrollar su trabajo de manera más ergonómica, tras lo cual se consiguió un aumento de un 15% de la productividad de estas personas.

ARKOPHARMA: Empresa líder del sector fitosanitario, requirió de un estudio de viabilidad basándonos en las BBDDs, a través de las cuales creamos un modelo digital de su negocio y pudimos analizar el ROI de sus planes de futuro. En una segunda fase instalamos Quickcheck Pro ® para monitorizar su nuevo proceso logístico

¿Más información?

Si quieres conocer de primera mano más información sobre nuestros:

No dudes en contactar con nosotros

Miércoles, 18 Octubre 2017 07:25

LIS-Solutions - Nueva delegación en Madrid

Escrito por

Es bien sabido que para el éxito de los proyectos de consultoría y análisis de datos, la cercanía al cliente para mantener un trato personalizado y una fluidez en la comunicación es fundamental. Por ello LIS-Solutions ha decidido abrir una nueva oficina, elegante, fresca y dinámica en Boadilla del Monte, Madrid. 

 

oficina lis madrid1

 

4+2 oficinas y en aumento.

Con esta nueva oficina que se suma a las ubicadas en Vitoria-Gasteiz, Santander y Barcelona, son ya 4 las oficinas que poco a poco amplían la red de lugares de trabajo de esta empresa especializada en la Consultoría Logística dentro de territorio peninsular. Estas, sumadas a las localizadas en Ulm y Stuttgart en tierras germanas, hacen un total de 6. 

 

map lis

Contacta con nosotros y ven a conocernos.

Si quieres visitar nuestras instalaciones, contacta con nosotros.

Ven a conocer a los profesionales y los servicios con los que trabajamos: 

 

 

 

Un total de 385 empresas de la industria 4.0 se inscribieron para esta edición del programa de aceleración Bind 4.0, 50% más que la edición del año pasado. Startups de 57 países diferentes, siendo India, Colombia, España, Brasil y Francia los países más representados. Entre las candidatas, el BIG DATA e IoT son los campos más populares.

 

all startups

 

¿Qué es el programa Bind 4.0?

Bind 4.0 es una aceleradora público-privada en la que intervienen el Gobierno Vasco y las diputaciones forales, así como las firmas ABB, CAF, CIE Automotive, DanobatGroup, Euskaltel, Iberdrola, ITP-Rolls Royce, Mercedes Benz, Michelin, Repsol-Petronor, Microsoft y Siemens. Las startups seleccionadas, que se espera que provengan de todo el mundo, recibirán formación comercial especializada durante seis meses de la mano de mentores de prestigio internacional, acceso a un contrato remunerado y facilidades para la financiación de sus proyectos.

 

 bind40

 

El plato fuerte es la relación entre empresas ya asentadas y las de nueva creación en el ámbito de la Industria 4.0, que establecerá en formato cliente-proveedor. De esta manera, las startups accederán tanto a facturación real como a un gran cliente que es referencia de primer nivel y que les abrirá después otras puertas.

A las empresas colaboradoras, además de identificar talento en el que invertir, Bind 4.0 les ayudará a mejorar su competitividad y posicionamiento dentro de la llamada cuarta revolución industrial. En lo que a los mentores se refiere, figuran emprendedores locales de prestigio como Eneko Knörr o Mikel Irizar, directivos de grandes corporaciones como Samsung, Microsoft o el MIT y expertos en inversiones industriales como Guillermo Arregui y Gonzalo Martínez de Azagra.

all companies

 

La iniciativa aspira a mejorar el ecosistema emprendedor vasco y a posicionar a Euskadi como centro de desarrollo industrial avanzado y polo de atracción de talento internacional. En este momento, Bind 4.0 está en periodo de inscripción de interesados, fase que concluirá el próximo 16 de septiembre. La lista de startups seleccionadas se publicará a finales de octubre y el programa comenzará el 14 de noviembre.

 

¿Quienes participan en esta edición?

LIS-Solutions ha sido una de las startups preseleccionadas, para la próxima edición de Bind 4.0. Esta edición dará comienzo a principios del próximo año y durará hasta junio. La selección final se hará después de que tengan lugar la entrevistas individuales con los diferentes partners del programa. Las start-ups preseleccionadas provienen de 24 países diferentes y representan los diferentes campos de Industry 4.0: IoT, Big Data, VR / AR, CyberSecurity, Robótica Colaborativa y Fabricación de Aditivos.

 

Bind 4.0 & LIS-Solutions ¿Cómo encaja LIS-Solutions?

LIS-Solutions, pretende acompañar aquellas empresas en pleno proceso de transformación digital, para ello hemos presentado a las empresas participantes un overview de algunos de nuestros proyectos sobre: 

 

 

Lunes, 02 Octubre 2017 08:48

NetStock: Optimizando los niveles de Stock

Escrito por

 A la hora de minimizar costes y riesgos, cualquier empresa que tenga stock disponible es primordial  también tener un nivel de stock óptimo.

¿Qué es el nivel de Stock?

El nivel de stock es la cantidad de productos que se tienen almacenados y disponibles para su venta en los almacenes de la organización.

El nivel de stock puede medirse tanto en cantidad de artículos como en el valor de coste de dicha cantidad, siendo esta última medida la más utilizada.

A la hora de optimizar el stock de una empresa es importante seguir un modelo matemático que, basándose, por ejemplo, en consumos anteriores, sea capaz de calcular cuál sería el nivel óptimo de stock.

Es importante tener en cuenta que no sirve reducir los productos que tenemos almacenados de manera aleatoria, sino que debe hacerse de la forma adecuada para mantener siempre los niveles mínimos de seguridad y evitar así roturas de stock.

LIS-Solutions desarrolla como fase previa a la optimización de stock, la captura y tratamiento de la información referente a stock con la herramienta de minería de datos Knime.

Una vez tratados y transformados los datos necesarios, estos son enviados a la herramienta basada en cloud-computing: NetStock.

NetStock es capaz de realizar predicciones de niveles óptimos de stock y nos muestra el estado actual de cada uno de nuestros almacenes.

dashboard netstock

Imagen 1. Visualización principal de NetStock

Veamos más detalladamente cada una de las fases que seguimos:

Proceso ETL con Knime.

En primer lugar, creamos un workflow en Knime con el que haremos la fase de ETL (“Extract, Transform and Load”), donde trataremos los datos y prepararemos los ficheros necesarios para que NetStock pueda realizar sus cálculos posteriores.

 

workflow knime

 

Imagen 2. Workflow en Knime. ETL

 

En este primer paso, leemos los datos de las fuentes involucradas y creamos todas las tablas necesarias para así poder alimentar de datos a NetStock.

Una vez realizado este paso, los datos son procesados por NetStock. En este punto obtenemos una interfaz gráfica que nos muestra los principales KPI´s (“Key Performance Indicator”). Véase Imagen 2.

Por ejemplo, podemos observar en Stock holding el valor actual de nuestro stock en el almacén que sería de 34 millones mientras que el stock óptimo sería de 10.3 millones. Justo debajo podemos observar las cinco primeras referencias que mayor exceso de stock tiene. Además, podemos ver otros indicadores, por ejemplo, las potenciales roturas de stock y los cinco productos con un mayor riesgo de quedarse sin stock.

reference summary

 

Imagen 3. Resumen de una referencia

Por lo tanto, con una precisa y elaborada extracción de los datos y su tratamiento adecuado, podemos tener unos indicadores que reflejan la situación actual de nuestros almacenes en cuanto a stock se refiere y, a la vez, tener un modelo que optimiza nuestros niveles de stock, reduciendo así el riesgo de roturas y minimizando el dinero pasivo que tendremos en nuestro almacén.

NetStock: Predicción de consumos

Por otro lado, mencionar que NetStock no sólo se queda en esta parte tan superficial, si no que muestra la información de cada referencia así como una predicción a futuro del consumo de la misma:

predictions

 

Imagen 4. Predicción de consumos para una referencia

Por lo tanto, nos encontramos ante una herramienta muy completa y compleja, pero a la vez sencilla de entender y de manejar, para que a un solo click tengamos el resumen de consumos pasados y niveles de inventario junto a los KPI´s más importante y además tengamos una predicción de ventas a futuro. Como consecuencia, nos encontramos ante una de las mejores herramientas del mercado que se encarga de representar gráficamente el estado de los almacenes y de optimizar nuestros niveles de stock.

Domingo, 01 Octubre 2017 17:04

MADE IN CHINA 2025 - Industria 4.0

Escrito por

El gobierno chino recientemente dió a conocer las directrices de implementación de su estrategia "Made in China 2025".

Las directrices describen basicamente la reforma del sector manufacturero chino, haciendo gran hincapié en la producción basada en innovaciones, que llevaría al país hacia una economía de mayor valor añadido. La estrategia, que es en esencia similar a la seguida por Alemania y su proyecto "Industrie 4.0", creará una de las rivalidades más grandes a los esfuerzos aplicados por Alemania.

¿Motivación? La desaceleración de la economía china.

La economía china estaba creciendo intensamente durante la última década, gracias a las crecientes inversiones en el sector manufacturero del país. Entre 2006-2016, la facturación de la industria manufacturera china en términos reales se expandió, llegando a ser la producción de bienes intermedios y de tecnología los principales contribuyentes al crecimiento. Sin embargo, hoy en día, el ritmo de crecimiento del sector manufacturero está disminuyendo drásticamente. En 2016 la tasa se desaceleró a sólo el 5%, en comparación con el más del 20% por año de hace una década.

Los rápidos aumentos de los salarios en China, junto con la maduración del mercado interno y la mediocre expansión económica mundial, son los principales impulsores del cambio. El salario promedio en la industria manufacturera en China registró un incremento del 10% anual en el período 2006-2016 en términos reales, lo que terminó con una mano de obra china al menos dos veces más cara que en otros países de bajo costo en la región. Como resultado, algunos inversionistas extranjeros han comenzado a mirar oportunidades en el extranjero y el país busca encontrar nuevos motores de crecimiento para impulsar el crecimiento después de la era de los costos más baratos que parece que llega a su fin.

crecimiento manufacturero china

VOLUMEN DE CRECIMIENTO DEL VOLUMEN DEL SECTOR MANUFACTURERO DE CHINA ENTRE 2006-2016

China desafia el programa Alemán.

Dadas las tendencias actuales, las reformas son inevitables, o China no podrá proporcionar suficiente crecimiento económico como para asegurar un desarrollo sostenible. La estrategia "Made in China 2025" proporciona los incentivos correctos para hacer frente a la deteriorada competitividad del país, como las operaciones de bajo valor añadido, la falta de innovación y el aumento de los costos laborales, así como los otros problemas del país, como la contaminación.

En primer lugar, el sector manufacturero de China sigue siendo principalmente de baja tecnología. El valor agregado como proporción de la facturación manufacturera total se sitúa en 19% en China a partir de 2016, mientras que los países desarrollados gozan de cifras significativamente más altas: 34% en Alemania y 33% en Estados Unidos. Aumentar la eficacia de este sector es un área en la que la estrategia "Made in China 2025" es la que más puede ofrecer. Sin embargo, a diferencia de la industria alemana "Industrie 4.0", que hace hincapié en las actividades de digitalización, la estrategia china prioriza las esferas que los alemanes ya han solucionado, como la producción de piezas de origen nacional, el uso creciente de contenido local y marcas propias.

En segundo lugar, la estrategia está relacionada con la expansión de la capacidad de I + D. Las actividades de I + D en China siguen siendo relativamente débiles, ya que los centros de diseño centrales de los productos manufacturados de China suelen permanecer en países desarrollados. En la estrategia, China esbozó 40 nuevos centros de I + D que se desplegarán con el fin de impulsar las innovaciones en el sector manufacturero. Estos centros estarán compitiendo con los países desarrollados, que ya cuentan con capacidades de I + D bien establecidas y empresas de mente innovadora listos para responder a los esfuerzos de China.

En tercer lugar, China corre el riesgo de verse presionada por dos lados: los países de bajo costo, donde la producción de productos de consumo, como la electrónica de consumo, y los desarrollados, donde los productos de mayor valor agregado deberían regresar gracias a la cuarta revolución industrial. Tener una estructura de producción digitalizada efectiva podría ayudar a China a mantener a las compañías extranjeras en el país, ya que los costos laborales tendrían un papel menor, mientras que las empresas extranjeras también tendrían que retener las instalaciones locales de producción para lograr la eficiencia general de los costos promovida por la Industria 4.0.

top paises manufactureros industria 40

PRINCIPALES PAÍSES CON MAYOR TASA DE FABRICACIÓN Y DISPUESTOS A ADOPTAR LA INDUSTRIA 4.0

Viabilidad del programa chino.

Si bien la estrategia china es ambiciosa, China tendrá que enfrentarse a una serie de problemas si quiere abrazar la cuarta revolución industrial y competir con Alemania, que ya tiene ventaja sobre China.

La estrategia china incluye la priorización de los productos nacionales, que ya está causando cierto estrés entre los inversionistas extranjeros en el país. La Cámara de Comercio de la Unión Europea en China expresó su preocupación porque la estrategia da prioridad a los fabricantes nacionales, lo que eventualmente reduciría las actividades de las compañías extranjeras. La estrategia, por lo tanto, podría llevar a algunas molestias entre los inversionistas extranjeros y representar una amenaza para el flujo de inversión en el país.

Además, la estrategia china supone toda la reorganización de la economía, mientras que Alemania promueve el uso de la tecnología digital en las industrias actuales, que ya producen productos de alto valor añadido. La mezcla de la producción china podría tener que ser cambiado de acuerdo a la estrategia y la eliminación de las operaciones de bajo valor añadido, como el ensamblaje de productos electrónicos de consumo, podría ser perjudicial para la economía, cuando se emplea una parte importante de la población.

Por último, la protección de datos, la seguridad cibernética, la neutralidad de la red y temas relacionados tendrá que ser resuelto en China, si se quiere implementar la Industria 4.0. La cuarta revolución industrial incluye cantidades masivas de datos, que compradores, proveedores, fabricantes, proveedores de servicios logísticos y otros están de acuerdo en compartir para lograr una alta eficiencia. Sin embargo, en China esta zona sigue siendo muy mal gestionada y el país se retrasa en la mayoría de las calificaciones en cuanto a las áreas como la preparación de la computación en la nube, mientras que Alemania se coloca entre los líderes en línea con Estados Unidos y Japón.

Puede obtener más información sobre la cuarta revolución industrial en nuestro blog y nuestra sección sobre industria 4.0

Página 1 de 8