Cadena de Suministro 4.0
un reto que tiene Colombia frente a la dinámica de desarrollo global es el de adoptar y desarrollar nuevas tecnologías en procesos industriales. a nivel global, la nueva tendencia es la industria 4.0, que contiene una serie de elementos que propenden por un desarrollo orientado a la sostenibilidad y a la eficiencia en la producción. Por lo que las fábricas en el país deberán entrar en la búsqueda constante de la automatización de sus procesos para aumentar la competitividad.
Esto implica, por ejemplo, introducir sensores y redes de comunicaciones que permitan, en tiempo real, adquirir información para monitorear, conocer cómo avanzan los procesos en la fábrica y entender las dificultades a partir de los datos que se generan en la línea de producción, en la distribución de productos e incluso en los mismos almacenes. algunos de estos temas hacen parte de la gestión de cadenas de suministros, en la que se encuentra la Cadena de Suministro.
Actualmente, se habla ahora del término de la Cadena de Suministro 4.0. dentro de los temas que implican el desarrollo de la logística , se encuentra el Internet de las Cosas (IoT, por sus siglas en inglés) en los diversos procesos, no solo con el objetivo de generar datos que permitan entender la distribución, sino también el almacenamiento, las cantidades de materia prima con las que se cuenta, la administración de bodegas y el manejo de la materia prima entre proveedores. los datos que se producen desde el uso del IoT deben ser llevados a la nube y, desde el uso de redes de comunicación, generar información que sea posible analizar y que oriente la toma de decisiones, haciendo uso de la inteligencia artificial.

Queremos mostrar cómo en Colombia se podrían generar estrategias para estimular el desarrollo de la cadena de suministro 4.0 desde el reconocimiento de los principales drivers y barreras de entrada que afectan o estimulan el crecimiento de la industria en el país. Entenderemos por drivers los elementos que impulsan el crecimiento de la industria y, por barreras de entrada, los aspectos que bloquean o impiden el desarrollo en Colombia. Los drivers y barreras de entrada los clasificamos en seis factores: Políticos, económicos, sociales, tecnológicos, ambientales y legales. En la figura se resume este item.

Tendencias de la Inteligencia Artificial aplicada en la Cadena de Suministro en Colombia
La industria de la cadena de suministro se enfoca en el desarrollo de productos o servicios para el seguimiento de procesos de la cadena de suministro en tiempo real. En donde las principales propuestas que se han desarrollado son las RFID (identificación por radiofrecuencia, por su siglas en inglés), sensores, procesos en la nube, blockchain y herramientas de inteligencia artificial. Otros tipos de productos o servicios de la industria han desarrollado soluciones para la gestión de cadenas de suministro, en donde utilizan tecnologías como Machine Learning, con el fin de dar respuesta a necesidades derivadas de procesos de gestión de cadenas de suministro, transporte y gestión de inventarios, entre otros. Finalmente, incluyen servicios y herramientas, basados e Big Data, Analítica, Aprendizaje Automático, Business Intelligence y similares, como se muestra en la figura

Pasos para implementar Cadena de Suministro 4.0
Para lograr la implementación de proyectos que impliquen Cadena de Suministro realizamos los siguientes pasos:
1. Integración de Variables
Para lo cual vamos a modelar la integración todos los factores y variables que afectan a los cultivos que impactan el tiempo y el costo que de manera general hemos identificado:
- Distancias
- Tipo medio de transporte
- Identificación
- Rutas a cubrir
- Tipo de materiales
- Nivel de Inventarios
En este puntos se revisan los drivers del costo para identificar cual va hacer el foco en el cual va determinar el modelamiento, es decir cual va hacer la variable objetivo, que para este caso va hacer el menor tiempo y que hace más rentable o no el ejercicio.
3. Estructuración de la Información y Modelamiento
Este paso consiste en recopilar la información que esta disgregada en diferentes fuentes descritas anteriormente y los costos asociados a la actividad. En este punto es muy desafiante ya que por lo general es una información que no se tiene muy fielmente, pero se puede trabajar y lograrlo. Al tener la información se procede a la estructuración del modelo el cual me va a permitir predecir con las variables definidas como va hacer la productividad y el costo que me implica para maximizar la rentabilidad.
4. Prototipos y Escalamiento
En este punto se revisa si es necesario algún dispositivo que habría que implementar en el cultivo por ejemplo obtener datos , se hace la definición en situ sobre el lote y tamaño del mismo; como también se controlan las variables las cuales al final del ciclo, el cual valida el tiempo que el modelo predice. Se hacen los ajustes pertinentes y se escala de acuerdo a los resultados obtenidos.
5. Desarrollo de la aplicación
Como parte esencial de este punto es como se vuelve amigable al usuario el modelo para que pueda ser versátil y le pueda sacar el máximo provecho, que sea intuitivo y lo pueda usar inclusive desde su equipo móvil.
Aplicación Distribución de Mercancías en Bogotá
1. Integración de Variables
Para este problema tenemos que tener claro que puntos en la ciudad tenían que cubrirse, en que tiempo y las afectaciones por tráfico y como se esquematiza

2. Análisis de Problema
Considere esto: un conductor de la empresa de distribución con 25 paquetes tiene 15 billones de rutas posibles para elegir. Y si cada conductor recorre solo un kilometro más de lo necesario cada día, la compañía estaría perdiendo en dinero una suma considerable. Si bien se tendría todos los datos de sus camiones y rutas, no hay forma de que puedan ejecutar billones de cálculos por cada conductor con sus paquetes.
El problema aquí es que este algoritmo requiere tener algunas entradas, digamos el tiempo de viaje entre cada par de ubicaciones. En términos simples, podemos usar el poder del aprendizaje automático para pronosticar los tiempos de viaje entre cada dos ubicaciones y usar un algoritmo para encontrar la mejor ruta de viaje para nuestro vehículo de reparto.
3. Modelamiento
Para el modelamiento de este problema se aborda en dos partes, la primera, se aplica un modelo de machine learning para predecir el tiempo entre puntos y el segundo es la optimización de la ruta, en la cual se usa un algoritmo genético para encontrar la ruta óptima en base a la predicción del tiempo.
Algoritmo Predicción de duración de Viaje
Se aplicaron diferentes algoritmos para poder predecir la duración de viaje, el que mejor resultado fue con XGBoost


Algoritmo de Optimización
Nos basamos para resolver el problema de optimización en un algoritmo genético.



4. Prototipo
En esta fase probamos el modelamiento y hacemos seguimiento al funcionamiento de la aplicación.

5. Aplicación
Se generó una aplicación para poder visualizar y mejorar la experiencia.