machine learning logistica medicamentos nadro

Datos Generales del Caso

  • Nombre de la empresa: Nadro
  • Industria o Sector: Logística y suministro de productos farmacéuticos, de salud y de cuidado personal
  • Ubicación / País: México
  • Tecnología Aplicada: Machine Learning, Forecasting, Business Intelligence
  • Herramientas Utilizadas: Python, Algoritmos de Machine Learning personalizados, Microsoft SQL Server, SSIS – SQL Server Integration Services, Power BI, Microsoft SQL Server Analysis Services

Resumen Ejecutivo

Nadro, una empresa líder en la logística y suministro de productos farmacéuticos en México, implementó una solución avanzada de Machine Learning desarrollada por Tecnología bi para optimizar la precisión de sus pronósticos de distribución y venta (forecast de ventas y distribución). Esta implementación redujo significativamente los costos de gestión de devoluciones y mejoró la eficiencia operativa en sus 14 centros de distribución en México.

Contexto y Desafío

Situación Inicial: Nadro se enfrentaba a varios problemas relacionados con la gestión de inventario y distribución:

  • Información dispersa y heterogénea, con una elevada carga manual para la consolidación.
  • Generación manual de estados de resultados mediante planillas Excel complejas y extensas.
  • Información contable y financiera proveniente de múltiples fuentes heterogéneas sin criterios comunes.
  • Información de ventas de distintos orígenes según el canal, con formatos incompatibles y sin herramientas de consolidación.
  • Presupuestación manual en planillas Excel.
  • Generación manual de reportes para la alta dirección, con tiempos de procesamiento elevados.

Esta falta de exactitud en las estimaciones comerciales generaba sobreabastecimiento en los distribuidores y puntos de venta, resultando en altas tasas de devolución de productos no vendidos y generando costos adicionales de transporte, almacenamiento y logística.

Objetivos del Proyecto

  1. Reducir el costo de gestión de devoluciones mediante pronósticos más precisos.
  2. Minimizar el impacto de las devoluciones en el estado de resultados económico de la empresa.
  3. Optimizar la distribución de productos farmacéuticos para mejorar las ventas y la salud de los consumidores.

Solución Implementada

Para abordar estos desafíos, Tecnología bi desarrolló e implementó una solución integral de Machine Learning que incluyó:

  1. La captura y análisis de datos históricos de ventas a nivel de puntos de venta en México.
  2. La creación de modelos predictivos específicos para diferentes tipos de productos (temporales, crónicos, perecederos, etc.).
  3. La automatización del proceso de pronóstico y la integración de los resultados en el sistema de gestión de la cadena de suministro.

Proceso de Implementación

  1. Captura y Análisis de Datos: Se recolectaron datos de ventas de un año y se dividieron en tres partes: entrenamiento (1/3 de los datos), preparación (1/3 de los datos) y validación (1/3 de los datos) del algoritmo.
  2. Desarrollo de Modelos Predictivos: Se entrenaron algoritmos personalizados para cada tipo de producto, reduciendo problemas de overfitting y underfitting. Estos algoritmos fueron capaces de prever con alta precisión las demandas futuras, adaptándose a las particularidades de cada categoría de producto.
  3. Integración y Automatización: Los modelos se integraron en el sistema de gestión de Nadro, permitiendo la automatización del pronóstico y la distribución de productos. Esto incluyó la utilización de herramientas como Microsoft SQL Server, SSIS para la integración y transformación de datos, y Power BI para la visualización y análisis de los datos.

Tecnologías y Herramientas Utilizadas

  • Python: Para el desarrollo de algoritmos de Machine Learning personalizados.
  • Microsoft SQL Server: Para el almacenamiento y procesamiento de datos.
  • SSIS – SQL Server Integration Services: Para la integración y transformación de datos.
  • Power BI: Para la visualización y análisis de datos.
  • Microsoft SQL Server Analysis Services: Para el análisis avanzado y la creación de cubos OLAP.

Complejidad de la Segmentación de Productos

El proyecto presentó un desafío adicional debido a la complejidad de la segmentación de productos, que abarcaba diferentes categorías con características específicas:

  • Lácteos: Productos con fechas de vencimiento cortas que requieren una gestión rigurosa del inventario y la cadena de frío.
  • Productos Temporales: Como el protector solar, cuya demanda es estacional y requiere modelos de predicción específicos.
  • Productos Crónicos: Medicamentos para condiciones crónicas como la hipertensión o la diabetes, que tienen una demanda relativamente constante pero crítica.
  • Productos Perecederos: Que necesitan una rotación rápida y eficiente para evitar pérdidas.

Cada categoría de producto requería modelos de Machine Learning específicos para tratar sus particularidades, lo cual implicó un desarrollo más complejo y detallado de los algoritmos predictivos.

Resultados Obtenidos

Impactos Cuantitativos:

  • Reducción del Error de Pronóstico: La precisión promedio de los pronósticos mejoró significativamente, reduciendo el error promedio al 5% y alcanzando una precisión del 95% a nivel de unidades y pagadores.
  • Reducción de Costos de Devoluciones: La implementación de la solución permitió una reducción notable en los costos asociados con la gestión de devoluciones, incluyendo transporte, almacenamiento, cadena de frío y mano de obra.
  • Mejora en la Eficiencia Operativa: La automatización del proceso de pronóstico y la integración de los resultados en el sistema de gestión redujo el tiempo y los recursos necesarios para la gestión de inventario y distribución.

Impactos Cualitativos:

  • Mejora en la Toma de Decisiones: La disponibilidad de información precisa y actualizada permitió una mejor toma de decisiones operativas y estratégicas.
  • Satisfacción del Cliente: La mejora en la precisión de los pronósticos y la optimización de la distribución de productos resultaron en una mayor disponibilidad de productos y una mejor satisfacción del cliente.
  • Reducción del Impacto Ambiental: La optimización de la logística de transporte y almacenamiento contribuyó a reducir el impacto ambiental de las operaciones de Nadro.

La opinión del Cliente

«La implementación de esta solución ha transformado nuestra capacidad de pronosticar y distribuir productos de manera eficiente, reduciendo costos y mejorando nuestra operación»

Gerente de Operaciones de Nadro

Conclusión y Proyecciones

La solución de Machine Learning desarrollada por Tecnología bi ha permitido a Nadro mejorar significativamente la precisión de sus pronósticos de ventas y distribución, reduciendo costos y optimizando la cadena de suministro. Esto ha resultado en una mayor eficiencia operativa, una mejor satisfacción del cliente y una reducción del impacto ambiental.

Nadro planea continuar expandiendo el uso de esta tecnología para incluir la gestión de inventarios y prevenir quiebres de stock. Además, se explorará la aplicación de análisis predictivos en otras áreas operativas, como la optimización de rutas de distribución y la gestión de la cadena de suministro, para continuar mejorando la eficiencia y sostenibilidad de la empresa. La integración de tecnologías de inteligencia artificial también está en consideración para optimizar aún más los procesos operativos y estratégicos, asegurando una ventaja competitiva sostenida en el mercado.

Exploremos las oportunidades
para tu negocio

Cuentanos tus necesidades de negocio  y exploremos las mejores soluciones disponibles 

contacto