Evaluación de la optimización del slotting en almacén de cervecería : mejora de la eficiencia de almacenamiento y distribución mediante la construcción de un modelo de aprendizaje por refuerzo de IA
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Este trabajo propone un modelo basado en Aprendizaje por Refuerzo (AR) para optimizar el slotting en almacenes de cervecerías, abordando un problema crítico en logística: la ubicación ineficiente de productos aumenta costos operativos y reduce la productividad. Para ello, se implementó el algoritmo Advantage Actor-Critic (A2C), que entrena a un agente inteligente para posicionar mercancías considerando variables clave como la distancia a las bahías de carga y la capacidad por producto. El estudio se desarrolló en un almacén de una cervecería nueva en Colombia, seleccionado por su volumen reducido de artículos y espacios delimitados, lo que permitió un entorno controlado ideal para validar el modelo. El diseño partió de una búsqueda de algoritmos de AR aplicados a logística, identificando el A2C como el más adecuado por su equilibrio entre eficiencia y adaptabilidad. Además, se analizaron parámetros operativos —frecuencia de pedidos— para definir reglas de priorización. La intervención incluyó el análisis del layout del almacén, lo que permitió ajustar el modelo a las necesidades reales. Los datos históricos de pedidos de meses anteriores alimentaron la simulación, replicando condiciones reales sin alterar la operación en curso. Los resultados demostraron una reducción significativa en las distancias recorridas por los montacargas, lo que sugiere mejoras tangibles en eficiencia y potenciales ahorros en costos logísticos. Estos hallazgos respaldan el uso del Aprendizaje por Refuerzo para optimizar procesos de almacenamiento. El modelo no solo es escalable a almacenes de mayor capacidad, sino que también ofrece un marco metodológico adaptable a otros contextos logísticos donde la dinámica de inventario sea un desafío operativo. (Texto tomado de la fuente)
Abstract
This study proposes a Reinforcement Learning (RL) model to optimize slotting in brewery warehouses, addressing a critical logistics challenge: inefficient product placement increases operational costs and reduces productivity. The Advantage Actor-Critic (A2C) algorithm was implemented to train an intelligent agent in positioning goods, considering key variables such as distance to loading bays and product capacity. The research was conducted in a new brewery warehouse in Colombia, selected for its limited inventory volume and confined spaces, providing an ideal controlled environment for model validation. The design began with a review of RL algorithms applied to logistics, identifying A2C as the most suitable due to its balance of efficiency and adaptability. Operational parameters—such as order frequency—were analyzed to define prioritization rules. The intervention included an analysis of the warehouse layout, enabling model adjustments to real-world needs. Historical order data from previous months fed the simulation, replicating actual conditions without disrupting ongoing operations. Results demonstrated a significant reduction in forklift travel distances, suggesting tangible efficiency improvements and potential logistics cost savings. These findings support the use of Reinforcement Learning for storage optimization. The model is not only scalable to larger warehouses but also provides a methodological framework adaptable to other logistical contexts where inventory dynamics pose operational challenges.
Palabras clave propuestas
Descripción
ilustraciones a color, diagramas