Análisis de los datos en los centros de distribución.

Distribución no es mas que la colocación de un producto desde el productor

hasta el consumidor cumpliendo mínimos estándares de prontitud, oportunidad
y calidad, de lo cual en definitiva depende la competitividad de un producto en
un mercado dentro de los parámetros exigidos por los mercados globalizados
que son mucho más elevados que los mercados individuales.

La distribución física no es más que el conjunto de operaciones tendientes a

lograr este fin que incluyen a múltiples comerciante vinculados con la
prestación de servicios de porteo, transporte, desaduanizaje, etc. La clave
radica en realizar esta tarea en el mejor tiempo posible en las cantidades
precisas y al menor costo.

El concepto de distribución Física Internacional, que cubre el conjunto de

actividades involucradas en el traslado de los bienes, materias primas,
insumos o productos terminados desde el punto de origen en el país
exportador hasta el lugar de consumo.

El concepto de distribución Física Internacional, que cubre el conjunto de

actividades involucradas en el traslado de los bienes, materias primas,
insumos o productos terminados desde el punto de origen en el país
exportador hasta el lugar de consumo, venta o futura transformación del país
importador, fue lento en su desarrollo y aceptación empresarial, pero ha
logrado establecer en los últimos años un campo de proporciones significativas
a nivel mundial. Un gran aumento en la producción mundial ha ocurrido durante
el presente siglo, y miles de nuevos productos han sido introducidos en los
mercados internacionales. Por otra parte, el sistema para elaborar un producto
completo en una planta han sido reemplazado ampliamente por operaciones
individuales en varias plantas que en muchos casos se encuentran bastante
alejadas entre si, y los mercados se han extendido geográficamente,
distanciando enormemente los puntos de producción, distribución y
consumo. Estos fenómenos han dado lugar al nacimiento de áreas específicas
de estudio en la empresa manufactura moderna, ya que los suministros de la
producción incluyen diversos materiales que deben ser extraídos,
transportados y almacenados en varias etapas del proceso productivos, y la
distancia que estos deben ser movilizados, el tiempo que deben ser
almacenados y la facilidad de sustituir una materia prima por otra parte
constituyen áreas significativas para la toma de decisiones gerenciales. Para
que los materiales lleguen a línea de producción a tiempo, en la cantidad y
condiciones requeridas sin perdidas por inmovilización de capital, es necesario
una coordinación eficiente de los diferentes factores anteriormente
mencionados, que se constituyen por lo tanto en un elemento importante para
la rentabilidad de la empresa. La disciplina de la Distribución Física
Internacional puede contribuir a este objetivo ofreciendo los medios necesarios
en la ampliación de mercados y mejora de la competitividad de los
productos. Como actividades o subsistemas importantes dentro de la cadena
de Distribución Física Internacional podemos mencionar el transporte,
manipulación de materiales, embalaje, almacenamiento, control de inventarios,
1
procesamiento de pedidos, análisis de locales y la red de comunicaciones
necesarias para su efectiva administración: los cuales deben ser controlados
en conjunto, debido a la interrelación existente entre los mismos. Así por
ejemplo, una modificación en el embalaje produce efectos sobre el transporte,
almacenamiento y manipulación, entre otros. La incidencia que tiene el
embalaje en la cadena de DFI .

Como ejemplo podemos tener dos casos reales:

Ejemplo A
Nuevos métodos para análisis visual de mapas auto-organizativo

El mapa auto-organizativo (MAO) es un tipo de red neuronal artificial

competitiva y no-supervisada. Ha sido utilizado tradicionalmente en tareas de
ingeniería como herramienta de clasificación automática (clustering) y
especialmente en tareas relacionadas con el análisis exploratorio de datos y la
minería de datos, ya que su propósito principal es la visualización de relaciones
no-lineales de datos multidimensionales. Sin embargo, a pesar de la
importancia de la tarea de visualización, las técnicas gráficas para analizar
MAO no son abundantes en la literatura. Esta tesis presenta varias técnicas
nuevas que complementan, mejoran y facilitan el análisis visual de MAO de
Kohonen, tanto desde el punto de vista del análisis exploratorio de datos, como
desde el punto de vista de comprender el proceso de adaptación del MAO a
una distribución de datos. La motivación para desarrollar técnicas de
visualización nuevas surge por los siguientes motivos: IÍL relativa carencia de
métodos destinados a la importante tarea de visualización, la necesidad de
analizar MAO con diferentes métodos, la necesidad de mejorar varios métodos
descritos en la literatura y la posibilidad de innovar desarrollando nuevas
estrategias de visualización. De esta manera, se ha hecho hincapié en
desarrollar técnicas generalmente no utilizadas con anterioridad en un intento
por superar limitaciones de varios métodos descritos en la literatura. El primer
nuevo método denominado "método de semejanza de triángulos" consiste en
una estrategia de interpolación geométrica donde los patrones de una
distribución de entrada son proyectados a un espacio de observación continuo.
Está basado en la preservación de la semejanza geométrica entre varios
triángulos formados por un patrón y dos vectores de referencia del MAO en el
espacio de los datos, y por un punto candidato y las dos correspondientes
neuronas en el espacio de observación. El método encuentra la proyección
minimizando una función de coste que mide distancias o errores entre varios
triángulos. El método supera notablemente a otras estrategias de interpolación
descritas en la literatura. Puede proyectar todos los datos de manera no-lineal,
resulta adecuado cuando el tamaño del MAO es pequeño, es robusto y puede
describir adecuadamente ciertos tipos de distribuciones difíciles de visualizar
con la mayoría de métodos de visualización. Varios métodos de visualización
de MAO generan imágenes monocromáticas las cuales son analizadas
individualmente y aportan información específica sobre los datos. Se propone
una estrategia para facilitar la labor del analista a la hora de combinar la
información de varios métodos mediante una simple superposición de

2
imágenes basada en un modelo aditivo de colores. Las imágenes son definidas
con colores diferentes y combinadas mediante una simple suma de sus
componentes de color. Las imágenes resultantes son más completas y
robustas, especialmente cuando las imágenes a combinar aportan el mismo
tipo de información. El estudio llevado a cabo se centra principalmente en la
combinación de matrices de distancias con histogramas de datos. Una
alternativa a las matrices de distancias, que generan imágenes
monocromáticas y son los métodos más populares para visualizar la estructura
de clusters de los datos, consiste en emplear estrategias que ilustren los
diferentes clusters mediante colores diferentes. Una de estas estrategias
consiste en utilizar modelos de contracción de neuronas. Se presenta un
eficiente método de contracción, el "algoritmo de agrupación de neuronas",
cuya estructura y filosofía es similar a la del algoritmo de entrenamiento de los
MAO, donde los conceptos han sido invertidos para actualizar las posiciones de
las neuronas en un mapa continuo en vez de los propios vectores de referencia
del MAO. De esta manera, las neuronas son atraídas en el mapa en función de
la distancia entre sus vectores de referencia en el espacio de los datos. Su
principal ventaja es su bajo coste computacional que lo habilita para analizar
MAO de tamaño elevado. Finalmente, el trabajo propone una técnica
alternativa basada en la visualización explícita en el mapa o espacio de
observación de grafos que unen neuronas cuyos vectores de referencia se
hallan próximos en el espacio de los datos, como son el árbol generador
mínimo o el "grafo Hebbiano" creado con el principio de aprendizaje Hebbiano
competitivo. Las imágenes resultantes ayudan a analizar la dimensión
intrínseca de los datos en cada zona del mapa y aportan una medida visual e
intuitiva de la preservación de la topología del MAO.

Referente: http://oa.upm.es/251/

Ejemplo A
Análisis inteligente de datos para mejorar los sistemas de distribución de agua
Investigadores del Centro Multidisciplinar de Mecánica de Fluidos (CMM) de la
Universidad Politécnica de Valencia están trabajando en la aplicación de
técnicas de análisis inteligente de datos –Minería de datos- para mejorar los
sistemas de distribución de agua. Entre otras, los expertos del CMMF trabajan
con técnicas evolutivas y, en concreto, con la denominada Particle Swarm
Optimization (PSO).
“Estamos utilizado técnicas denominadas evolutivas que tratan de imitar el
comportamiento inteligente de determinados grupos gremiales de animales, por
ejemplo las hormigas, capaces de organizarse para conseguir su objetivo
mediante cierta transmisión de la información de unas a otras, o los pájaros y
su evolución en bandadas guiados por su propio instinto personal pero también
siguiendo a unos u otros líderes, y aplicar esto a diversos problemas
relacionados fundamentalmente con las redes de agua”, señala el catedrático e
investigador, Joaquín Izquierdo.

3
Por ejemplo, cuando un ingeniero tiene que diseñar una red de distribución de
agua, parte de unos datos básicos, como son la topografía del terreno y las
demandas que se esperan en determinados lugares, y tiene que tratar de
ubicar y dimensionar la red para que responda a esos requisitos, con unas
necesidades básicas, en términos de cantidad y calidad de agua.

Pero, ¿qué relación hay entre la evolución una bandada de pájaros y el

proceso de diseño de un sistema de distribución de agua? Según explica
Joaquín Izquierdo, en el problema del diseño de una red, cada pájaro codifica
una posible red, con todas sus tuberías de determinados diámetros y otros
elementos, y con un coste asociado determinado.
“El objetivo es encontrar la de coste menor. Las combinaciones son tantas que
una búsqueda exhaustiva es inviable. Además, hay ciertas restricciones, por lo
que no todas las combinaciones valen. Entonces, se crea una bandada de
pájaros, cada uno representando una solución potencial del problema, y se los
hace volar ( evoluciona r) bajo tres premisas: cada pájaro recuerda su historia
reciente , lo que le evita un comportamiento caótico ; trata de asemejarse a la
mejor configuración que tuvo en algún momento, siendo ésta la componente de
inteligencia individual; y también trata de asemejarse al líder de la bandada, el
pájaro que codifica la mejor red , lo que constituye la componente de
inteligencia colectiva . Conforme la bandada evoluciona sobrevuela mejores
zonas y el pájaro líder al final del vuelo proporciona la red mejor, la de menor
coste ” , explica Joaquín Izquierdo.

Mantenimiento y seguridad de la red

Las técnicas de análisis inteligente de datos pueden emplearse igualmente
para calibrar una red, detectar fugas, en definitiva, para conocer mejor el
estado de conservación de la red de abastecimiento de agua, saber qué
elementos son más vulnerables o cuándo se tiene que proceder a algún tipo de
rehabilitación de una tubería. Finalmente, esto se traduce en una gestión mejor
del agua y, por tanto, en una mejora del servicio y en ahorro de agua.
“Las compañías de agua disponen de ingentes cantidades de datos. Las
técnicas de Minería de datos son capaces de explorar entre todos ellos y
obtener patrones, relaciones y tendencias del comportamiento de la red. Estas
técnicas permiten hacer una introspección mayor en los datos para obtener
información que no es visible”, apunta Joaquín Izquierdo.
Asimismo, la aplicación de estas técnicas ayudaría también a reducir los
niveles de fugas en las redes de distribución, a identificar tomas no
autorizadas, detectar intrusiones, etc. “… permitiría intervenir antes, al detectar
con mayor rapidez los problemas, y hacerlo además de una manera más
acertada, ya que la red estará perfectamente calibrada” , añade el catedrático
Joaquín Izquierdo.
4
Los expertos del CMMF están aplicando también la PSO a otros fines diversos,
como diseñar redes de evacuación, realizar análisis de clusters en bases de
datos, optimizar una cadena de suministro de biomasa o simular el proceso de
evacuación de personas de edificios y otros lugares de riesgo (por ejemplo, en
incendios), etc.
Fuente: UPV
Referente:

http://www.plataformasinc.es/index.php/esl/Noticias/Analisis-inteligente-de-
datos-para-mejorar-los-sistemas-de-distribucion-de-agua