2 of 17

Rodex

Rodex es una empresa del sector de manufactura que quiere mejorar la eficiencia operativa para facilitar la toma de decisiones, a través de la optimización del inventario y por consecuencia, el incremento de las ventas.

3 of 17

Identificación de área de oportunidad.

Actualmente, la empresa Rodex realiza sus pronósticos de ventas utilizando métodos tradicionales, como la regresión lineal aplicada a través de archivos de Excel y gráficos de líneas de tendencia.

Si bien Excel es una herramienta adecuada para análisis simples y empresas pequeñas, presenta limitaciones significativas en términos de capacidad y escalabilidad cuando se trata de manejar grandes volúmenes de datos, como los que genera una empresa del tamaño de Rodex.

Estas limitaciones pueden resultar en errores, ineficiencias y decisiones incorrectas, afectando la precisión de los pronósticos y, en última instancia, la toma de decisiones estratégicas.

En contraste, herramientas especializadas como KNIME están diseñadas para gestionar grandes conjuntos de datos de manera eficiente, ofreciendo capacidades avanzadas de análisis, automatización y preprocesamiento, lo que permite a empresas como Rodex obtener predicciones más precisas y confiables en un entorno de big data.

Justificación

4 of 17

Beneficios asociados

Mejora de costos en materia prima y componentes: Rodex puede negociar con sus proveedores estratégicos “absorber el riesgo de la fluctuación de la demanda” por órdenes de compra en firme por adelantado, ya que en vez de trabajar bajo un modelo “make-to-order” los proveedores pueden cambiar a “make-to-stock”.
Liberación de espacio físico: Enfoque Just-In-Time y todos sus beneficios asociados.
Planeación de nuevos negocios y proyectos: Al tener más y mejor control sobre el flujo de efectivo la planeación de nuevos negocios y proyectos se esclarece más rápido.
Entre otros…

Al tener mayor confiabilidad en nuestros pronósticos…

5 of 17

Método de evaluación: COMPARACIÓN

% Precisión del modelo en propuesto en KNIME

% Precisión del proceso de generación de pronósticos actual en Excel.

6 of 17

Identificación de soluciones.

Desarrollar un modelo predictivo de ventas y consumos de inventario en Knime que se implemente en una plataforma empresarial como Azure ML o AWS SageMaker para garantizar su escalabilidad e integración con sistemas existentes.

Objetivos específicos

Aumentar la precisión de las predicciones de ventas en un 10% en el primer año después de la implementación.
Optimizar la cadena de suministro, reduciendo los costos asociados en un 10% para el final de segundo año.
Clausurar 1 CEDIS en US al segundo año de implementación o utilizarlo para distribución de producto de nuevos negocios

Propuesta

7 of 17

Plant | Tipo de Dato: Texto | Descripción: Identificador de la planta que vende.

Muestra de dataset

Descripción del Dataset

Material | Tipo de Dato: Texto | Descripción: Numero de parte del material

Batch (País) | Tipo de Dato: Texto | Descripción: ID país de origen del cliente.

Customer | Tipo de Dato: Texto | Descripción: Identificador del cliente.

Quantity | Tipo de Dato: Entero | Descripción: Cantidad de material transaccionado

Amount in LC | Tipo de Dato: Decimal | Descripción: Monto total en moneda local

Posting Date | Tipo de Dato: Fecha (dd/mm/aa) | Descripción: Fecha de venta.

8 of 17

Descripción de la solución de IA y su integración

Se desarrollará un modelo en KNIME usando Random Forest Regression que utilizará datos históricos de ventas, inventario y otros factores relevantes (como estacionalidad, clientes, país, etc.).
El modelo se integrará con el sistema SAP existente de Rodex para obtener datos en tiempo real y generar predicciones actualizadas.
La interfaz de usuario amigable se implementará utilizando:
Frontend: React.js para una experiencia de usuario dinámica y responsiva
Backend: Python (FastAPI) para la lógica de negocio y conexión con el modelo de ML
Base de datos: PostgreSQL para almacenamiento de datos estructurados
Integración: API RESTful para comunicación entre el frontend, backend y el sistema SAP existente

9 of 17

Preparación de Dataset

Configuración de transacción MB51 en SAP

Configuración de Layout para alimentación de KNIME

10 of 17

Diagrama Conceptual de la Solución

12 of 17

Implementación

Resultados esperados del algoritmo:

Predicciones de ventas globales significativamente más precisas.
Predicciones de consumos de inventario significativamente más precisas.
Identificación de patrones y tendencias en la demanda de productos.

Estrategias para superar obstáculos:

Capacitación intensiva del personal en el uso e interpretación de las predicciones del modelo.
Colaboración estrecha entre los equipos de TI, ventas, cadena de suministro y operaciones para garantizar una implementación sin problemas.
Establecimiento de un equipo de respuesta rápida para abordar cualquier problema técnico o de integración.

Plan de recursos necesarios:

Presupuesto: $500,000 USD:

Initial Planning: $20,000
Readiness Assessment: $15,000
Strategic Planning: $35,000
Infrastructure Prep: $150,000
Model Training: $80,000
Pilot and Rollout: $120,000
Contingencia: $80,000

13 of 17

Implementación (cont.)

Personal:

1 project manager
2 científicos de datos
1 ingeniero de ML
1 analista de negocios
1 desarrollador full-stack (para la interfaz de usuario)

Tecnología:

Servidores: Cluster de 4 nodos de AWS EC2 c5.4xlarge para procesamiento de datos y entrenamiento de modelos
Almacenamiento: 5TB expandibles en AWS S3 para datos históricos y modelos
Licencias:

KNIME Server Enterprise License
Tableau Server (para visualizaciones)
DataRobot Enterprise AI Platform (para automatización de ML)

14 of 17

Cronograma de implementación:

Fase	Duración	Actividades
Planificación y Preparación	2 meses	Planificación Inicial (2 sem) Evaluación de Preparación (2 sem) Planificación Estratégica (4 sem))
Diseño y Desarrollo	2 meses	Diseño de la Tubería de Datos (3 sem) Ensamblaje del Equipo (1 sem) Desarrollo de Directrices Éticas (2 sem)) ConfiguraciónInfraestructura (4 sem)
Implementación y Pruebas	2 meses	Entrenamiento del Modelo (4 sem) Integración con Sistemas Existentes (3 sem) Pruebas Piloto (3 sem)
Refinamiento y Despliegue	3 meses	Evaluación y Refinamiento (3 sem) Implementación Completa (5 sem) Capacitación del Personal (2 sem)
Monitoreo y Optimización	3 meses	Monitoreo (3 meses) Optimización y Expansión (3 meses) Revisiones y Actualizaciones Trimestrales Documentación (3 meses)

15 of 17

Conclusión

En la dinámica y acelerada realidad empresarial capitalista de hoy, la implementación de Inteligencia Artificial y Machine Learning no es simplemente una opción estratégica; es el pilar fundamental sobre el cual se construirá la próxima generación de empresas líderes.

Estas tecnologías tienen el poder de transformar datos en decisiones inteligentes, de convertir incertidumbre en oportunidades y de permitir que las empresas no solo sobrevivan, sino que prosperen en un entorno competitivo. Aquellas organizaciones que eligen adoptar y dominar estas herramientas estarán a la vanguardia, liderando mercados y definiendo el futuro. En contraste, las que se aferren a métodos tradicionales, sin evolucionar, estarán destinadas a la obsolescencia, superadas por competidores más ágiles y adaptables.

Este es un momento crucial: las empresas deben decidir si se adaptan y lideran, o si se estancan y caen. En esta encrucijada, el éxito pertenece a los que tienen la visión y el coraje de innovar.

“Adaptarse o hundirse, esa es la elección que define el futuro.” – ChatGPT

16 of 17

Equipo 20

tania.ca.ran@gmail.com

Tania

Cabrera Rangel

a-estrada-96@hotmail.com

Jesús Alejandro Estrada

Partida

juancarloscastro.0224@gmail.com

Juan Carlos

Castro Salazar

albertohdezmx@gmail.com

José Alberto

Hernández Barrios

1 of 17