Una Primera Propuesta Para La Implementación Del Envío Anticipado En La Fabricación De Automóviles A Través De Aprendizaje Automático Y Optimización

Esta investigación se enmarca dentro de la colaboración con SEAT S.A., fabricante español de automóviles que busca entregar el vehículo que los clientes desean en el menor plazo posible, lo que se denomina Envío Anticipado. Este problema no es exclusivo de una empresa en particular, sino que es compartido por múltiples actores. Además, también ha ganado la atención del mundo académico produciendo literatura. La revisión del estado del arte existente nos llevó a encontrar un vacío en la investigación que esta tesis intenta cubrir. La investigación se centra en la logística, la predicción de la demanda, los datos en línea y la optimización de la fabricación.
 
La solución propuesta inicia de más fácil a más complejo coste de aplicación en el funcionamiento actual de la empresa. En primer lugar, comienza por redirigir los coches de stock ya fabricados a destinos en los que se espera que permanezcan menos tiempo. Se han sometido a prueba varios algoritmos de clasificación de aprendizaje automático para determinar el más adecuado. Los resultados igualan o mejoran las decisiones tomadas por los expertos de la empresa. A continuación, se inició una exploración del comportamiento de los clientes utilizando datos obtenidos de la página web del Configurador de Coches de la empresa. Esta plataforma en línea permite a los usuarios navegar por toda la gama de productos de la empresa y seleccionar su vehículo preferido. Esta tesis demuestra que los datos recogidos en esta herramienta constituyen una fuente de información fiable para discernir las intenciones de compra de los usuarios. El proceso consiste en comparar los resultados obtenidos con diversos modelos de predicción de la demanda, que pueden incorporar o no datos del Configurador de Coches, filtrar los datos eliminando los valores anómalos y emplear algoritmos heurísticos de búsqueda como los algoritmos genéticos. El objetivo es identificar el subconjunto de datos en línea con mayor capacidad predictiva. En última instancia, los resultados de esta fase final se utilizan para ajustar los atributos de los coches dentro del proceso de fabricación. Este enfoque de optimización ha mitigado eficazmente la discrepancia entre la composición del stock y la demanda prevista.
 
En la actualidad, esta investigación ha dado sus frutos con ponencias en tres congresos de prestigio mundial, junto con una publicación en una revista indexada de primer cuartil, y documentación adicional pendiente de publicación. Este trabajo esta parcialmente financiado por el Department de Recerca i Universitats de la Generalitat de Catalunya bajo la Ayuda de Doctorado Industrial DI 2019-34.