Personalizar las preferencias

Las cookies son pequeños archivos de texto que pueden ser usados por las webs para hacer más eficiente la experiencia del usuario. La ley establece que podemos almacenar cookies en tu dispositivo si son estrictamente necesarias para el funcionamiento de este sitio. Para todos los demás tipos de cookies, necesitamos tu permiso. Este sitio utiliza diferentes tipos de cookies. Algunas cookies son colocadas por los servicios de terceros que aparecen en nuestras páginas.

Siempre activas

Se requieren las cookies necesarias para habilitar las funciones básicas de este sitio, como proporcionar un inicio de sesión seguro o ajustar sus preferencias de consentimiento. Estas cookies no almacenan ningún dato de identificación personal.

No hay cookies que mostrar

Las cookies funcionales ayudan a realizar ciertas funciones, como compartir el contenido del sitio web en plataformas de redes sociales, recopilar comentarios y otras funciones de terceros.

Las cookies analíticas se utilizan para comprender cómo interactúan los visitantes con el sitio web. Estas cookies ayudan a proporcionar información sobre métricas como el número de visitantes, la tasa de rebote, la fuente de tráfico, etc.

Las cookies de rendimiento se utilizan para comprender y analizar los índices clave de rendimiento del sitio web, lo que ayuda a ofrecer una mejor experiencia de usuario a los visitantes.

No hay cookies que mostrar

Las cookies publicitarias se utilizan para proporcionar a los visitantes anuncios personalizados basados ​​en las páginas que visitó anteriormente y para analizar la efectividad de las campañas publicitarias.

Logo

HUPI – Optimisation of Production Planning to Maximise the Number of Orders Shipped Within the Deadlines Set by the Customer

HUPI 

Sector: Industry

Business Case

Optimised production planning, which provides operators with a continuous view (before each shift) of the production orders to be processed at each stage of the process (manufacturing, assembly, processing, shipping) in the coming days, as well as the interdependence between these stages. In this way, resources can be organised more efficiently and dynamically.

Objectives

Increase on-time delivery and higher quality compliance. Improve productivity: fewer adjustments and fewer incidents on the production line. Improve operational/logistics costs: transport combination → better anticipation of needs.  Improve quality of work life through more proactive and less chaotic production management.

Use case

Using the daily updated list of orders and expected demand, along with production capacity, logistic deadlines, and real-time stock and machine/equipment setup status, the system employs an operational search algorithm (pressure-optimised with uncertainty consideration). Its goal is to find the optimal plan for the upcoming days that ensures on-time delivery to customers without requiring capacity expansion.

Infrastructure

Cloud

Technology

Machine learning and deep learning

Data

Customer/production orders (ERP and HUPI), stock level (ERP), logistic flows/movements (logistic software), production capacity and production processes (HUPI).

Resources

Human resources: multidisciplinary team: 1 technical director, 2 mathematician & data scientist, 1 full stack developer, 1 frontend developer and expert digital UX team. Hupi Elastic Cloud Platform

Difficulties and learning

The major difficulty was user acceptance/implementation. We have had to adapt the model to their current way of working, adding more restrictions.

KPIs (business impact and metrics of the model)

Number of “kits on time” per month. Reduction of production line incidents. Economic value of savings generated in person-profile-hours/centre.

Funding

Private. The customer paid for the development of this application.

Collaborators, Partners

Own resources. It was a product made by our data team.