Logo

Cardiva – Predicción de la Demanda y Optimización de la logística

Cardiva 

Sector: Salud

Business Case

Cardiva es una compañía del sector de la Salud. Entre otros productos, fabrica packs de un solo uso para quirófanos. Gracias a la digitalización de proceso de gestión de la demanda, Cardiva ha conseguido servitizar su modelo de negocio y comercializar estos packs bajo un modelo de Servicio de Pago por Uso.

Objetivos

Cardiva se marca el reto de optimizar su proceso pedido-entrega

Use case

El reto se aborda resolviendo de forma secuencial las dos siguientes fases. 1) la predicción de demanda de fungibles quirúrgicos, con el objetivo de adelantarse a las necesidades de sus clientes. Para generamos las predicciones quincenales a nivel centro-referencia utilizando un algoritmo de ML de series temporales, tomando como base tanto datos de negocio como las variables exógenas que impactan en los consumos. 2) Optimización de la logística, tanto en lo referido a las rutas de reparto como a la mejora de los niveles de stock en cliente final. Para ello se plantea y resuelve un problema de optimización lineal a nivel de centro.

Infraestructura

Cloud

Tecnologías utilizadas

Aprendizaje Automático o Profundo

Datos utilizados

Series temporales históricas de actividad por los centros: referencias, stocks, consumos, capacidades. Factores externos: calendario festividades, climatología, acontecimientos atípicos.

Recursos utilizados

Equipo compuesto por diversos perfiles: Cardiva: Responsables de Negocio y TI. Versia: Analista de Datos, Ingeniería del Datos, Ciencia de Datos.

Dificultades y aprendizaje

Diversidad de comportamientos en cuanto al consumo a nivel de centro-referencia.

KPIs (impacto en el negocio y métricas del modelo)

Niveles de consumo, Número de reposiciones, Stock por centro. Resultados obtenidos para el ámbito definido en el reto: Capacidad de reducción de repartos: 20%. Capacidad de liberar espacio en balda liberado: 18%.

Financiación

Dataton Euskadi 2023

Colaboradores

VERSIA BAIC

Scroll al inicio