CASO PRÁCTICO DE ÁRBOLES DE DECISIÓN EN EL SECTOR LOGÍSTICO
En el post anterior aterrizamos el marco teórico de los árboles de decisión , pero como no es lo mismo contarlo que hacerlo, vamos a presentar un caso real de su aplicación.
En concreto, estamos hablando de un Operador Logístico Líder en el sector farmacéutico, y el origen del proyecto era analizar la cadena de frío. La justificación del mismo venía de la necesidad de conocer el origen de las roturas que se producían.
¿Para qué usar árboles de decisión?
El motivo fue conocer cuáles eran las características que más influían a la hora de las roturas de la cadena de frío.
El rango de temperatura óptimo para determinados productos (vacunas antibióticas) estaba garantizado por unas cubetas durante 24 horas. Es decir, en toda orden en la que el tiempo de expedición fuera superior a 24 horas, había habido una rotura en la cadena de frío.
Así pues, se analizó las diferentes muestras que de las que se disponía, cada una de ellas definida por una series de características como el cliente, tipo de almacenamiento, mes o día de la semana, y se categorizó a las mismas en función de si había habido una rotura de la cadena de frío o no.
Convenimos dividir el conjunto de datos en dos subconjuntos, unos de entrenamiento y otro de test, para poner a prueba a nuestro modelo y poder ver cómo de bueno era generalizando a la hora de clasificar datos nuevos.
Los resultados arrojaron información muy interesante.
Tal como se puede observar en el árbol de decisión creado, la mayoría de los casos en los que había habido una rotura de la cadena de frío (141/143) se habían producido en viernes o sábado. Ello permitió focalizar el problema y dirigir el análisis de problema. Una mala gestión en el proceso burocrático producía una preparación de pedidos (picking) el viernes a última hora que no se expedían hasta el lunes, propiciando con ello las roturas de la cadena de frío. La solución guiada por la aplicación de modelos analíticos permitió solventar el problema, ejecutando el proceso burocrático dentro del almacén de frío y evitando la mayoría de las roturas previas.
Como vemos, los modelos analíticos, en este caso en concreto los árboles de decisión, pueden ser una herramienta muy poderosa para la toma de decisiones en multitud de ámbitos. Y la logística no iba a ser una excepción.
In the previous post we landed the theoretical framework of decision trees, but as it is not the same tell it to, we will present a real case of application.
Specifically, we are talking about a logistics operator leader in the pharmaceutical sector, and the origin of the project was to analyze the cold chain. The justification of it came from the need to know the origin of the breaks that occurred.
Why use decision trees?
The reason was to know what were the characteristics that most influenced when breakage of the cold chain.
The optimum temperature range for certain products (antibiotic shots) was guaranteed by cuvettes for 24 hours. That is, in any order in which the consignment from time exceeding 24 hours, there had been a break in the cold chain.
Thus, different samples from those available, each defined by a series of features such as the client, storage type, month or day of the week was analyzed and categorized to the same depending on whether there had been a break in the cold chain or not.
We agree to divide the dataset into two subsets, a training and a test, to test our model and see how good it was generalizing when classifying new data.
The results showed very interesting information.
As can be seen in the decision tree created, most cases where there had been a break in the cold chain (141/143) had occurred on Friday or Saturday. This allowed the problem to focus and direct the analysis problem. Mismanagement in the bureaucratic process produced a preparation of orders (picking) late Friday that there were issued until Monday, thereby fostering breaks the cold chain. Guided by the application of analytical models enabled solution solve the problem by running the bureaucratic process within the cold store and avoiding most of previous breaks.
As we see, the analytical models, in this particular case the decision trees can be a very powerful tool for decision making in many areas. And logistics would not be an exception.[:]