1. Problemática
1.1. Reduccion de costos operativos
1.1.1. Reducir abastecimiento de ATMs
1.1.2. No afectar el nivel de servicio
1.2. Optimizar cronograma de abastecimientos
1.2.1. Optimizar cantidad de ATMs
1.2.2. Optimizar frecuencia de abastecimientos
1.3. Pronóstico de ATMS
1.3.1. Pronosticar la demanda de los ATMs
1.4. Modelado de ATMS
1.4.1. Modelar sin dependencias
1.4.2. ¿Cuál es el mejor "approach"?
1.4.2.1. Métodos estadísticos adicionales
1.4.2.2. Métodos de machine learning
2. Conceptos de Inteligencia artificial
2.1. Inteligencia de Maquina
2.2. Machine Larning/Deep Learning
2.3. Neurociencia Computacional
2.4. Estadística
3. ML, AL y Analytics en Cadenas de Suministro
3.1. Pronostico de demanda
3.2. Deteccion de anomalias
3.3. Predicción de entrega
3.4. Optimización de proveedores
3.5. Optimización de Inventarios
3.6. Optimización de costos
4. Estrategia de compras
4.1. Descriptiva
4.1.1. Usando la información del producto y la evolución histórica de la demanda, determinas el costo de sobre stock y la variación de la exactitud del pronostico de demanda.
4.2. Predictivo
4.2.1. Modelas el riesgo y determinas su valor esperado.
4.3. Prescriptivo
4.3.1. Determinas el descuento mínimo que optimiza (minimiza) los costos de adquisición dado el nivel de riesgo pronosticado.
5. Ejemplo de algoritmos
5.1. Regresion Lineal
5.2. Regresión logística
5.3. Redes neuronales
5.4. Agrupación de K-medias
5.5. Bosques aeleatorios
6. Métodos
6.1. Estadístico
6.1.1. Principal herramienta ARIMA
6.1.2. Variable temporal
6.1.2.1. Valores de demandas electrónicas en el tiempo
6.1.3. Variable exógenas
6.1.3.1. Día del mes
6.1.3.2. Mes del año
6.1.3.3. Estación
6.1.3.4. Días festivos
6.1.4. Transformacion de variables temporales
6.1.4.1. Asegurar modelo aditivo
6.1.4.2. Transformaciones ox Cox
6.1.4.3. Normalización
6.1.5. Entrenamiento de método ARIMA
6.1.5.1. Optimización de hiperparámetros
6.2. Redes neuronales artificiales
6.2.1. Principal arquitectura de redes neurales
6.2.1.1. LSTM
6.2.2. Contiene celdas de memoria
6.2.2.1. olvido
6.2.2.2. input
6.2.2.3. output
6.2.3. Normalizar variables
6.2.3.1. Evita problemas con el descenso temporal gradiente
6.2.4. Modelos de LSTM
7. Optimizacion de costos de entregas
7.1. Descriptivo
7.1.1. Analizando datos de tus clientes, observas que muchos de ellos realizan pedidos en días consecutivos
7.2. Predictivo
7.2.1. Dada la información que tienes de tus clientes, decides construir un modelo para predecir la probabilidad de que un cliente haga pedidos en días consecutivos
7.3. Prescriptivo
7.3.1. Utilizando la predicción de cada cliente, determinas que es mas optimo.
8. Metodos y tecnicas
8.1. Data agregada por ciclo de despacho
8.2. Modelo de prediccion de consumo
8.2.1. Transformaciones no lineales
8.3. Carga,tiempo,retraso,velocidad,elevacion,temperatura,etc
8.3.1. Ingeniería de características
8.4. SVM,XGBoost,OLS,MLP
9. Optimización de inventarios
9.1. Vendes varios de miles de productos perecibles a clientes de manera online
9.2. Problema
9.2.1. ¿Cómo determinar el inventario optimo a tener de cada producto para satisfacer la demanda y optimizar tu ganancia esperada?