Big data en la logistica

Inicio » Big data en la logistica

datos de la cadena de suministro

Fosso Wamba, S., Gunasekaran, A., Papadopoulos, T. y Ngai, E. (2018), “Big data analytics in logistics and supply chain management”, The International Journal of Logistics Management, Vol. 29 No. 2, pp. 478-484. https://doi.org/10.1108/IJLM-02-2018-0026

El objetivo principal de este número especial (SI) es proporcionar una oportunidad significativa a la comunidad de gestión de la logística y la cadena de suministro para afectar a la práctica a través de la investigación fundamental sobre cómo la capacidad de BDA puede ser explotada por las organizaciones para proporcionar conocimientos de logística y cadena de suministro.

El primer documento de este SI es sobre la aplicación de big data y análisis predictivo (BDPA) en las cadenas de suministro humanitarias por Dubey et al. (2018). Este documento examina cuáles son los antecedentes del BDPA. En segundo lugar, cómo el BDPA puede mejorar la visibilidad de las cadenas de suministro humanitario y la coordinación entre los actores de las cadenas de suministro humanitario. En tercer lugar, los autores examinan el papel moderador de la confianza rápida en el camino que une el BDPA y la visibilidad/coordinación. Para responder a estas preguntas de investigación, los autores han fundamentado su modelo en la visión contingente basada en los recursos (CRBV). Además, los autores han puesto a prueba su modelo teórico utilizando datos de encuestas recogidas entre informantes de ONG internacionales que participan en operaciones de ayuda en caso de catástrofe. Las conclusiones del estudio ofrecen algunas contribuciones interesantes a la BD, la literatura de análisis predictivo y la teoría de la confianza rápida. Además, ofrece numerosas orientaciones a los gestores que participan en operaciones de ayuda en caso de catástrofe.

analítica de big data para la logística y el transporte

Fosso Wamba, S., Gunasekaran, A., Papadopoulos, T. y Ngai, E. (2018), “Big data analytics in logistics and supply chain management”, The International Journal of Logistics Management, Vol. 29 No. 2, pp. 478-484. https://doi.org/10.1108/IJLM-02-2018-0026

El objetivo principal de este número especial (SI) es proporcionar una oportunidad significativa a la comunidad de gestión de la logística y la cadena de suministro para afectar a la práctica a través de la investigación fundamental sobre cómo la capacidad de BDA puede ser explotada por las organizaciones para proporcionar conocimientos de logística y cadena de suministro.

El primer documento de este SI es sobre la aplicación de big data y análisis predictivo (BDPA) en las cadenas de suministro humanitarias por Dubey et al. (2018). Este trabajo examina cuáles son los antecedentes del BDPA. En segundo lugar, cómo el BDPA puede mejorar la visibilidad de las cadenas de suministro humanitario y la coordinación entre los actores de las cadenas de suministro humanitario. En tercer lugar, los autores examinan el papel moderador de la confianza rápida en el camino que une el BDPA y la visibilidad/coordinación. Para responder a estas preguntas de investigación, los autores han fundamentado su modelo en la visión contingente basada en los recursos (CRBV). Además, los autores han puesto a prueba su modelo teórico utilizando datos de encuestas recogidas entre informantes de ONG internacionales que participan en operaciones de ayuda en caso de catástrofe. Las conclusiones del estudio ofrecen algunas contribuciones interesantes a la BD, la literatura de análisis predictivo y la teoría de la confianza rápida. Además, ofrece numerosas orientaciones a los gestores que participan en operaciones de ayuda en caso de catástrofe.

logística predictiva

El big data es una de las tendencias más candentes en el sector de la cadena de suministro y la logística en la actualidad. Todas las organizaciones quieren participar y aprovechar los beneficios de la analítica de big data. Permite a una empresa comprender las tendencias de los consumidores y resolver los retos a nivel estratégico, operativo y táctico. Esto incluye la mejora de la gestión de inventarios, la reducción de los gastos operativos, la racionalización de la logística, la mejora de la visibilidad de la cadena de suministro y la mejora de los niveles de servicio.

En general, las empresas utilizan Excel/Tableau para realizar análisis en el día a día. El objetivo de este proyecto es aprovechar los datos para mejorar las cadenas de suministro existentes, utilizando algoritmos de aprendizaje automático, como el análisis de series temporales y los algoritmos de agrupación, junto con los tradicionales

Se ha implementado un algoritmo de clustering K-Prototype para identificar los atributos de envío más probables a nivel de Centro de Distribución. Se ha implementado un análisis de series temporales para prever el número total de envíos que saldrán de cada centro de distribución para los años 2020-2021. Posteriormente estos

ejemplos de big data

Los datos primarios se recopilaron mediante un cuestionario estructurado y una encuesta en línea enviada a empresas manufactureras sudafricanas. Los datos se analizaron mediante un modelo de ecuaciones estructurales basado en mínimos cuadrados parciales (PLS-SEM) con el software WarpPLS 6.0.

Los resultados indican que las capacidades de generación de datos (DGCs) tienen una fuerte asociación con las decisiones estratégicas de logística inversa (SRLDs). Las capacidades de integración y gestión de datos (DIMC) muestran una relación positiva con las decisiones tácticas de logística inversa (TRLD). Las capacidades de análisis avanzado (AAC), las capacidades de visualización de datos (DVC) y la cultura orientada a los datos (DDC) muestran una asociación positiva tanto con las SRLD como con las TRLD. Se encontró que los SRLDs y TRLDs tienen una relación positiva con el rendimiento de la remanufactura.

Los resultados guiados por la teoría pueden ayudar a los gestores a entender el valor de la analítica de grandes datos (BDA) para hacer un mejor juicio de calidad de la logística inversa y mejorar los procesos de refabricación para lograr la sostenibilidad.

Ir arriba