Desarrollo de un modelo de categorización de stock para inventario inmovilizado en la industria minera

Abstract

El presente informe desarrolla un modelo de categorización de stock enfocado en la gestión de inventarios inmovilizados de la industria minera, específicamente para la empresa INEXLINK. Este proyecto aborda los problemas operativos derivados de procesos manuales en la categoriza ción y publicación de materiales, que resultan en retrasos, pérdidas económicas y experiencias ne gativas para los usuarios. Como por ejemplo la perdida de oportunidad de venta de cinco tolvas mineras que no se pudieron vender por su mala categorización. Actualmente, INEXLINK gestiona 123 categorías de productos, entre las que destacan elementos clave como tolvas y neumáticos. Estos productos representan una proporción considerable de las transacciones, pero la falta de uniformidad en sus descripciones de los productos que se reciben para comercializar incrementa la dificultad de categorización, lo que a su vez afecta en oportunidad clave de venta. Este contexto indica la importancia de mejorar la estandarización de los datos para maximizar la eficiencia operativa y el rendimiento del negocio. El objetivo principal es desarrollar un "Maestro de Materiales" que permita agilizar la validación de los datos. Esto se logrará mediante un sistema eficiente de limpieza, categorización y asignación de SKU. En particular, se emplearán redes neuronales artificiales por su capacidad para identificar patrones complejos en grandes volúmenes de datos. La finalidad es reducir tiempos de procesa miento y minimizar costos de oportunidad, mejorando la disponibilidad de inventarios en la plata forma. Durante el desarrollo del modelo se utilizaron más de 47.368 datos de clientes anteriores para en trenar el modelo, para luego probar el modelo con 17.470 productos provenientes de Glencore. Por último, el estudiante participó activamente en la conceptualización y desarrollo del modelo, desde el análisis de datos históricos y diseño del sistema de categorización, hasta la creación de un prototipo dentro de la plataforma mediante Figma. Además, lideró la implementación de algorit mos predictivos que alcanzaron una precisión superior al 95% y definió un sistema único de SKU que permite identificar y localizar artículos rápidamente. Se aplicó la metodología CRISP-DM para desarrollar el modelo categorizador, siguiendo un enfo que estructurado que incluyó: el entendimiento del negocio y los datos, analizando el funciona miento de la compra y venta de materiales inmovilizados y los servicios ofrecidos por INEXLINK, junto con datos históricos de clientes; la preparación de datos, que consistió en la limpieza y estan darización de información mediante herramientas como Python; el modelado, mediante el entrena miento de redes neuronales para lograr una categorización de materiales con alta precisión, por último la evaluación y despliegue. El modelo permitió una reducción de tiempos de procesamiento en más del 95%, específicamente de 60 días a solamente 2 días y mejoró la gestión de inventarios inmovilizados, acertando la cate goría en más del 85% de los datos ingresado en el modelo, con esto se fortalece la propuesta de valor de INEXLINK en el mercado de economía circular.