Propuesta de mejora en la gestión de compras de repuestos en una empresa de Renting operacional implementando un sistema de predicción de demanda con Machine Learning y el modelo de inventarios

Abstract

El presente proyecto se centró en la optimización de la gestión del inventario y mantenimiento de vehículos de una empresa de renting operacional mediante tres soluciones clave: la implementación de un modelo de machine learning para el pronóstico de demanda de autopartes, el desarrollo de un sistema de conteo cíclico y la creación de un plan de gestión de proveedores. La implementación del modelo de machine learning permitió mejorar significativamente la precisión en los pronósticos de demanda, alcanzando un 70% de exactitud. Esto optimizó la disponibilidad de autopartes, reduciendo los quiebres de stock de 102 a 50 unidades mensuales y aumentando la tasa de disponibilidad de repuestos del 96.1% al 98%. Además, el tiempo promedio de mantenimiento de los vehículos se redujo de 4.1 días a 3 días, incrementando la operatividad y disponibilidad de la flota. El sistema de conteo cíclico implementado disminuyó las discrepancias de inventario de 44 a 5 unidades por conteo promedio en cada taller, mejorando la precisión y eficiencia del inventario. Paralelamente, el plan de gestión de proveedores fortaleció las relaciones con los proveedores, asegurando una disponibilidad constante de repuestos críticos y mejorando los términos contractuales. En conclusión, las soluciones implementadas han demostrado ser altamente efectivas, mejorando significativamente la eficiencia operativa, la disponibilidad de repuestos y la satisfacción del cliente.

This project focused on optimizing the inventory and maintenance management of vehicles of an operational leasing company through three key solutions: the implementation of a machine learning model for auto parts demand forecasting, the development of a cyclic counting system and the creation of a supplier management plan. The implementation of the machine learning model significantly improved the precision of the demand forecasts, reaching 70% accuracy. This optimized the availability of auto parts, reducing stock-outs from 102 to 50 units per month and increasing the spare parts availability rate from 96.1% to 98%. In addition, the average vehicle maintenance time was reduced from 4.1 days to 3 days, increasing the fleet's operability and availability. The cyclic counting system implemented reduced inventory discrepancies from 44 to 5 units per average count in each workshop, improving inventory accuracy and efficiency. In parallel, the supplier management plan strengthened supplier relationships, ensuring constant availability of critical spare parts and improving contractual terms. In conclusion, the solutions implemented have proven to be highly effective, significantly improving operational efficiency, spare parts availability, and customer satisfaction.