Optimización en tiempo real por SKU y anticipación de cuellos de botella con machine learning.

Suspensys enfrentaba dificultades en su planificación de producción. Las estimaciones se basaban en datos históricos simples que no reflejaban la complejidad y variabilidad del tiempo de ciclo por SKU en el piso de planta. Esto resultaba en una planificación imprecisa, con tiempos de ciclo fluctuantes, generando quiebres de materiales inesperados y cuellos de botella imprevistos, reduciendo la eficiencia operativa.

El análisis de DB concluyó que un modelo de predicción lineal simple no sería suficiente debido a la alta variabilidad industrial. Se diagnosticó la necesidad de un enfoque de datos multidimensional, conectando sistemas legados con datos en tiempo real del piso de planta y de la cadena de suministro.
La clave sería crear un modelo predictivo robusto, enfocado en predecir el tiempo real de producción por SKU.

DB construyó y entrenó un modelo de Machine Learning robusto, denominado Asistente Virtual Llia. El modelo fue enriquecido mediante la conexión y cruce de tres frentes críticos de datos: proceso (sensores de máquinas), calidad (datos de inspección) y abastecimiento (inventario y lead times).
Este enfoque holístico de datos permitió predicciones refinadas por SKU. Se implementó un ciclo continuo de reentrenamiento para mantener la relevancia del modelo frente a cambios operativos y nuevas SKUs.