El MIT Center for Transportation & Logistics y Mecalux han desarrollado un simulador basado en Inteligencia Artificial para optimizar la distribución del inventario entre distintos almacenes dentro de una misma red logística.
La plataforma, denominada Genesis, utiliza modelos avanzados de "machine learning" para analizar posibles escenarios y simular cuál es el nivel óptimo de stock en cada almacén y cuándo conviene reponerlo. El simulador tiene en cuenta variables como la demanda prevista en cada región, los costes de transporte o la capacidad operativa de cada almacén para probar distintas políticas de reposición de stock sin afectar a la operativa real.
A diferencia de soluciones analíticas reservadas a perfiles especializados, ha sido diseñado para que pueda ser utilizado no solo por perfiles técnicos, sino también por responsables de negocio. Una vez introducidos los datos y variables en el sistema, se genera la solución óptima acompañada de paneles estadísticos avanzados.
De este modo, los usuarios pueden analizar indicadores como patrones de consumo, regiones con alta variabilidad de demanda, referencias con mayor riesgo de rotura de stock o almacenes con problemas de suministro.
Una de las funcionalidades clave del sistema es que permite reequilibrar inventario entre almacenes, de manera que en lugar de realizar automáticamente nuevos pedidos, la herramienta analiza si es más eficiente transferir producto desde otro centro de la red donde haya excedente. El sistema también recomienda cómo organizar el transporte, por ejemplo, si conviene agrupar envíos para optimizar camiones o servir determinados pedidos desde una ubicación concreta para disminuir tiempos y costes.
La colaboración entre Mecalux y el MIT CTL entra ahora en una nueva fase centrada en ampliar la aplicación de la IA a otros procesos logísticos, como la reposición interna, el uso de gemelos digitales en sistemas automáticos de almacenamiento de alta densidad y la optimización de ubicaciones de producto.
