Publication:

Modelo ensamblado de aprendizaje automático no supervisado para la clasificación de inventarios

Abstract

La gestión eficiente de inventarios es un pilar estratégico en la cadena de suministro, donde la precisión en la clasificación de productos impacta directamente los costos operativos y el nivel de servicio. Los enfoques tradicionales, como el método ABC, presentan limitaciones ante la creciente complejidad del mercado, la diversificación de la demanda y la expansión del comercio electrónico. En este contexto, las técnicas de aprendizaje automático (ML) emergen como alternativas robustas para abordar estos desafíos. Esta investigación propone un modelo ensamblado de aprendizaje automático no supervisado para la clasificación de inventarios, desarrollado a partir del análisis de datos de 15 retailers latinoamericanos. El modelo integra tres modelos base (K-means, clustering jerárquico y modelos de mezclas Gaussianas) seleccionados por su capacidad para capturar las características del problema. Las variables de entrada consideradas son: unidades demandadas, desviación estándar de la demanda, nivel promedio de stock y tiempo de reposición. El modelo adopta una estructura modular que permite priorizar criterios de clasificación según los objetivos organizacionales, ya sea en términos de calidad de agrupamiento o minimización de costos, con y sin reducción de dimensionalidad mediante PCA. Los resultados demuestran que el modelo ensamblado basado en costos supera consistentemente al método ABC tradicional y a los modelos base individuales, generando ahorros totales de $2,437,821.36 USD. Asimismo, se evidenció que la aplicación de PCA, aunque mejora los indicadores de calidad de clustering (Silhouette Score), puede eliminar información relevante y resultar contraproducente desde una perspectiva económica. El clustering jerárquico mostró mayor estabilidad ante la reducción de dimensionalidad, mientras que K-means y GMM presentaron mayor sensibilidad. Los hallazgos fueron presentados en la conferencia ICPR2025 y aceptados para publicación en Springer, evidenciando el aporte significativo de esta investigación a la gestión moderna de inventarios.