Universitat Ramon Llull
Vilasís Cardona, Xavier
Vilasís Cardona, Xavier
2024-09-10
188 p.
Universitat Ramon Llull. La Salle
Aquesta investigació s'emmarca en la col·laboració amb SEAT S.A., fabricant d'automòbils espanyol que busca lliurar el vehicle que els clients desitgen en el menor termini possible, el que s'anomena Enviament Anticipat. Aquest problema no és exclusiu d'una empresa concreta, sinó que és compartit per múltiples actors. A més, també ha cridat l'atenció del món acadèmic produint literatura. La revisió de l'estat de l'art existent ens va portar a trobar un buit de recerca que aquesta tesi intenta omplir. La investigació se centra en la logística, la predicció de la demanda, les dades en línia i l'optimització de la fabricació. La solució proposada parteix del cost d'implantació, des de més fàcil a més complex en l'operació de l'empresa actual. En primer lloc, s'inicia reorientant els cotxes de stock ja fabricats cap a destinacions on s'espera que romanguin durant una durada més curta. Diversos algorismes de classificació d'aprenentatge automàtic s'han sotmès a proves per determinar el més adequat. Els resultats igualen o milloren les decisions preses pels experts de l'empresa. Després d'això, es va iniciar una exploració del comportament dels clients mitjançant les dades obtingudes de la pàgina web de Configurador de Cotxes de l'empresa. Aquesta plataforma en línia permet als usuaris navegar per tota la gamma de productes de l'empresa i seleccionar el seu vehicle preferit. Aquesta tesi demostra que les dades recollides d'aquesta eina serveixen com a font d'informació fiable per a discernir les intencions de compra dels usuaris. El procés consisteix a comparar els resultats obtinguts amb diversos models de predicció de la demanda, que poden incorporar o no dades del Configurador de Cotxes, filtrar les dades eliminant valors anòmals i emprant algorismes de cerca heurístics com els algorismes genètics. L'objectiu és identificar el subconjunt de dades en línia amb la capacitat predictiva més alta. En última instància, les conclusions d'aquesta fase final s'utilitzen per a ajustar els atributs dels cotxes dins de la línia de fabricació. Aquest enfocament d'optimització ha mitigat de manera efectiva la discrepància entre la composició del stock i la demanda prevista. Actualment, aquesta investigació ha donat resultats amb presentacions en tres congressos reconeguts mundialment, juntament amb una publicació en una revista indexada del quartil superior i documentació addicional pendent de publicació. Aquest treball està finançat parcialment pel Departament de Recerca i Universitats de la Generalitat de Catalunya sota l'Ajuda de Doctorat Industrial DI 2019-34.
Esta investigación se enmarca dentro de la colaboración con SEAT S.A., fabricante español de automóviles que busca entregar el vehículo que los clientes desean en el menor plazo posible, lo que se denomina Envío Anticipado. Este problema no es exclusivo de una empresa en particular, sino que es compartido por múltiples actores. Además, también ha ganado la atención del mundo académico produciendo literatura. La revisión del estado del arte existente nos llevó a encontrar un vacío en la investigación que esta tesis intenta cubrir. La investigación se centra en la logística, la predicción de la demanda, los datos en línea y la optimización de la fabricación. La solución propuesta inicia de más fácil a más complejo coste de aplicación en el funcionamiento actual de la empresa. En primer lugar, comienza por redirigir los coches de stock ya fabricados a destinos en los que se espera que permanezcan menos tiempo. Se han sometido a prueba varios algoritmos de clasificación de aprendizaje automático para determinar el más adecuado. Los resultados igualan o mejoran las decisiones tomadas por los expertos de la empresa. A continuación, se inició una exploración del comportamiento de los clientes utilizando datos obtenidos de la página web del Configurador de Coches de la empresa. Esta plataforma en línea permite a los usuarios navegar por toda la gama de productos de la empresa y seleccionar su vehículo preferido. Esta tesis demuestra que los datos recogidos en esta herramienta constituyen una fuente de información fiable para discernir las intenciones de compra de los usuarios. El proceso consiste en comparar los resultados obtenidos con diversos modelos de predicción de la demanda, que pueden incorporar o no datos del Configurador de Coches, filtrar los datos eliminando los valores anómalos y emplear algoritmos heurísticos de búsqueda como los algoritmos genéticos. El objetivo es identificar el subconjunto de datos en línea con mayor capacidad predictiva. En última instancia, los resultados de esta fase final se utilizan para ajustar los atributos de los coches dentro del proceso de fabricación. Este enfoque de optimización ha mitigado eficazmente la discrepancia entre la composición del stock y la demanda prevista. En la actualidad, esta investigación ha dado sus frutos con ponencias en tres congresos de prestigio mundial, junto con una publicación en una revista indexada de primer cuartil, y documentación adicional pendiente de publicación. Este trabajo esta parcialmente financiado por el Department de Recerca i Universitats de la Generalitat de Catalunya bajo la Ayuda de Doctorado Industrial DI 2019-34.
This research is framed in collaboration with SEAT S.A., a Spanish car manufacturer which is seeking to deliver the expected vehicle by the customers in the shortest timeframe, named Anticipatory Shipping. This problem is not exclusive to a particular company, but it is shared by multiple actors. Additionally, it has also gained the attention of academia producing literature. The review of the existing state-of-the-art conducted us to find a research gap that this thesis attempts to fill in. The investigation focuses on logistics, demand prediction, online data, and manufacturing optimization. The proposed solution starts from the easiest to the most complex cost of implementation in the current company's operation. Firstly, it commences by redirecting already manufactured stock cars to destinations where they are expected to remain for shorter durations. Several Machine Learning classification algorithms have undergone testing to determine the most suitable one. Results equal or improve the decisions made by the experts of the company. Following this, an exploration into customer behavior was initiated using data obtained from the company's Car Configurator webpage. This online platform enables users to browse the company's entire product lineup and select their preferred vehicle. This thesis demonstrates that data collected from this tool serves as a reliable source of information for discerning users' purchasing intentions. The process involves comparing the obtained outcomes with various demand prediction models, which may or may not incorporate Car Configurator data, filtering the data by eliminating anomalous values and employing heuristic search algorithms such as genetic algorithms. The objective is to pinpoint the subset of online data with the highest predictive capacity. Ultimately, the findings from this final phase are utilized to adjust the attributes of the cars within the manufacturing pipeline. This optimization approach has effectively mitigated the discrepancy between the stock composition and the anticipated demand. Presently, this research has yielded with presentations at three globally recognized congresses, along with a publication in a top-quartile indexed journal, and additional documentation awaiting release. This work is partially funded by the Department de Recerca i Universitats of the Generalitat de Catalunya under the Industrial Doctorate Grant DI 2019-34.
Anticipatory Shipping; Automobile Industry; Car Configurator; Machine Learning; Genetic Algorithm; Forecasting
6 - Applied Sciences; 62 - Engineering
Enginyeria, indústria i construcció
ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
