Diseño de la red de la cadena de suministro de una marca de coches eléctricos para su entrada en Europa

Abstract

[ES] El objetivo de este trabajo es conectar herramientas de optimización con un caso práctico de diseño de red de cadena de suministro. Para ello, se considera el estudio de un sector como el de la movilidad eléctrica, que cuenta con grandes expectativas de crecimiento. Se pretende modelar una situación real supuesta por un cliente para planificar y programar su producción en los próximos años, a fin de cumplir con la estrategia marcada internamente. En este trabajo se resuelve una decisión de negocio fundamental para un fabricante de vehículos eléctricos, que busca optimizar el diseño de su red en la cadena de suministro. Para ello, se emplean la optimización matemática mediante un modelado del caso de estudio, previa búsqueda y análisis de información del mercado empleando también cierta información proporcionada por el cliente. En primer lugar, tras una minería de datos de matriculaciones en los paises de estudio, se desarrolla una estimación de la demanda de coches eléctricos. Esta estimación es necesaria para, junto con la información y objetivos proporcionados por el cliente, realizar el modelado del caso y su posterior resolución. El caso de estudio supone el modelado de un problema de programación lineal, que resuelve ante un conjunto de fábricas y regiones de demanda la mejor opción de configuración para el cliente, a fin de conocer el mínimo coste posible con el que suministrar la demanda esperada para los próximos cuatro años. Para ello, se consideran las diferentes fábricas de las que dispone o tiene al alcance comprar el cliente, así como los costes fijos y variables asociados. Mediante el lenguaje de programación Python, y haciendo uso del paquete de optimización lineal PuLP de código abierto y el de estadística Statsmodels, se resuelve el modelo que, una vez descrito en términos matemáticos, es implementado en este lenguaje. De esta forma, se emplea la computación para resolver el problema, obteniendo una solución óptima para el cliente que le permita estimar el coste mínimo total de la red para los cuatro próximos años. Se proporcionan los resultados de qué fábricas comprar o emplear en caso de que estén disponibles, así como qué cantidades se envían desde cada fábrica a cada región de demanda, en cada año analizado

[EN] The objective of this work is to connect optimization tools with a supply chain network design case study. For this, the study of a sector such as electric mobility is considered, a sector which has great growth expectations. The aim is to model a real situation assumed by a client to plan and schedule its production in the coming years, in order to comply with the strategy set internally. In this work a fundamental business decision for an electric vehicle manufacturer, who seeks to optimize the design of its network in the Supply Chain is solved. Mathematical optimization is used through a modeling of the case study, after searching and analyzing market information, also using information provided by the client. In the first place, after a data mining of registrations in the studied countries, an estimation of the demand for electric cars is developed. This estimate is necessary, together with the informationand objectives provided by the client, to carry out the modeling of the case and its subsequent resolution. The case study involves the modeling of a linear programming problem, which solves the best configuration option for the customer before a set of factories and demand regions, in order to know the minimum possible cost with which to supply the expected demand for the next four years. Thus, the different factories that the customer has or is able to buy are considered, as well as the associated fixed and variable costs.Using the Python programming language, and making use of the open source PuLP linear optimization package and the Statsmodels statistics package, the model is solved which, once described in mathematical terms, is implemented in this language. This way, computing is used to solve the problem, obtaining an optimal solution for the client that allows them to estimate the minimum total cost of the suplyfor the next four years. The results of which factories to buy or employ if available, are provided, as well as which quantities are shipped from each factory to each demand region, in each year analyzed.