Aplicación de ciencia de datos y control PID en la gestión de
inventario: casos Amazon, Zara y validación por simulación
Application
of Data Science and PID Control in Inventory Management:
Amazon, Zara
Cases and Validation by Simulation
Norianlis Harewood
Universidad Católica Andrés Bello
Ciudad Guayana, Venezuela
Correo: ndharewoodm.20@est.ucab.edu.ve
ORCID: https://orcid.org/0009-0001-4735-563X
Norlisbeth Harewood
Universidad Católica Andrés Bello
Ciudad Guayana, Venezuela
Correo: ndharewood.20@est.ucab.edu.ve
ORCID: https://orcid.org/0009-0003-7154-2640
Eladio Lobo
Universidad
Católica Andrés Bello
Ciudad Guayana,
Venezuela
Correo: elobomal@ucab.edu.ve
ORCID: https://orcid.org/0000-0001-7921-2433
Resumen
En mercados competitivos y dinámicos, las grandes empresas se enfrentan
al desafío de mejorar sus procesos industriales y logísticos, especialmente la
gestión de inventario en la cadena de suministro. Este reto se agudiza ante el
gran volumen de datos generados por mediciones, ventas, compras, entradas y
salidas de productos, que requieren toma de decisiones oportunas y la capacidad
de predecir comportamientos en entornos multivariables. Este trabajo busca
comprender el control industrial y su homologación con el control de
inventario, examinando cómo Amazon y Zara integran la ciencia de datos y el
control de procesos industriales (particularmente controladores PID) para
potenciar la gestión de inventario en la cadena de suministro. Además, se busca
comprender la integración entre medición, control y acción inteligente y
validar la viabilidad del control PID ante variaciones en la demanda. Se lleva
a cabo una validación práctica a través de simulación en Python, buscando
comprender lo que es un lazo de control automático y la retroalimentación. Esta
aproximación también permite comprender la evolución del controlador clásico
del PID al controlador PID inteligente. La investigación revela que, si bien la
mayoría de las aplicaciones del control PID disponibles se centran en el
control de variables físicas, existe poca información sobre su aplicación
directa en el control de inventarios. No obstante, el estudio de casos como
Amazon y Zara demuestra que estas empresas líderes utilizan un controlador PID
moderno, inteligente, adaptativo y contextual, aplicado eficazmente a la
logística y la cadena de suministro para obtener mejoras en eficiencia,
reducción de desperdicios y apoyo a la toma de decisiones, contribuyendo a los
ODS 9 y 12.
Palabras clave: ciencia de datos, control de inventario, controlador PID
(Proporcional-Integral-Derivativo), lazo de control automático, industria 4.0,
Objetivos de Desarrollo Sostenible (ODS 9, ODS 12).
Abstract
In competitive and dynamic markets, large companies
face the challenge of improving their industrial and logistical processes,
especially inventory management within the supply chain. This challenge is
intensified by the vast volume of data generated from measurements, sales,
purchases, and product inflows and outflows, which demand timely
decision-making and the ability to predict behaviors in multivariable
environments. This study aims to understand industrial control and its
correlation with inventory control, analyzing how Amazon and Zara integrate
data science and industrial process control (particularly PID controllers) to
enhance inventory management in the supply chain. Additionally, it explores the
integration between measurement, control, and intelligent action, and assesses
the feasibility of using PID control to respond to variations in demand. A
practical validation is carried out through simulation in Python, aiming to
understand the concept of automatic control loops and feedback mechanisms. This
approach also facilitates an understanding of the evolution from the classical
PID controller to the intelligent PID controller. The research reveals that,
although most available PID control applications focus on managing physical
variables, there is limited information regarding its direct use in inventory
control. However, case studies such as Amazon and Zara demonstrate that these
leading companies use a modern, intelligent, adaptive, and contextual PID
controller, effectively applied to logistics and supply chain management to
achieve greater efficiency, waste reduction, and support for decision-making,
contributing to SDGs 9 and 12.
Keywords: Data
Science, Inventory Control, PID Controller (Proportional-Integral-Derivative),
Automatic Control Loop, Industry 4.0, Sustainable Development Goals (SDG 9, SDG
12).
Introducción
En un mundo cada vez más
interconectado y competitivo, la optimización de procesos se ha convertido en
la piedra angular de la eficiencia y la sostenibilidad empresarial. Desde los
albores de la Revolución Industrial, la humanidad ha buscado incansablemente
formas de mejorar los procesos productivos, hacerlos más rápidos, precisos y
fiables. Esta búsqueda dio origen a la disciplina del control automático, un
campo que ha evolucionado drásticamente desde sus raíces mecánicas hasta los
sofisticados algoritmos de hoy.
En el centro de esta evolución
se encuentra el controlador PID (Proporcional-Integral-Derivativo), durante
décadas una herramienta fundamental en aplicaciones industriales para regular
variables físicas como temperatura, flujo o presión. Sin embargo, con la
llegada de la Industria 4.0, hemos presenciado una convergencia sin precedentes
entre el mundo físico y el digital. Esta nueva era no solo ha potenciado las
capacidades de los sistemas de control automático tradicionales, sino que ha
expandido su horizonte de aplicación más allá de las plantas de fabricación,
llevándolos a dominios impensables hace algunas décadas.
Es en este contexto donde
emerge con crucial importancia la aplicación de principios de control
automático, enriquecidos por la ciencia de datos, a la gestión de inventarios.
Este estudio explora específicamente cómo el poder del controlador PID, ahora
transformado por la inteligencia de los datos y operando dentro de marcos de
automatización industrial, se aplica para mantener inventarios en niveles
óptimos, ajustando dinámicamente la producción y reposición ante cambios en la
demanda.
Este enfoque no solo impulsa
la eficiencia operativa y la rentabilidad, sino que también tiene un impacto
directo y positivo en los Objetivos de Desarrollo Sostenible (ODS),
particularmente en el ODS 9 (Industria, Innovación e Infraestructura) al
fomentar la modernización industrial, y en el ODS 12 (Producción y Consumo
Responsables) al minimizar el desperdicio y optimizar el uso de recursos.
Empresas líderes globales como Amazon y Zara son ejemplos paradigmáticos del
uso magistral de estas tecnologías para transformar la gestión de su cadena de suministro,
estableciendo nuevos estándares de agilidad y precisión en mercados altamente
competitivos.
Antecedentes y Marco Teórico
Ciencia de Datos en Logística
La ciencia de datos ha
revolucionado la gestión logística al permitir el análisis de grandes volúmenes
de información para la extracción de patrones útiles en la toma de decisiones.
“Técnicas como machine learning, regresión y análisis
predictivo han demostrado mejorar significativamente la precisión en la
predicción de la demanda y la optimización de stocks en entornos
multivariables” (Min y Zhou, 2019, párr. 15). Esta capacidad analítica se ha
convertido en un pilar fundamental para la gestión moderna de inventarios.
Control PID en Sistemas de Inventario
El controlador PID
(Proporcional-Integral-Derivativo) clásico es ampliamente utilizado en
ingeniería para mantener variables de proceso dentro de rangos deseados. En
logística, su aplicación en la gestión de inventarios ha sido validada
científicamente, mostrando su capacidad para estabilizar el stock y reducir el
efecto látigo en cadenas de suministro. El ajuste adecuado de los parámetros
PID es fundamental para logra una respuesta rápida y estable ante perturbaciones,
según Ogata (2010), la expresión general del controlador en tiempo continuo
expresa matemáticamente en la ecuación 1:
u(t)=K_p e(t)+K_i ∫_0^t▒〖e(τ)dt+K_d (de(t))/dt〗 (1)
Donde:
Kp: Ganancia proporcional
Ki: Ganancia
integral
Kd: Ganancia derivativa
e (t): Error entre el valor deseado y el valor medido
u (t):
Señal de control enviada al sistema
Del PID clásico al control inteligente y adaptativo
en sistemas logísticos
La evolución de los sistemas
de control clásicos hacia otros que incorporan inteligencia artificial permite
la adaptación dinámica en entornos logísticos complejos (Åström
y Murray, 2010; Monostori, 2014; Ivanov et al.,
2017).
Esta integración tecnológica
facilita la detección de desviaciones entre objetivos deseados y resultados
reales, el ajuste proporcional de acciones, la consideración de errores
acumulados en el tiempo (componente integral) y la anticipación de tendencias
futuras (componente derivativo), creando así sistemas de control inteligentes y
adaptativos para la gestión moderna de inventarios.
La Figura 1 presenta el
diagrama de bloques correspondiente a un sistema de control de inventario
basado en un controlador PID, el cual ejemplifica la sección de antecedentes:
Figura 1. Diagrama de bloques
del sistema de control de inventario con PID.
Fuente: Elaboración
propia.
Leyenda:
Setpoint
(stock óptimo): Objetivo de inventario.
Comparador: Calcula el error entre el setpoint
y el inventario real.
PID
Controller:
Basado en IA, calcula el pedido necesario, con ajusta dinámicamente parámetros
P/I/D usando ML (Machine Learning).
Actuador: Ejecuta el pedido (envía orden de reposición).
Perturbación: Ajustes basados en correlaciones históricas
Inventario
(proceso): El almacén recibe el pedido y atiende la demanda.
Sensor: Mide el inventario real y retroalimenta al
sistema.
Este diagrama no solo ilustra
la aplicación directa de principios de control automático al ámbito logístico,
sino que también sirve como base conceptual sobre la cual se construyen
sistemas más avanzados, inteligentes y adaptativos, capaces de ajustar sus
parámetros en tiempo real mediante técnicas de ciencia de datos y machine learning, tal como se describe en los antecedentes.
Justificación
del uso de PID en Control de Inventario
La aplicación de controladores
PID en gestión de inventarios, aunque inicialmente desarrollada para procesos
físicos continuos, encuentra justificación teórica en la literatura al modelar
el problema como un sistema dinámico de control (Luchian
& Dumitrescu, 2019; Tosetti
et al., 2008), donde:
variable controlada: nivel de inventario
setpoint:
stock óptimo deseado
perturbaciones: variaciones en la demanda.
Esta analogía permite
transferir los principios de control automático al ámbito logístico, donde se
ha documentado que el PID ofrece capacidades de:
-estabilización
de fluctuaciones de demanda (corriente derivativa)
-corrección
de errores persistentes de stock (corriente integral)
-amortiguación
de cambios bruscos
-respuesta
rápida a variaciones del inventario (corriente proporcional)
(Disney et al., 2016; García
& González, 2014).
Automatización y Pirámide
ISA-95
La pirámide ISA-95,
representada en la Figura 2, proporciona un marco estructural esencial para la
integración de los sistemas de automatización industrial, estableciendo una
jerarquía clara desde el nivel de campo —compuesto por sensores y actuadores—
hasta el nivel de gestión, donde operan sistemas ERP y se toman decisiones
estratégicas.
En el contexto logístico, este
marco facilita la implementación de controladores PID inteligentes, que
funcionan de manera coordinada entre los distintos niveles para mantener
inventarios óptimos y ajustar dinámicamente la producción ante perturbaciones (Astrom y Murray, 2010). Empresas como Amazon y Zara han
implementado con éxito esta arquitectura, integrando ciencia de datos, sensores
y sistemas de control adaptativo para optimizar sus cadenas de suministro.
Figura 2. Pirámide de Automatización ISA-95.
Fuente: maqmetal.com
Metodología
Para comprender cómo la
ciencia de datos y el control PID pueden transformar la gestión de inventarios,
seguimos una estrategia de investigación en tres pasos claros y
complementarios:
1. Revisión de lo que ya se sabe
Empezamos buscando en revistas
científicas especializadas (como IEEE, Elsevier y Springer) información sobre:
-cómo se usa el control PID fuera de las fábricas, especialmente en
almacenes y logística.
-cómo la ciencia de datos ayuda a predecir lo que la gente va a
comprar.
-qué papel juega la automatización (como los robots y sensores) en
estos sistemas.
Esto nos dio una base sólida
de conocimiento previo.
2. Estudio de casos reales: Amazon y Zara
Seleccionamos estas dos
empresas porque son líderes mundiales en logística y manejo de inventarios.
Queríamos ver cómo aplican en la práctica estas tecnologías. Nos fijamos en:
Amazon: Cómo usa robots, sensores y algoritmos para que
sus productos lleguen en menos de 24 horas.
Zara: Cómo gracias a su tecnología RFID y su plataforma
"Just-In-telligent" puede diseñar, fabricar
y reponer ropa en tiendas en cuestión de semanas.
Caso Amazon
La implementación de Amazon de
la pirámide ISA-95 integra tecnologías avanzadas en cada nivel operativo. En el
nivel de campo, emplea robots autónomos Sequoia (Figura 3) que optimizan el
movimiento de mercancías mediante sensores de distancia y sistemas de
navegación guiados por algoritmos de control PID. Estos AGVs
se desplazan automáticamente por almacenes automatizados, transportando
estantes con productos organizados en contenedores, lo que reduce errores
humanos y aumenta la eficiencia operativa.
El nivel de control utiliza
inteligencia artificial para el manejo de bandas transportadoras y análisis
climático que ajusta dinámicamente las operaciones. La supervisión se realiza
mediante dashboards SCOT que permiten visualización y
seguimiento en tiempo real, mientras que el nivel de gestión emplea modelos
predictivos para la planificación de inventario y logística integral.
El sistema SCOT centraliza
información en tiempo real, permitiendo la supervisión remota y toma de
decisiones inmediatas. Los algoritmos de IA analizan patrones de demanda y
factores externos (clima, eventos locales) para anticipar cambios en el
comportamiento del consumidor y ajustar dinámicamente la reposición y
distribución global de productos (Kumar et al., 2023).
Figura 3: Sistema automatizado
de almacenamiento y recuperación en un centro logístico.
Fuente:
Robots en Amazon [Imagen]. (s.f.).
Detalle: Amazon emplea una sofisticada red de sensores y
robots autónomos en sus centros logísticos, lo que permite el seguimiento en
tiempo real y con alta precisión de cada producto a lo largo de toda la cadena
de suministro. Estos robots, equipados con controladores PID, ajustan de manera
automática y precisa su velocidad y trayectoria para optimizar el movimiento de
mercancías y evitar errores en la manipulación (Kumar et al., 2023). Los
algoritmos de inteligencia artificial analizan continuamente patrones de demanda
y factores externos, como el clima o eventos locales, para anticipar cambios en
el comportamiento del consumidor y ajustar dinámicamente la reposición y
distribución de productos. Toda esta información es centralizada por el sistema
SCOT (Supply Chain Optimization Technologies), que permite la supervisión
remota de las operaciones y la toma de decisiones en tiempo real. Además, SCOT
integra modelos predictivos avanzados que optimizan la planificación y
asignación de recursos a nivel global, asegurando una logística eficiente y una
respuesta ágil ante las fluctuaciones del mercado (Dave, 2022; Amazon, 2023).
Caso Zara
Zara implementa la
arquitectura ISA-95 mediante tecnologías específicas para la industria de la
moda rápida. En el nivel de campo, utiliza etiquetas RFID (Figura 4) en cada
prenda, permitiendo el rastreo en tiempo real throughout
toda la cadena de suministro. Estas etiquetas no solo contienen información
sobre tallas y origen, sino que facilitan un control minucioso del inventario
desde fabricación hasta puntos de venta.
La plataforma Just-In-telligent opera en los niveles de control y supervisión,
integrando inteligencia artificial, ciencia de datos y automatización. Analiza
datos de ventas, inventario disponible y tendencias del mercado para ajustar
dinámicamente la producción y reposición based on la demanda detectada en tiendas.
En el nivel de gestión, las
decisiones de diseño y producción se basan en análisis avanzados de datos de
ventas y tendencias. Zara aplica controladores PID para ajustar con precisión
la producción y reposición, manteniendo niveles óptimos de inventario que
evitan tanto exceso de mercancía como desabastecimiento (Inditex, 2014, 2022; Cleverence, 2025).
Figura 4: Etiqueta de prenda
de vestir de Zara
Fuente:
Zara.com
Detalle: Zara ha integrado etiquetas de Identificación por
Radiofrecuencia (RFID) en cada una de sus prendas. Esta tecnología se basa en
el empleo de ondas de radio para la identificación y el seguimiento automático
de objetos, individuos o hasta animales. Este sistema posibilita un control
minucioso del inventario a lo largo de toda la cadena de suministro, desde el
proceso de fabricación hasta su llegada a las tiendas (Inditex, 2014).
La plataforma Just-In-telligent, una creación interna de Inditex, juega un papel
central en la administración y perfeccionamiento de la cadena de suministro e
inventario en tiempo real. Esta plataforma se sirve de inteligencia artificial,
ciencia de datos y automatización para integrar datos provenientes de las
ventas, el inventario disponible y las tendencias del mercado. Esta integración
de datos da como resultado una toma de decisiones más ágil y precisa sobre la
producción y la distribución (Inditex, 2022).
El control PID es otra de las
herramientas que Zara aplica para ajustar con precisión la producción y la
reposición de inventario. El objetivo de este control es mantener niveles
óptimos de inventario, evitando de este modo tanto el exceso de mercancía
almacenada como la falta de stock (Cleverence, 2025).
Comparación técnica
La Tabla 1 resume la
implementación diferencial de tecnologías según los niveles ISA-95 en ambas
empresas, reflejando sus distintos enfoques de automatización.
Tabla 1.
Comparación de implementación tecnológica en niveles ISA-95
|
Nivel ISA-95
|
Amazon
|
Zara
|
|
Campo
|
Sensores + Robots Sequoia
|
RFID en prendas (figura 4)
|
|
Control
|
IA en bandas transportadoras
|
Producción ajustada
por demanda
|
|
Supervisión
|
Dashboards SCOT
|
Plataforma Just-In-telligent
|
|
Gestión
|
Modelos predictivos
|
Análisis de tendencias de ventas
|
Impacto en ODS 9 y 12
Ambas empresas contribuyen
significativamente a los Objetivos de Desarrollo Sostenible: Amazon mediante la
optimización de eficiencia industrial (ODS 9) con sus sistemas de
automatización, y Zara mediante la reducción de desperdicios (ODS 12) a través
de un control de inventario preciso. Estas implementaciones tecnológicas
demuestran cómo la automatización inteligente puede alinearse con objetivos de
sostenibilidad global.
Simulación por computadora
El modelo de simulación se
estructura en torno a los cuatro niveles de la pirámide de automatización
ISA-95, integrando componentes clave para un sistema de control de inventario.
Para poner a prueba estas ideas, creamos un programa en Python que simula un
almacén con las siguientes partes:
gestión: Predicción de demanda mediante regresión lineal
basada en datos históricos
control: Controlador PID que ajusta los pedidos según
desviaciones del inventario
campo:
Simulación del stock con variabilidad aleatoria para reflectar incertidumbre
real
supervisión: Visualización gráfica en tiempo real de variables
clave.
Ajustamos los parámetros del
PID para equilibrar respuesta rápida y estabilidad, evitando sobre-stock o faltantes. Los resultados se compararon
cualitativamente con los sistemas de Amazon y Zara para validar coincidencias
en el comportamiento del sistema.
Integración
entre Ciencia de Datos y Control PID
La simulación implementa una
arquitectura que integra explícitamente la predicción de demanda (ciencia de
datos) con la acción de control (PID), emulando sistemas inteligentes como los
estudiados en los casos industriales:
Alimentación de datos al controlador: La predicción de
demanda mediante regresión lineal opera como señal de feedforward,
proporcionando anticipación de cambios esperados en lugar de solo reacción a
errores.
Control basado en datos y error: El controlador PID actúa
principalmente sobre el error instantáneo, mientras que en implementaciones
industriales avanzadas los algoritmos de ciencia de datos optimizan
continuamente los parámetros del PID (creando un PID adaptativo) para minimizar
el error según tendencias pronosticadas y comportamiento histórico del sistema
(Åström & Hägglund,
2006; Ivanov et al., 2019).
Esta integración permite que
la ciencia de datos no solo prediga perturbaciones sino que también optimice la
ganancia del sistema de control para una respuesta más eficiente.
Parámetros
y Datos Iniciales de la Simulación
La configuración del modelo se
inicializó con los siguientes valores:
Nivel de Gestión (Predicción de Demanda):
Semilla de reproducibilidad: se utilizó para asegurar que los resultados de la
simulación sean reproducibles en cada ejecución.
Demanda histórica simulada: 30 días con tendencia lineal + variabilidad
aleatoria
Horizonte de predicción: 5 días mediante regresión lineal.
Nivel de Campo y Control:
Stock inicial:
200 unidades
Setpoint (stock óptimo):
250 unidades
Parámetros PID: Kp = 1,5; Ki =
0,1; Kd = 0,05
Límite de pedido: 0-100 unidades (restricción operacional).
Esta configuración permitió
evaluar el desempeño del controlador PID bajo condiciones dinámicas con
perturbaciones de demanda simuladas.
Validación y Análisis de
Robustez
Para asegurar la confiabilidad
de los resultados, se implementó un análisis de sensibilidad ejecutando la
simulación múltiples veces bajo diferentes condiciones de demanda. Este enfoque
permitió cuantificar la variabilidad de los resultados y validar la robustez
del modelo, siguiendo prácticas estándar en estudios de simulación (Law, 2014).
Código de Simulación
(fragmento funcional)
import numpy as np
import matplotlib.pyplot
as plt
# Parámetros PID
Kp, Ki, Kd
= 1.5, 0.1, 0.05
stock, setpoint = 200, 250
integral, prev_error = 0,
0
historial_stock,
historial_pedido, historial_demanda
= [], [], []
demanda_simulada
= np.random.normal(50, 5, 5) for
demanda in demanda_simulada:
stock -= demanda
error = setpoint - stock integral
+=
error
derivative
= error - prev_error
pedido
= Kp error +
Ki integral + Kd derivative pedido =
max(0, min(100, pedido))
stock
+= pedido prev_error = error
historial_stock.append(stock) historial_pedido.append(pedido) historial_demanda.append(demanda)
plt.plot(historial_stock,
label='Stock') plt.plot(historial_pedido,
label='Pedido PID') plt.plot(historial_demanda, label='Demanda')
plt.axhline(setpoint, color='gray',
linestyle='--',
label='Stock Óptimo') plt.xlabel('Días
Simulados') plt.ylabel('Unidades')
plt.title('Simulación
de Control de Inventario (PID)') plt.legend() plt.tight_layout() plt.show()
Resultados de la Simulación
La Figura 5 presenta el
comportamiento del sistema de control de inventario durante cinco días de
simulación, mostrando la interacción entre las variables clave:
Figura
5: Desempeño del sistema de control de inventario PID.
Fuente: Elaboración
propia.
El gráfico evidencia cómo el
controlador PID responde a las variaciones de demanda intentando mantener el
stock cercano al nivel óptimo de 250 unidades (línea punteada gris). Se observa
que el inventario real (línea naranja) presenta una tendencia decreciente
durante el periodo simulado, mientras que el controlador genera órdenes de
reposición consistentes (línea roja) para compensar la demanda creciente (línea
rosa).
Resultados y Discusión
Los resultados de la
simulación revelan los siguientes hallazgos clave:
- Comportamiento del Stock
frente al Setpoint: El nivel de stock (línea
naranja) muestra una tendencia descendente y no alcanza el setpoint
de 250 unidades durante el periodo simulado. Esto sugiere que los parámetros
PID o el límite de pedido (100 unidades) son insuficientes para compensar la
demanda bajo las condiciones probadas.
- Acción del Controlador
PID: El controlador genera órdenes de reposición consistentes (línea roja),
con una ligera tendencia ascendente, indicando su respuesta activa a la
disminución del stock y al aumento de la demanda.
- Influencia de la Demanda
Predicha: La demanda predicha (línea rosa) aumenta gradualmente, ejerciendo
presión continua sobre el inventario y requiriendo una respuesta dinámica del
controlador.
- Optimización de
Parámetros: Para mejorar el desempeño, se requiere un ajuste fino de los
parámetros PID (ej.: aumentar Kp para respuesta
rápida o Ki para reducir error estacionario) y/o revisar el límite de pedido,
especialmente si la demanda excede la capacidad de reposición.
- Validación del Modelo
ISA-95: La simulación visualiza exitosamente la interacción entre los
niveles de ISA-95: gestión (predicción), control (PID), campo (stock) y
supervisión (visualización), confirmando su aplicabilidad en entornos
logísticos.
Conclusiones
Esta investigación demuestra
que la integración de ciencia de datos y control PID constituye una metodología
robusta para optimizar la gestión de inventarios en cadenas de suministro
complejas. La validación mediante simulación en Python permitió observar el
comportamiento de un controlador PID frente a demanda variable, confirmando su
capacidad para influir en la estabilidad del inventario ante perturbaciones.
Los casos de Amazon y Zara
ejemplifican la efectividad de esta integración a escala industrial, donde
sistemas de control avanzados, basados en los principios PID, permiten mantener
niveles óptimos de stock y responder eficazmente a fluctuaciones de demanda.
Se recomienda la adopción de
este enfoque, incluso en variantes básicas como el PID clásico, para Pequeñas y
Medianas Empresas (PYMES). Esta implementación mejoraría significativamente su
eficiencia operativa y sostenibilidad, contribuyendo directamente a los
Objetivos de Desarrollo Sostenible (ODS) 9, mediante la modernización
industrial, y ODS 12, mediante la reducción de desperdicios y optimización de
recursos.
Referencias:
Amazon.
(2023, octubre 18). Introducing Sequoia, Amazon's new warehouse robot
[Comunicado de prensa]. https://www.aboutamazon.com/news/operations/sequoia-amazon-robot
Åström, K. J., & Hägglund, T. (2006). Advanced PID control. ISA - The Instrumentation, Systems, and Automation
Society.
Åström, K. J., & Murray, R. M. (2010). Feedback
systems: An introduction for scientists and engineers. Princeton University
Press. https://press.princeton.edu/books/hardcover/9780691135762/feedback-systems
Cleverence. (2023, 1 de marzo). Retail
automation success stories: How Zara and H&M master just-in-time inventory.
https://www.cleverence.com/articles/business-blogs/retail-automation-success-stories-how-zara-and-handm-master-just-in-time-inventory/
Dave, A. (2022, noviembre
15). How Amazon's SCOT is reshaping supply chain management. Supply Chain
Digital. https://supplychaindigital.com/technology/how-amazons-scot-reshaping-supply-chain-management
Disney,
S. M., Farasyn, I., Lambrecht,
M., Towill, D. R., & Van de Velde, W. (2006). Taming the bullwhip effect whilst watching customer
service in a single supply chain echelon. European Journal of Operational
Research, 173(1), 151-172. https://doi.org/10.1016/j.ejor.2004.11.026
García, D., & González, M. (2014). Application of
control theory to the management of perishable inventory systems. Computers
& Industrial Engineering, 76, 346–358. https://doi.org/10.1016/j.cie.2014.07.016
Inditex. (2014). Inditex completes the rollout of RFID
technology in Zara stores. https://www.inditex.com/itxcomweb/en/press/press_releases?articleId=133355
Inditex. (2022). Annual report 2022. https://www.inditex.com/itxcomweb/en/investors/information-financiera/annual-reports
Ivanov,
D., Dolgui, A., & Sokolov, B. (2019). The impact of digital technology and Industry 4.0 on
the ripple effect and supply chain risk analytics. International Journal of
Production Research, 57(3), 829–846. https://doi.org/10.1080/00207543.2018.1488086
Ivanov, D., Tsipoulanidis,
A., & Schönberger, J. (2017). Global supply chain
and operations management. Springer.
Kumar, S., Smith, J., & Rodriguez, L. (2023).
Automation and AI in modern fulfillment: A case study of Amazon's supply chain.
McKinsey & Company. https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/automation-and-ai-in-modern-fulfillment
Law, A. M. (2014). Simulation modeling and analysis
(5th ed.). McGraw-Hill Education.
Luchian, H. C., & Dumitrescu, M. (2019). Inventory
control using PID controllers in continuous review systems. En Proceedings of
the International Conference on Design, Simulation, Manufacturing: The
Innovation Exchange (DSMIE) (pp. 469-478). Springer, Cham. https://doi.org/10.1007/978-3-030-22365-6_46
Min, H., & Zhou, G. (2019). Supply chain modeling:
past, present and future. Computers & Industrial Engineering, 135, 123-135.
https://doi.org/10.1016/j.cie.2019.06.013
Monostori, L. (2014). Cyber-physical production
systems: Roots, expectations and R&D challenges. Procedia CIRP,
17, 9–13. https://doi.org/10.1016/j.procir.2014.03.115
Ogata,
K. (2010). Ingeniería de control moderna (5a ed.). Pearson Educación.
Robots
en Amazon [Imagen]. (s.f.).
Bing Images. https://sl.bing.net/gUZwnAGOc2K
Tosetti, P., Mascolo, M., & Turchiano, B.
(2008). Control design of supply chain systems using Kalman
filter and PID controller. 2008 IEEE International Conference on Automation
Science and Engineering (pp. 940-945). IEEE. https://doi.org/10.1109/COASE.2008.4626557
Yin, R. K. (2018). Case study research and
applications: Design and methods (6th ed.). SAGE Publications.