Dissertação
{en_GB=Reconfiguring the Stock Management Policy for the Critical Products of a Non-Production Warehouse. Schaeffler Portugal’s case study} {} EVALUATED
{pt=O desempenho das cadeias de abastecimento é altamente impactado pela eficiência das atividades dos seus armazéns. Como parte integrante das cadeias de abastecimento modernas, a gestão de armazéns pode ter um impacto significativo no custo das actividades logísticas das empresas. Para além do referido, a gestão de inventário referente a peças de manutenção aumenta substancialmente a complexidade do processo de gestão dos armazéns. É neste contexto que o tema para a presente dissertação estudado na Schaeffler Portugal surge. A Schaeffler Portugal é um fabricante de componentes automotivos e industriais. A política seguida pelo armazém geral da empresa é revista de forma a adaptá-la à natureza intermitente da procura dos produtos que gere. Assim, de forma a selecionar a melhor política para os artigos geridos por este armazém, modelos de gestão de inventários são analizados, bem como um algoritmo de redes neuronais recorrentes, de forma a prever a procura futura destes artigos. Os resultados demonstram que a politica de revisão de stocks (s, Q*) obtém melhores resultados. Finalmente, são retiradas conclusões das políticas analisadas bem como do impacto que a limitação de dados disponíveis tem no desempenho da rede neuronal recorrente. , en=The efficiency of the activities of a warehouse highly impact the performance of its supply chain. As a key-component of modern supply chains, warehouses can have a significant weight in the total cost of the logistics activities. Moreover, spare parts inventory management highly increases the complexity of the warehouse management process. It is in this context that the present dissertation proposed by Schaeffler Portugal, arises. Schaeffler Portugal is an automotive and industrial components manufacturer. The current non-production warehouse management policy is reviewed, in order to adapt it to the high intermittent demand nature of the products it manages. In order to select the best management policies for the considered items, stock management models are analyzed as well as a recurrent neural network algorithm to predict future demand, based on the DMAIC methodology. The results conclude that the (s, Q*) review policy provides the best overall results. Conclusions are drawn from the current policies as well as the impact that the limited available data proves to have in the performance of the machine learning algorithm.}
novembro 21, 2019, 15:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
