Técnicas avanzadas de gestión de stocks. Aplicación a la gestión de almacenes en farmacia hospitalaria

Abstract

En este trabajo se pretende disminuir la incertidumbre existente en la gestión de stocks, con objeto de mejorar la eficiencia de los servicios de almacenamiento, en particular aplicado al caso de la gestión farmacéutica de los hospitales. Para ello se aplican técnicas avanzadas de estimación a la problemática de la gestión de stock en farmacia hospitalaria. Se utilizará un enfoque orientado a determinar la dinámica de este tipo de sistemas que, mediante técnicas de minería de datos, aprovecha el conocimiento de la dinámica para optimizar el funcionamiento del servicio de farmacia, a diferencia de los enfoques clásicos para la solución de este tipo de problemas, normalmente estáticos y basados en la utilización de técnicas propias de la investigación operativa. El objetivo es demostrar la viabilidad de utilizar técnicas de análisis de series temporales y de modelos causales para la estimación de la demanda. Se usan técnicas del ámbito del data mining (machine learning, knowledge discovery, ...) para comparar y extender los resultados anteriores. Entre estas técnicas estarían: árboles de decisión, regresión multivariable, redes neuronales, Modelos de Markov, Máquinas de Vectores Soporte (SVM), etc.

The objective of this work is to reduce the existing uncertainty in stocks management, with the aim of improve the efficiency of stocks services, in particular applied to the pharmacy management in hospitals. Advanced techniques of estimation are applied to the problem of stocks management in hospital's pharmacies. An approach oriented to determined dynamics of this kind of systems will be applied, using data mining techniques, making the most of the known of the dynamics to optimize the performance of the stocks service management, in contrast with the classical approaches to this kind of problems, usually statics and based on the utilization of operative investigation techniques. The objective is to demonstrate the viability of using time series and causal models analysis techniques to estimate de demand. Data mining techniques are used (machine learning, knowledge discovery, ...) to compare and extend the previous results. Among this techniques can be cited decision trees, multivariate regression , neural networks, Markov models , Support Vector Machines (SVM ) , etc.