Magic-Logistics

Prediction Mode
Enter returned items data

Inspiración

Nuestra inspiración y objetivo fue hacer una herramienta que se pueda aplicar en las operaciones de campo en los vuelos. De esta manera, el personal encargados de cargar, distribuir y descargar productos de los aviones puedan fácilmente registrar vuelos e inventario, además de apoyarse de un modelo de predicción para saber qué tanto cargar al avión.

Todo esto esperando lograr acercar al personal en la participación de la logística, en donde sencillamente se benefician de esta logística inteligente y puedan contribuir sencillamente a esta logística inteligente.

¿Qué hace?

Es una herramienta digital de registro y predicción de los productos que se cargan y descargan para cada vuelo. Esto con el objetivo de facilitar al personal encargado de los insumos poder decidir de manera inteligente qué productos y cuantos cargar al avión. Todo mientras se mantiene un registro íntegro entre servicio, vuelos y productos para mantener inventario y futuro material para el modelo de predicción. Esto de manera intuitiva mientras se registra las operaciones desde la carga hasta la descarga de los productos de los vuelos

¿Cómo lo construimos?

El front-end fue programado en react+typescript con Vite como herramienta de desarrollo y Bootstrap como librería de componentes. Esto facilitó el desarrollo de la página al poder estar programando y actualizando en tiempo real la vista.

Retos que enfrentamos

Al ser 2 personas solamente las que hicimos el proyecto entero, fué bastante pesado lograr masterizar la aplicación de conceptos necesarios para la implementación del modelo de machine learning para la predicción. Otro reto que fué bastante notable fueron las conexiones de apis, ya que hubieron errores al tener cada conexión como un objeto diferente, ya que se contradecían y no se encontraban a la hora de ya conectar todo con el frontend, ya que las conexiones simuladas en el backend si funcionaban inicialmente. Estos dos retos se lograron pasar, y al final logramos tener el producto en tiempo y forma, dándonos la oportunidad de buscar bugs y empezar a quitarlos y mejorar la experiencia de el usuario.

Logros que estamos orgullosos

Obtuvimos un modelo de predicción bastante acertivo, dandonos un margen de mas/menos 10 unidades por producto, lo cuál reduciría la carga de el avión bastante, optimizando también el proceso de embarque que necesita hacer gategroup para cada vuelo, y haciendo una interfaz gráfica intuitiva para que los usuarios puedan ingresar los datos y con solo poner los datos de el vuelo obtener una buena predicción y la opción de también subir datos al final del vuelo para cada vez subir más el porcentaje de acertividad, que en un inicio con la base de datos que gategroup compartió quedó en un 84.7% de acertividad, siendo bastante alto para un modelo basado en muchos y muy variados datos significativos.

Que aprendimos

Por parte del backend se aprendió a manejar de manera optimizada y ordenada las conexiones API y los endpoints para poder tener un manejo legible de los datos y evitar problemas al leer listas de python sin formatear. Aunque ya había trabajado con modelos de predicción y análisis de datos, en este caso usé herramientas de python que nunca había utilizado, lo cuál me preparó más para futuros proyectos, y dándome la oportunidad de aprender con una base de datos bastante extensa y con metodos de limpieza y filtrado de datos tipo pipeline.

Que sigue para Magic-Logistics

Este proyecto prototipo tiene el potencial de seguir integrando diferente datos y modelos en una sola herramienta. Como ejemplo, a partir del registro de productos a cargar al vuelo, un modelo de tiempo y optimización de espacio en los compartimientos del avión se podría generar. Al igual, los productos recomendados por el modelo pueden estar vinculados por el almacén general de Gategroup para que no solo recomiende el modelo a base de patrones, sino de la caducidad y disponibilidad de cada producto.