La logistica transformada por IA

La logistica es una de las areas donde la IA tiene resultados mas inmediatos y cuantificables. Cada porcentaje de mejora en eficiencia de rutas, cada hora ganada en tiempo de entrega, cada incidencia evitada tiene un impacto directo en el margen del negocio y en la satisfaccion del cliente.

El sector logistico mueve 10 billones de euros al ano en Europa. Aun asi, muchas empresas planifican rutas con hojas de calculo, estiman tiempos de entrega con reglas genericas y gestionan devoluciones manualmente. La IA no requiere una transformacion radical para generar valor. Basta con aplicarla a problemas concretos y medir resultados.

Las areas con mayor impacto de IA en logistica son:

• Optimizacion de rutas: ahorros del 10-25% en kilometros y combustible.
• ETAs predictivos: precision del 90%+ frente al 70% de los metodos tradicionales.
• Prediccion de incidencias: anticipar retrasos, danos y fallos de entrega.
• Planificacion de entregas: asignar ventanas de entrega que maximicen eficiencia y satisfaccion.
• Gestion de devoluciones: reducir costes de logistica inversa y maximizar recuperacion de valor.

Optimizacion de rutas con IA

El Vehicle Routing Problem (VRP) es uno de los problemas clasicos de optimizacion. Dada una flota de vehiculos, un conjunto de entregas y restricciones (capacidad, ventanas horarias, horario del conductor), encontrar las rutas que minimizan el coste total. Es un problema NP-hard: la solucion optima no se puede calcular por fuerza bruta cuando tienes mas de unas decenas de paradas.

IA para routing vs routing clasico

Los algoritmos clasicos (nearest neighbor, savings algorithm, sweep) dan soluciones rapidas pero suboptimas. Los metaheuristicos (genetic algorithms, simulated annealing, tabu search) mejoran la solucion pero son lentos. La IA moderna combina ambos enfoques: metaheuristicos acelerados con ML que aprenden de soluciones historicas.

Los sistemas de IA para routing incorporan variables que los algoritmos clasicos ignoran:

• Trafico en tiempo real: la ruta optima a las 8 AM no es la misma que a las 14:00.
• Trafico historico: patrones de congestion predecibles por dia de la semana y hora.
• Condiciones meteorologicas: lluvia intensa reduce velocidad media un 15-20%.
• Restricciones urbanas: zonas de baja emision, restricciones de peso/tamano, calles cortadas.
• Preferencias del cliente: ventana de entrega, instrucciones de acceso, punto de entrega alternativo.
• Caracteristicas del vehiculo: autonomia (para electricos), carga maxima, tipo de mercancia.

Re-optimizacion dinamica

La ruta planificada a las 6 AM puede no ser optima a las 10 AM. Un accidente cierra una calle, un cliente cancela una entrega, un vehiculo se averia. La IA re-optimiza las rutas en tiempo real, redistribuyendo entregas entre vehiculos y ajustando el orden de paradas. Esto requiere conectividad con los vehiculos (GPS, app del conductor) y capacidad de calculo en tiempo real.

ETAs predictivos: promesas que se cumplen

Un ETA (Estimated Time of Arrival) preciso es critico por dos razones. Primera, la experiencia del cliente: prometer "entrega entre 10:00 y 18:00" no es aceptable en 2026. Los clientes esperan ventanas de 1-2 horas y tracking en tiempo real. Segunda, la eficiencia operativa: un ETA preciso reduce los intentos fallidos de entrega (el cliente no esta en casa), que cuestan entre 5 y 15 EUR por intento.

Variables para ETAs predictivos

Un modelo de ETA predictivo combina:

• Distancia y ruta entre paradas
• Tiempo de servicio en cada parada (variable segun tipo de entrega, edificio con/sin ascensor, tipo de receptor)
• Trafico actual y predicho para las proximas horas
• Historico de tiempos reales del mismo conductor en rutas similares
• Meteorologia (lluvia, nieve, viento afectan tiempos)
• Tipo de vehiculo y carga

Modelos de ETA

Los modelos mas efectivos para ETAs son gradient boosting (XGBoost, LightGBM) para la prediccion del tiempo entre paradas y graph neural networks para modelar la red viaria como un grafo. Google Maps y Waze usan deep learning sobre grafos para sus ETAs, con precisiones del 95%+ en zonas urbanas.

Comunicacion proactiva

El ETA predictivo no sirve solo para estimar la hora. Tambien permite comunicacion proactiva con el cliente: "Tu pedido llegara entre 14:30 y 15:30" al inicio del dia, "Tu pedido esta a 3 paradas de distancia, llegara en aproximadamente 25 minutos" cuando el vehiculo se acerca, y "Retraso de 20 minutos por trafico en tu zona" si las condiciones cambian. Esta comunicacion reduce las llamadas al contact center preguntando "donde esta mi pedido" (que suelen ser el 20-30% de las llamadas en empresas de logistica).

Prediccion de incidencias logisticas

Las incidencias logisticas (retrasos, danos, entregas fallidas, perdidas) tienen un coste directo (re-envio, reembolso, gestion) y un coste indirecto (insatisfaccion, churn). La IA puede predecir muchas de estas incidencias con tiempo suficiente para actuar.

Tipos de incidencias predecibles

• Entrega fallida: el cliente no esta en casa. Predecible con datos historicos: este cliente ha tenido 3 entregas fallidas en horario de manana. Accion: programar en horario de tarde o contactar previamente.
• Retraso: el envio va a llegar fuera de la ventana prometida. Predecible con tracking en tiempo real + ETA predictivo. Accion: notificar al cliente antes de que llame a preguntar.
• Dano en transito: correlacionable con ruta (carreteras en mal estado), tipo de embalaje, peso del paquete y transportista. Predecible a nivel de lote o ruta, no de paquete individual.
• Perdida: mas dificil de predecir, pero patrones como ciertos centros de distribucion o rutas con mayor tasa de perdida son identificables.

Alertas tempranas

El sistema genera alertas tempranas con nivel de riesgo y accion sugerida: "Riesgo ALTO de entrega fallida para 15 paquetes de la ruta R-042 (historico de entregas fallidas en esa zona > 25%). Accion sugerida: contactar a los 15 clientes por SMS para confirmar disponibilidad y ofrecer alternativa (punto de recogida, vecino)."

Planificacion de entregas inteligente

La planificacion de entregas va mas alla de las rutas. Incluye decidir cuando entregar (ventana horaria), como agrupar pedidos por zona y fecha, y como balancear carga entre vehiculos y conductores.

Ventanas de entrega dinamicas

En vez de ofrecer ventanas fijas (manana, tarde, dia completo), la IA calcula ventanas dinamicas basadas en la carga prevista para cada zona y dia. Si una zona ya tiene 30 entregas programadas para el martes, el sistema ofrece ventanas mas amplias o sugiere el miercoles con ventana estrecha. Esto equilibra carga y precision.

Consolidacion de pedidos

La IA agrupa pedidos por proximidad geografica y ventana temporal para maximizar el numero de entregas por ruta y minimizar el coste por entrega. Esto incluye consolidar pedidos de diferentes clientes en la misma ruta y, para el mismo cliente, consolidar multiples pedidos en una sola entrega cuando es posible.

Asignacion de vehiculos

No todos los vehiculos son iguales. La IA asigna vehiculos segun el tipo de mercancia (refrigerado, fragil, voluminoso), la zona (vehiculos pequenos para centros urbanos, grandes para rutas interurbanas) y la carga (optimizar el llenado de cada vehiculo para reducir el numero de viajes).

La complejidad de la ultima milla

La ultima milla (el tramo final de la entrega, desde el centro de distribucion hasta la puerta del cliente) es el tramo mas caro y mas complejo. Representa entre el 40% y el 50% del coste total de la cadena logistica. Y es donde la experiencia del cliente se gana o se pierde.

Desafios de la ultima milla

• Densidad variable: en zonas urbanas densas, puedes hacer 20 entregas por hora. En zonas rurales, 3-4. El coste por entrega varia dramaticamente.
• Acceso: porteros, codigos de acceso, edificios sin ascensor, calles peatonales. Cada entrega tiene sus particularidades.
• Presencia del receptor: el cliente no siempre esta. Cada intento fallido cuesta dinero y frustra al cliente.
• Devoluciones: el flujo inverso (recoger devoluciones) compite con el flujo directo (hacer entregas) por los mismos recursos.
• Expectativas crecientes: Amazon ha establecido entregas en el mismo dia o al dia siguiente como estandar. El cliente espera lo mismo de cualquier retailer.

Soluciones con IA para la ultima milla

• Puntos de recogida inteligentes: la IA sugiere puntos de recogida alternativos (lockers, tiendas asociadas) basandose en el historial de entregas fallidas del cliente y la proximidad de alternativas.
• Entrega por franja inferida: si el modelo predice que el cliente no estara en casa entre 9:00 y 14:00 (basandose en historico), programa la entrega en tarde automaticamente, sin preguntar.
• Microhubs urbanos: la IA optimiza la ubicacion de microhubs (pequenos almacenes urbanos) para reducir la distancia de la ultima milla y permitir entregas mas rapidas.
• Crowdsourced delivery: plataformas como Stuart o Glovo usan IA para asignar entregas a repartidores independientes optimizando coste y tiempo.

Gestion de devoluciones con IA

Las devoluciones son un problema creciente, especialmente en ecommerce donde la tasa de devolucion oscila entre el 20% y el 40%. La logistica inversa es cara (entre 10 y 20 EUR por devolucion) y la mayoria de las empresas la gestionan de forma reactiva.

Prediccion de devoluciones

Modelos de ML predicen que pedidos tienen mayor probabilidad de devolucion basandose en: historial de devoluciones del cliente, categoria de producto (moda tiene tasas del 30-40%, electronica del 5-10%), numero de tallas/colores pedidos (comprar 3 tallas del mismo producto indica alta probabilidad de devolver 2), precio (productos caros se devuelven mas en algunas categorias), reviews del producto (productos con resenas negativas sobre talla/calidad tienen mayor devolucion).

Acciones preventivas

Si el modelo predice alta probabilidad de devolucion, la IA puede intervenir antes del envio: mostrar mejor informacion de talla/ajuste en la web, sugerir cambio de talla basandose en compras anteriores, consolidar pedidos para reducir costes de logistica inversa, o priorizar la devolucion en la planificacion de rutas.

Optimizacion de logistica inversa

Las devoluciones se integran en las rutas de entrega: el conductor recoge devoluciones mientras hace entregas en la misma zona. La IA decide donde enviar el producto devuelto (centro de distribucion, outlet, reciclaje) basandose en el estado del producto y la demanda. Los productos devueltos en buen estado se reintegran al stock lo antes posible para reducir el capital inmovilizado.

Visibilidad end-to-end de la cadena

La visibilidad end-to-end es la capacidad de saber donde esta cada pedido, en que estado, y cuando llegara a su destino, en todo momento. Parece basico, pero muchas empresas pierden visibilidad en las transiciones: del almacen al transportista, del transportista internacional al local, del hub al repartidor de ultima milla.

Control tower con IA

Una "control tower" logistica centraliza la visibilidad de toda la cadena: inventario en almacenes, pedidos en transito, incidencias activas, rendimiento de transportistas. La IA anade prediccion (este envio va a llegar tarde), recomendacion (re-ruta por esta alternativa) y automatizacion (notificar al cliente automaticamente cuando el estado cambia).

Datos en tiempo real

La visibilidad requiere datos de multiples fuentes: GPS de vehiculos, scans en almacenes (entrada, picking, salida), APIs de transportistas (tracking numbers), sensores IoT (temperatura para cadena de frio, impactos para fragil), input de conductores (confirmacion de entrega, fotos, firmas). La IA normaliza estos datos dispares en un flujo coherente y genera alertas cuando los datos reales divergen del plan.

Herramientas y plataformas

Optimizacion de rutas

• Google OR-Tools: open source de Google, potente para VRP. Gratis.
• Routific: optimizacion de rutas SaaS, facil de usar. Desde 39 USD/vehiculo/mes.
• OptimoRoute: routing + scheduling + tracking. Desde 35 USD/vehiculo/mes.
• HERE: plataforma de localizacion con routing API. Pay-per-use.

Visibilidad y tracking

• project44: visibilidad en tiempo real multi-transportista. Enterprise.
• FourKites: similar, fuerte en transporte maritimo y terrestre. Enterprise.
• Shippo: plataforma de shipping multi-carrier. Mid-market.

Para empezar

• Google OR-Tools + Python: para prototipar optimizacion de rutas con datos propios. Gratis.
• OSRM (Open Source Routing Machine): motor de routing open source basado en OpenStreetMap.
• Leaflet/Mapbox + API de Google Maps: para visualizar rutas y tracking en un dashboard propio.

Ejercicio practico

Conclusiones clave