IA en la logística de última milla: innovación en la gestión de rutas y entregas

La gestión de rutas desempeña un rol decisivo en la logística y el transporte de mercancías: puede marcar la diferencia entre el éxito y el fracaso en la entrega de productos. Es por ello que ha constituido uno de los temas más estudiados en este ámbito a lo largo del último siglo. No obstante, y pese a la atención recibida, aún no se ha logrado la eficiencia óptima en el enrutamiento de vehículos y en la logística de última milla. Los últimos avances tecnológicos en inteligencia artificial y aprendizaje automático podrían ser las piezas que faltaban para resolver este rompecabezas.

La base de la gestión de rutas es el problema del viajante. Los académicos lo han estudiado desde principios del siglo XIX, pero el problema del enrutamiento de vehículos (VRP, por sus siglas en inglés) que hoy se aborda en logística fue introducido formalmente en 1959 por George Dantzig y John Ramser. Desde entonces, los investigadores han analizado innumerables variaciones y extensiones del VRP en un intento de resolver una amplia variedad de problemas. En la actualidad, existen algoritmos y modelos muy efectivos que hacen posible representar gran parte de la complejidad que entraña el mundo real. La industria y el mundo académico están mucho más cerca de dominar los problemas de enrutamiento modernos que cuando Dantzig y Ramser se adentraron en este campo hace 65 años. Sin embargo, los enfoques metodológicos existentes solo nos han permitido recorrer el 80% del camino. El 20% restante no era tan crucial en un mundo donde la gente aún no compraba en línea y las opciones de transporte rápidas y flexibles no eran tan determinantes a la hora de satisfacer las necesidades del consumidor. Aun así, las expectativas han aumentado en gran medida en los últimos años. Los clientes reclaman una rapidez y un nivel de individualización sin precedentes. De repente, ese 20% que los métodos tradicionales no pudieron alcanzar ha cobrado una gran relevancia debido a los servicios logísticos altamente reactivos que se exigen actualmente.

Las grandes camionetas que vemos en la carretera suelen hacer unas 120 paradas al día

Lo que hace la logística de última milla compleja son unas rutas cada vez más fragmentadas y restringidas. A diferencia de un viajero que simplemente buscaría el recorrido más corto o conveniente entre el punto A y el punto B, la furgoneta de reparto de una empresa como Amazon o UPS tiene que realizar múltiples entregas en una única ruta consolidada y eficiente. Las grandes camionetas que vemos en la carretera suelen hacer unas 120 paradas al día, y estas deben secuenciarse de modo que, aunque tal vez no siempre pueda completarse el camino más corto, se optimice el itinerario en su totalidad. Se trata de encontrar la forma más rápida, económica y corta de conectar esos 120 puntos en el mapa sin dejar de respetar los plazos de entrega, las restricciones de estacionamiento o acceso y la disponibilidad de los clientes.

En vez de ser únicamente un problema matemático, la eficiencia de la última milla es un problema humano porque las personas —como por ejemplo el conductor— suponen una gran fuente de incertidumbre. Su experiencia, si conoce la zona o si tiene un mal día influyen sobre cómo interactúa con otros participantes en el sistema de movilidad y en cómo completará una ruta. Si bien las compañías las optimizan al máximo, imprevistos como accidentes de tráfico pueden cambiar por completo las previsiones sobre los tiempos de viaje. Muchos de estos factores son difíciles o casi imposibles de controlar, y es ahí donde los planteamientos tradicionales tienen dificultades para encontrar una solución.

Poner al cliente en el centro

Comenzamos a investigar sobre la logística de última milla en megaciudades hace alrededor de diez años porque los procesos suelen ser más complejos en áreas con una alta densidad de población. La densidad es uno de los mayores causantes de la complejidad de la última milla, puesto que la mayoría de las ciudades nunca se planificaron para el tamaño que han alcanzado. Crecieron a lo largo de la historia, pero su infraestructura de transporte no lo hizo proporcionalmente. No están adaptadas a la gran cantidad de personas y bienes que entran y salen de ellas cada día. A medida que las ciudades crecen, la demanda de bienes y servicios y la necesidad de mover bienes y personas aumenta. El resultado es un incremento sustancial en la densidad del tráfico en unas carreteras muy difíciles de ampliar, lo que provoca atascos.

El auge de la demanda puede tener efectos positivos y negativos sobre la logística de la última milla. Con los clientes muy concentrados en una zona, en teoría, se requeriría de tiempos de viaje menores para completar las entregas. Las rutas deberían ser más productivas y eficientes, pero el inconveniente es que, en una red vial cada vez más colapsada, los viajes se vuelven más largos e impredecibles y hasta los accidentes más simples pueden causar serias retenciones. Así que la productividad y duración total de las rutas pueden empeorar haciendo que sean menos predecibles que las que se desarrollan en entornos rurales de baja densidad.

La última milla supone alrededor del 40% del costo logístico de numerosas compañías

Estamos explorando nuevos métodos inspirados en la inteligencia artificial y el aprendizaje automático porque el mundo se mueve más rápido de lo que lo hacen las fórmulas tradicionales. Además, la tendencia a centrar los procesos logísticos en torno a las necesidades individuales ha generado un problema de enrutamiento de última generación. Es por ello que se requiere de enfoques más apoyados en datos. Los modelos y algoritmos que creamos para resolver estos problemas han de ser capaces de aprender y actualizarse continuamente para obtener información más detallada. Deben desarrollar una comprensión que evolucione y conozca las características, el comportamiento y las limitaciones vinculadas a cada cliente, ruta o vehículo. Aquí es donde la IA y el ML poseen una ventaja única sobre los métodos tradicionales de investigación operativa (IO).

Por lo general, la última milla supone el 40% del costo logístico de las compañías. De ahí que haga falta poder predecir cuándo y dónde se comprará un producto con una gran precisión espaciotemporal. Conocer, por ejemplo, cuántas unidades de una determinada referencia se comprarán en un código postal concreto en los próximos 30 minutos. Esta es otra muestra de cómo la previsión de la demanda se convierte en dependiente de técnicas de machine learning de última generación para abordar unas capacidades predictivas cada vez más exigentes por parte de las empresas.

Eficiencia con un toque humano

El objetivo es trazar rutas que no solo sean cortas, económicas y rápidas, sino que también sean efectivas para los conductores. Prestamos atención a cómo adaptan los planes que reciben por la mañana porque saben dónde estacionar de manera segura, cómo evitar el tráfico o a qué horas es más probable que sus clientes estén disponibles mejor que cualquier algoritmo. Este conocimiento tácito arraigado en cada conductor es imposible de codificar en la implementación estática de un algoritmo de optimización o en un conjunto de ecuaciones. Ahora bien, podríamos dar con recorridos más idóneos observando el comportamiento real de los conductores a lo largo del tiempo. Una perspectiva basada en el aprendizaje podría capturar el conocimiento de los conductores más experimentados al detectar patrones en cómo ejecutan sus rutas. Además, estas podrían entrenarse continuamente con nuevos datos del mundo real como, por ejemplo, cierres temporales de carreteras o cambios en las preferencias. Este es el enfoque de planificación de rutas que debemos explorar más a fondo.

Si antaño se trataba al público como una masa uniforme, hoy se tienen en cuenta sus solicitudes y características individuales. Para ello las empresas necesitan capturar información más específica de cada parada, y eso depende de aspectos tan concretos como el tipo de edificio del usuario. Hace unos años se ofrecían unas ventanas de tiempo y los clientes escogían cuándo querían recibir el paquete. Ahora, la expectativa es que el proceso logístico se anticipe a la disponibilidad y a las preferencias de cada persona. A medida que los servicios de alto nivel como la entrega en el mismo día son cada vez más comunes, también tienen que volverse más accesibles para una mayor parte de la población, incluida aquella que no reside en los principales centros urbanos.

El objetivo es trazar rutas que no solo sean cortas, económicas y rápidas, sino que también sean efectivas para los conductores

El nivel de calidad y rapidez que proporcionan los sistemas de última generación era inimaginable hace un par de años. Más allá de estas ventajas, otras mejoras están relacionadas con la sostenibilidad. La logística y el transporte son unos de los principales responsables de las emisiones de carbono y, por consiguiente, del cambio climático. Sin descarbonizar esta industria, no podremos frenar el peor de los escenarios. Sin los nuevos métodos e innovaciones que esperamos desarrollar en el Intelligent Logistics Systems Lab del MIT, la industria no podrá cumplir con los ambiciosos objetivos de descarbonización necesarios para marcar la diferencia.

Investigación con métodos híbridos

Vemos un enorme potencial en el uso de métodos híbridos que combinen lo mejor de ambos mundos, es decir, que conecten la investigación operacional tradicional con técnicas de machine learning e inteligencia artificial. En el MIT pretendemos agrupar nuestras actividades de investigación sobre estos métodos y sus aplicaciones en el recientemente creado Intelligent Logistics Lab. Nuestro propósito es visualizar una generación futura de sistemas logísticos que posibiliten los servicios que hoy solo podemos imaginar, pero se harán realidad en los próximos años.

Las últimas tendencias exigen que desarrollemos soluciones más inteligentes y ágiles a la hora de responder a cambios en el entorno socioeconómico y geopolítico, y en Mecalux hemos encontrado un socio que realmente cree en estos métodos. Debemos aprender del conocimiento de muchas de las personas que dirigen la industria cada día, ya sea el conductor, el trabajador del almacén o el ejecutivo de la cadena de suministro con 40 años de experiencia. Necesitamos ampliar esas competencias e incorporarlas en modelos cuantitativos para resolver los problemas cada vez más complejos a los que se enfrenta la industria de forma rápida y escalable.

 

---

 

 

---

 

Referencias:

Dantzig, G. B., and J. H. Ramser. 1959. The Truck Dispatching Problem. Management Science 6 (1): 80–91.