Cómo la Decision AI optimiza rutas y reduce costes en logística

El Barómetro Círculo Logístico 2024 realizado por el SIL 2024 revela que el 89,5% de las empresas considera que la innovación ha sido fundamental para mejorar la eficiencia logística, destacando la contribución de la automatización y la robotización. Además, el 49,2% de los encuestados apuntan que la logística 4.0 ha tenido un impacto significativo en la eficiencia de la cadena de suministro.

La adopción de tecnologías avanzadas como Decision AI, disciplina que integra distintas técnicas de IA para mejorar la toma de decisiones, transforma la logística y mejora la rentabilidad empresarial al responder directamente a la pregunta «¿Qué debemos hacer?» para optimizar procesos y ahorrar costes.

¿Qué entendemos por un problema de transporte en logística?

La logística de transporte se suele dividir en dos categorías, el transporte primario y secundario.

El transporte primario es el transporte de larga distancia entre proveedor y almacén o almacén principal y almacenes regionales. Los problemas logísticos de transporte primario suelen estar relacionados con las largas distancias, la planificación, el número de orígenes y destinos limitados y la gran capacidad de los medios de transporte.

El reto es encontrar un equilibrio entre el respeto de los plazos de entrega, los costes de transporte, el tamaño de flota y la cantidad de cruces y transbordos de mercancías a realizar.

El transporte secundario o de última milla es la entrega de producto desde un centro local hacia el cliente final. Dependiendo del negocio puede ser el suministro de tiendas desde un almacén regional o la entrega de paquetes a clientes dentro de una ciudad. Las características de este transporte son las cortas distancias, la planificación a nivel horario, el número de orígenes y limitados pero elevado número de destinos y la capacidad reducida de los medios de transporte.

El reto de este tipo de transporte es la construcción de rutas de suministro que permitan a un mismo vehículo suministrar a un grupo de clientes de manera eficiente. Estas rutas tienen que permitir un equilibrio entre el respeto de las horas de entrega, la capacidad del vehículo, el número de kilómetros y el tiempo total del recorrido.

Existen también otros tipos de problemas de transporte que no entran directamente en estas dos categorías. Por ejemplo, podemos tener intercambios de mercancías entre almacenes o tiendas o aprovechamiento de viajes de vuelta para realizar tareas secundarias como recogida de envases o pallet vacíos.

¿Cómo funciona?

El problema de transporte logístico es uno de los problemas más estudiados dentro de la Decision AI. Comúnmente, este problema se conoce como Vehicle Routing Problem (VRP) y tiene una gran cantidad de variaciones:

Existen también diversas variaciones en cada una de estas categorías. Por ejemplo, un VRPPD puede añadir como restricción el hecho de siempre descargar lo último que se ha cargado. Esta restricción representa bien la carga y descarga de pallets en un camión.

Las distintas variaciones de problema se pueden también combinar para llegar a problemas teóricos mucho más complejos.

Para abordar este tipo de problemas, la teoría propone una cantidad importante de técnicas y métodos. Desde lo más sencillo y directo que es estudiar todas las soluciones posibles. Por ejemplo, para crear una ruta visitando tres clientes A, B y C, podemos analizar las 6 soluciones posibles (ABC, ACB, BAC, BCA, CAB, CBA) y escoger la mejor. Cuando el número de rutas posibles se eleva, el número total de soluciones a analizar también aumenta de manera exponencial.

Es por esto que queda clara la necesidad de buscar nuevas estrategias para explorar soluciones de manera más eficientes, entre las que encontramos:

Generar soluciones de manera aleatoria y quedarse con la mejor
Aplicar un criterio sensato para construir la solución (por ejemplo: siempre ir al cliente más cercano de los que quedan a visitar)
Hacer modificaciones pequeñas sobre buenas soluciones para intentar obtener mejores resultados.
Identificar trayectos presentes en buenas soluciones para combinarlos y obtener soluciones mejores
Identificar trayectos presentes en soluciones malas para no usarlos.

A partir de estas ideas se han desarrollado una serie de métodos o heurísticas con complejidad variada: random walk, algoritmo voraz/greedy, recocido simulado, colonia de hormigas y algoritmo genético.

Otra opción para resolver estos tipos de problemas son métodos exactos dentro de los cuales el problema se define como una serie de ecuaciones a resolver. Estas técnicas como Constraint programming y programación lineal entera mixta buscan la mejor solución que cumpla una serie de restricciones.

¿Pero es suficiente la teoría para resolver mi problema real?

Los problemas teóricos estudiados en la literatura nunca son exactamente iguales a los problemas reales de las empresas. Dependiendo del tipo de negocio y del compromiso con sus clientes, el problema logístico real de una empresa casi siempre incluye reglas específicas o peculiaridades.

Un problema real puede incluir una gran variedad de vehículos como camiones, buses, buques, aviones, trenes o también tuberías y oleoductos. Los conductores pueden añadir también reglas específicas como horarios de trabajo, costes de pernoctas, tiempos de conducción diarios o semanales, habilitaciones para tipos de mercancía…

Por esto los métodos teóricos siempre necesitan estar adaptados para encajar con los casos reales que las empresas experimentan. Apoyándose en la teoría y en las experiencias previas, se suele identificar los métodos más adecuados para problemas parecidos al problema a resolver, pero es necesario adaptarlo a las especificidades del problema real y que esto se traduzca en una ventaja competitiva para las empresas.

¿Qué impacto en el negocio tiene todo esto?

Las ventajas y el impacto de la Decision AI en el sector logístico son clave.

A partir de encontrar la solución óptima de mi problema de transporte puede ocurrir que el resultado sea recorrer menos kilómetros, lo que se traduce en reducir los litros de combustible y por ende conseguir un ahorro de costes de transporte.
Otro de los indicadores impactados tras aplicar esta tecnología es la disminución de inmovilizado y ahorro de costes. Como resultado de encontrar la manera óptima de transportar la mercancía, la solución puede ser una reducción de la flota.
Además, al optimizar todo este proceso podemos entregar más paquetes y de mejor manera, lo que se traduce en aumento de la productividad.

Estos son solo algunos de los beneficios clave para las empresas del sector logístico pero las posibilidades son muy numerosas.

¿Cómo llevar a cabo un proyecto para conseguir resolver estos problemas?

Para aplicar y resolver estos problemas logísticos reales, abordando Decision AI, los proyectos de logística de transporte son abordados en varias etapas secuenciales.

Si crees que podrías aplicar esta tecnología a tu problema particular o simplemente quieres saber más detalles de cómo la Decision AI está impactando ya los procesos del entorno empresarial, puedes concertar una smart session para ti y tu equipo con nuestro equipo especializado en esta tecnología.