IA aplicada a la logística: predecir el embalaje y costes de transporte de un pedido antes de prepararlo
En muchas empresas, una parte importante de la planificación logística sigue dependiendo de información que solo se conoce cuando el pedido ya está siendo preparado.
¿Cuántas cajas serán necesarias? ¿De qué tamaño? ¿Será necesario utilizar palets? ¿Qué tipo de palet? ¿Cuántos bultos tendrá finalmente la expedición? ¿Qué volumen ocupará? ¿Cuánto tiempo requerirá su preparación?
Estas preguntas pueden parecer operativas, pero tienen consecuencias importantes sobre la organización del almacén, la planificación de recursos y el coste logístico.
En Cetus Aberdeen hemos desarrollado un sistema predictivo que utiliza el histórico de expediciones para anticipar las necesidades de embalaje y coste de transporte de un pedido antes de que comience su preparación física.
El punto de partida es la información disponible cuando se genera una expedición: referencias incluidas en el pedido, número de líneas, cantidades, características de los productos, pesos, destino y otras variables conocidas antes de iniciar la preparación.
A partir del histórico de expediciones anteriores, los algoritmos identifican patrones entre las características de cada pedido y la forma en que finalmente fue preparado.
El objetivo no es simplemente predecir si se utilizará una caja o un palet. El sistema reproduce progresivamente la propia lógica de decisión del proceso de embalaje.
Por ejemplo, puede determinar:
Pedido → necesidades de embalaje → configuración de cajas → necesidad de palet → tipo de palet → número de unidades de cada tipo
Esta estructura jerárquica resulta especialmente útil porque las decisiones logísticas no son independientes entre sí.
La necesidad de un determinado tipo de palet, por ejemplo, está relacionada con las características del pedido, pero también con las decisiones anteriores sobre cajas y otros elementos de embalaje.
En lugar de intentar resolver todo el problema mediante un único algoritmo, el sistema utiliza diferentes modelos predictivos especializados.
Un primer grupo de modelos estima determinados grupos de elementos de embalaje. Otros modelos utilizan esas predicciones para determinar las cajas y sus cantidades.
A continuación, el sistema estima si la expedición necesitará palet.
Solo cuando existe una probabilidad suficiente de utilización de palet se activan los modelos encargados de determinar qué categorías de palet pueden ser necesarias y cuántas unidades de cada una.
El desarrollo utiliza algoritmos de Machine Learning especialmente adecuados para trabajar simultáneamente con variables numéricas y categóricas y para detectar relaciones complejas entre ellas.
Sin embargo, una parte esencial del proyecto no está en el algoritmo, sino en el conocimiento del proceso.
En un proyecto de este tipo es fundamental decidir qué información puede conocer realmente el sistema en el momento de realizar la predicción.
Una variable que solo se conoce después de preparar el pedido puede tener una enorme capacidad predictiva, pero utilizarla produciría un modelo aparentemente excelente que no podría funcionar en condiciones reales.
Por ello, el diseño del modelo distingue rigurosamente entre:
información disponible antes de la preparación;
resultados procedentes de modelos predictivos anteriores;
e información real del embalaje que debe quedar excluida del proceso de predicción.
La IA no sustituye en este caso al conocimiento logístico. El conocimiento del proceso es el que permite diseñar correctamente la IA.
Otro aspecto importante es la forma de entrenar y validar los modelos.
El sistema utiliza una ventana móvil de varios años de expediciones históricas. Los años anteriores constituyen la base de aprendizaje y el último periodo histórico se utiliza para comprobar cómo habría funcionado el modelo ante pedidos que todavía no había visto.
Posteriormente, el modelo puede reentrenarse incorporando toda la información histórica disponible para predecir las expediciones del nuevo ejercicio.
De esta manera, la herramienta puede actualizarse periódicamente y adaptarse a cambios en productos, clientes, configuraciones de pedido o criterios de embalaje.
¿Qué ocurre con los pedidos excepcionales?
En logística industrial siempre existen excepciones.
Determinados pedidos presentan combinaciones de productos o necesidades de embalaje muy poco frecuentes. Intentar que un algoritmo tome automáticamente una decisión en todos los casos puede ser contraproducente.
Por ello, el sistema también identifica situaciones que quedan fuera de las configuraciones suficientemente conocidas.
En estos casos, la aplicación puede derivar el pedido a estimación manual por una persona con experiencia, en lugar de generar una predicción automática con un nivel de incertidumbre excesivo.
El planteamiento no es automatizar el 100 % de las decisiones, sino automatizar con fiabilidad los casos repetitivos y utilizar el conocimiento humano donde realmente aporta valor.
¿Qué aporta conocer el embalaje antes de preparar el pedido?
La predicción anticipada del embalaje abre posibilidades que van mucho más allá de saber cuántas cajas o palets serán necesarios.
Previsión del número de bultos
Conociendo cajas, palets y otros elementos de embalaje puede estimarse anticipadamente el número de unidades logísticas que compondrán una expedición.
Estimación del volumen de expedición
El sistema permite aproximar el volumen que ocupará el pedido una vez embalado, información especialmente relevante para la planificación del transporte.
Predicción del coste de transporte
Peso, volumen, destino y características previstas de la expedición pueden alimentar posteriormente modelos de estimación de costes de transporte.
Esto permite disponer de una aproximación al coste logístico incluso antes de preparar físicamente el pedido.
Planificación de recursos de almacén
No todos los pedidos requieren el mismo esfuerzo.
La configuración prevista del embalaje puede combinarse con otros datos para estimar el tiempo de preparación y anticipar cargas de trabajo.
Aprovisionamiento de material de embalaje
La agregación de las predicciones de pedidos futuros permite anticipar necesidades de cajas, palets y otros consumibles, reduciendo tanto roturas de stock como inventarios innecesarios.
Mejora de la planificación de expediciones
Conocer anticipadamente pesos, volúmenes y unidades logísticas facilita la asignación de vehículos, consolidación de cargas y contratación de transporte.
Del modelo predictivo a una herramienta operativa
El objetivo final no es disponer de un modelo de Machine Learning aislado.
El verdadero valor aparece cuando estos algoritmos se integran en una herramienta que recibe los datos de las expediciones pendientes y devuelve información directamente utilizable por planificación, almacén, compras o transporte.
El resultado puede convertirse en un sistema capaz de anticipar:
qué embalaje será necesario, cuántos bultos generará el pedido, qué volumen y peso tendrá la expedición, qué recursos pueden ser necesarios para prepararla y cuál puede ser su coste logístico.
Además, el sistema puede incorporar indicadores de confianza para diferenciar las predicciones de alta fiabilidad de aquellas expediciones que deberían ser revisadas por una persona.
IA aplicada a problemas logísticos concretos
En muchos proyectos de Inteligencia Artificial no es necesario comenzar buscando grandes plataformas o soluciones genéricas.
En operaciones existen numerosos procesos repetitivos en los que las empresas acumulan durante años información que contiene patrones aprovechables: expediciones, pedidos, ubicaciones, tiempos de preparación, inventarios, rutas internas, consumos de embalaje o costes de transporte.
La combinación de esos datos históricos con conocimiento operativo permite desarrollar herramientas predictivas específicas para cada proceso.
En este caso, una decisión que tradicionalmente se conocía durante o después de la preparación del pedido puede empezar a conocerse antes.
Y esa anticipación es precisamente una de las aplicaciones más interesantes de la Inteligencia Artificial en logística: convertir datos históricos en información útil para tomar mejores decisiones antes de que la operación tenga lugar.