BGL se muestra satisfecho con el desarrollo hasta ahora de la semana de acción
11/01/2024 a las 19:04
Roman Fürtig representa el puerto de Hamburgo en el este de Alemania
13/01/2024 a las 20:10
El mundo empresarial moderno está en constante evolución y presenta a las empresas nuevos desafíos de manera continua. En este contexto, las posibilidades del aprendizaje automático (ML) y la inteligencia artificial (IA) para optimizar procesos y cadenas de suministro están cobrando cada vez más protagonismo. Diversos casos de uso ya demuestran cómo esta tecnología innovadora puede provocar cambios transformadores.
Por: Robert Zehentbauer
(Múnich) ¿Hasta qué punto se pueden implementar en la realidad las prometedoras posibilidades del aprendizaje automático (ML)? ¿Y qué beneficios se derivan de ello para las cadenas de suministro?
Seguimiento inteligente de ubicaciones
Los geocercas funcionan como una barrera virtual que desencadena un ping inmediato tan pronto como una persona o un vehículo la cruza. Permiten una visibilidad en tiempo real y hitos más precisos para el transporte de mercancías por camiones. Sin embargo, escalar a miles de ubicaciones resulta un desafío, lo que puede llevar a límites de geocerca imprecisos. Por ejemplo, un área circular alrededor de una dirección puede superponerse con instalaciones vecinas o calles de paso. Estas imprecisiones pueden dar lugar a resultados erróneos y consecuencias graves, como la finalización prematura del seguimiento, horarios de llegada incorrectos, citas perdidas y reprogramaciones necesarias.
El uso del aprendizaje automático representa un avance significativo en la mejora de las geocercas, generando información logística más precisa y, por lo tanto, extremadamente valiosa. Así, se crean automáticamente geocercas más pequeñas basadas en pings reales y teniendo en cuenta los movimientos característicos de los vehículos a través de datos históricos. Este enfoque permite un ajuste fino efectivo de la geocerca y reduce las limitaciones anteriores.
Planificación logística mediante pronósticos precisos de ETA
ETA (tiempo estimado de llegada) se refiere al tiempo de llegada planificado de un medio de transporte al destino bajo las condiciones dadas. Sin embargo, los tiempos de llegada pronosticados rara vez son precisos y, por lo tanto, se consideran poco fiables. La planificación anticipada se vuelve difícil, especialmente cuando el remitente no puede confiar en los tiempos de llegada indicados. Sin embargo, las indicaciones de tiempo precisas son necesarias en la industria logística, aunque sean complejas.
Los transportistas a menudo no ofrecen valores de ETA actualizados continuamente, lo que provoca que se pierdan ventanas de tiempo. El tiempo de viaje de un envío en sí es generalmente predecible, pero hay otros factores que a menudo causan retrasos y ETAs inexactos, como el tiempo de permanencia en el almacén y el comportamiento de conducción impredecible. Sin embargo, mediante el uso del aprendizaje automático, se puede lograr una predicción precisa del tiempo estimado de llegada de los camiones. A través del entrenamiento de ML con miles de millones de puntos de datos de millones de entregas de camiones, es posible obtener ETAs más precisos y fiables.
Para proporcionar a los remitentes información más completa, los modelos de aprendizaje automático integran diversas variables como el comportamiento del conductor, fluctuaciones estacionales y características de los vehículos y las cargas. Durante el transporte, se realiza una actualización dinámica continua de los valores de ETA. En comparación con ventanas de tiempo y horarios estáticos, este modelo puede identificar retrasos con precisión y reducir la tasa de error en más del 60 por ciento. Y esto subraya la efectividad del enfoque de ML para una planificación logística más precisa y eficiente.
Captura acelerada mediante hitos en tiempo real
La detección confiable de hitos en tiempo real representa un desafío central, especialmente en el transporte marítimo. Es crucial para la toma de decisiones estratégicas y el monitoreo del rendimiento. Al implementar el aprendizaje automático en los procesos, se pueden identificar puntos de atraque precisos para puertos y terminales significativos en el transporte marítimo. Una visión integral de los hitos se garantiza mediante la integración de esta información con datos de seguimiento por satélite.
La identificación de estos hitos se realiza en tiempo real utilizando geocercas y datos de seguimiento GPS. Alternativamente, se puede identificar el hito de salida cuando el barco sale de la geocerca. Este enfoque innovador es, en promedio, aproximadamente cuatro veces más rápido que esperar un evento reportado por el transportista. Así, se hace posible un monitoreo acelerado y más preciso en el transporte marítimo.
ETAs optimizados para una planificación optimizada
La fiabilidad de los tiempos de llegada planificados es de gran importancia en el transporte marítimo. En los últimos tres años, el panorama del transporte de contenedores ha cambiado rápidamente, acompañado de numerosas interrupciones y fallos. Estos desarrollos dinámicos dificultan un ajuste continuo y representan un desafío adicional para la entrega precisa de ETAs exactos. Incluso en situaciones de interrupciones menos graves, los ETAs reportados por los transportistas resultan poco fiables, especialmente en momentos críticos como retrasos significativos en los envíos.
Abordar los desafíos en el transporte marítimo requiere ETAs fiables y aplicables. Aquí, el aprendizaje automático revoluciona la precisión, integridad y viabilidad de los tiempos de llegada planificados en el transporte marítimo. Por ejemplo, es posible identificar retrasos en promedio una semana antes de lo que normalmente reportan las navieras. Esto ayuda a los remitentes a tomar medidas adecuadas para optimizar su cadena de suministro de manera anticipada. Mientras que los transportistas generalmente solo indican el tiempo de llegada del barco, el ML también ofrece una perspectiva ampliada. El uso de esta tecnología no solo permite predecir con precisión el tiempo de llegada de un barco, sino que también proporciona información valiosa sobre la liberación del contenedor del barco.
ETAs fiables van más allá de la simple indicación del transportista. Tienen en cuenta diversos factores como horarios, transbordos de contenedores, tiempos de tránsito de las rutas, ocupaciones portuarias, así como características específicas del barco y del contenedor. Para garantizar que siempre se disponga de los datos más actuales y relevantes, el algoritmo subyacente está sujeto a mejoras y ajustes continuos. Estos ajustes dinámicos se realizan en función de en qué punto del viaje se encuentra el contenedor, asegurando siempre una predicción óptima y precisa.
Aprendizaje automático: transparencia y relevancia en el foco
En los últimos años, la importancia de la inteligencia artificial y el aprendizaje automático ha aumentado considerablemente. Y muchas promesas grandilocuentes sobre el potencial de estas tecnologías han circulado en los medios. Sin embargo, los cuatro casos de uso mencionados anteriormente demuestran que el aprendizaje automático no es solo una palabra de moda, sino que tiene efectos concretos y significativos. Las oportunidades que se presentan permiten tomar decisiones estratégicas y mejorar de manera sostenible toda la cadena de suministro.
Robert Zehentbauer es Vicepresidente Regional de la región DACH en project44. Posee un amplio conocimiento como experto en ventas y logística y cuenta con más de tres décadas de experiencia en los campos de logística, software y TI. Su carrera incluye posiciones significativas en Kühne + Nagel, Siemens Information Systems, así como en importantes empresas estadounidenses en el ámbito del software de logística y cadena de suministro como JDA Technologies, Descartes e i2 Technologies.
Fotos: © Loginfo24/project44
