Rediseño de procesos para reducir errores en los conocimientos de embarque de exportación en una Agencia Naviera

Abstract

El trabajo se realizó en ABC Chile S.A. cuyo giro es agente de naves. La agencia en Chile tiene dos funciones principales: apoyar la operación de los buques y, administrar y vender los espacios en las naves para la carga de exportación e importación. Las navieras, en general, solicitan a sus agencias aumentar la productividad, reducir costos y captar más volumen de carga. Actualmente la empresa enfrenta menos comisión por contenedor, Market Share sin crecimiento y altos costos. La oportunidad para desarrollar el proyecto se halló en la reducción de los costos por errores en la elaboración de Bills of Lading (BLs) de exportación. En 2019 los costos representaron el 7% de los costos totales y en el primer trimestre de 2020 se elevó a 11%. La casa matriz ha solicitado a sus agencias no superar el 5% de error en los BLs, sin embargo, el 2019 en Chile fue 17%. El objetivo general del proyecto es disminuir errores en los Bills of Lading de exportación, a través de un rediseño del proceso de identificación de errores apoyado en tecnología. Para lo anterior, se plantea rediseñar los procesos asociados a la revisión de los BLs y desarrollar un algoritmo que permita clasificar BLs (con y sin errores). Para el rediseño se empleó la metodología de Ingeniería de Negocios propuesta por Barros (2014, 2016) y otros métodos e instrumentos de apoyo. Como parte del rediseño se creó un modelo de Machine Learning y en su evaluación se utilizaron las siguientes métricas: AUC 0.83, lo que demuestra la calidad del modelo utilizado; F1 Score promedio de las clases negativa y positiva 0.74, donde F1 de la clase negativa fue 0.95, esto significa que el modelo es muy bueno para descartar BLs sin error, lo que permite focalizar los esfuerzos en donde hay posibilidad de cometer error; Precision 0.66, buen resultado y permite conocer el costo de revisar lo recomendado; Recall 0.43, podría ser más alta, sin embargo, aumentarla incrementa el número de falsos positivos y con ello el costo de su revisión. El proyecto evidencio que la incorporación de técnicas como Machine Learning en la industria del transporte marítimo de contenedores, son una oportunidad para optimizar el uso de recursos y mejorar la satisfacción al cliente, a través de la mejora de procesos como la confección de Bills of Lading.