Generación de un forecast para una región del país en el proceso de última milla de un consorcio empresarial

Abstract

La industria del retail es uno de los mercados con más movimiento dentro del país, ofreciendo una amplia gama de productos pasando desde vestuario a electrodomésticos, representando el 20% del PIB chileno aproximadamente. En particular, desde el año 2020 se vive un gran crecimiento de este mercado debido a factores como el estallido social y la pandemia, donde la gran mayoría de empresas no estaban preparadas para cambios tan radicales en su cadena de valor y suministros, donde el mayor impacto se ve reflejado en la creación de los marketplace buscando aumentar los ingresos por una vía no explotada anteriormente.

El objetivo de este proyecto es estimar la demanda diaria de pedidos de un consorcio empresarial en el proceso de última milla en una región del país, con la finalidad de poder generar una mejor promesa de entrega hacia los clientes y optimizar los recursos correspondientes a este proceso, pasando por el proceso de reestructurar las zonas de despacho actuales junto con sus frecuencias de despacho, buscando rutas más eficientes que las actuales. Para este objetivo se plantea una metodología 'agile', en particular el método SCRUM. Se aplican modelos de clustering para la agrupación de zonas, como K-Means, MeanShift y el algoritmo aglomerativo jerárquico y modelos de predicción para series de tiempo, pasando por los más básicos (Media móvil simple) hasta los más complejos (SARIMA).

Para las agrupaciones de localidades, el mejor modelo corresponde al aglomerativo jerárquico, el cual sube el coeficiente de Silhouette de la situación actual de un 0.16 a un 0.49 en el propuesto, generando además, una mejora en los tiempos de ruta de los distintos transportistas pasando de 17:39 [hh:mm] a 16:37 [hh:mm]. Junto a esto, se realiza una determinación de las frecuencias de despacho, disminuyendo los puntos por semana de 36 a 30. Finalmente, el mejor modelo predictivo generado corresponde a SARIMA con un MAPE promedio correspondiente al 27,97%, lo cual mejora la situación base definida por la media móvil simple, la cual posee un MAPE promedio de 37.82%.

Se dejan planteadas las directrices de la implementación, cambiando en los sistemas las nuevas zonas y sus respectivas frecuencias, además de integrar en los sistemas los modelos predictivos; junto con el trabajo futuro que se puede realizar dentro de la organización, buscando iterar los modelos generados en busca de obtener mejores resultados.