Diseño de un modelo Machine Learning para mejorar la venta de rutas diarias en la Startup de logística Wareclouds

Abstract

Wareclouds es una startup que comenzó a operar en 2020 y ofrece servicios de logística a pequeñas y medianas empresas para sus productos vendidos en modalidad online. El servicio entregado se basa en un modelo colaborativo, donde los productos son almacenados y armados en casas de particulares llamados wareclouds y posteriormente los pedidos son entregados por repartidores llamados clouders. Actualmente la organización está mejorando distintos procesos, para que estos no sean un limitante en la escalabilidad, donde en su planificación está el de venta de rutas, actividad en la que se centra el trabajo. Para despachar los pedidos Wareclouds diariamente genera rutas las cuales contienen los pedidos, y cada clouder, cuando son publicadas, puede asignarse una al día para repartir los pedidos que contiene. La mejora de este proceso busca disminuir la cantidad de rutas que deben ser vendidas de forma manual, y así también aumentar la tasa de asignación de rutas que son tomadas automáticamente. Esta actividad, y la forma de realizarla, ha generado que existan rutas que no se vendan a tiempo, que genera pedidos retrasados, y su gestión dificulta la escalabilidad de Wareclouds, implicando incrementar próximamente de forma importante los trabajadores que deban dedicarse a esta actividad dada las proyecciones de crecimiento. Dado que la promesa de valor es entregar los pedidos en menos de 24 horas en la Región Metropolitana, y para esto las 25 rutas diarias en promedio que son publicadas deben ser tomadas por los clouders, es de gran relevancia que el proceso funcione de forma adecuada para que se logre tal objetivo. La forma en que se busca mejorar esta actividad consiste en utilizar herramientas de Machine Learning que permitan establecer las características más relevantes de los repartidores que determinan su reactivación, para así, mediante un modelo de regresión, conocer la propensión de reactivarse del grupo de clouders estudiado. Luego, clasificar los a los repartidores según su probabilidad de volver a tomar una ruta, y observar cómo varían los valores de los atributos más significativos. Como resultado principal se observa que los repartidores con mayor propensión en general optan por rutas de menor valor, se mantienen activos por más tiempo y toman rutas de forma periódica. Finalmente, se plantea un prototipo que modifique aspectos en la mensajería y logre una disminución en el número de rutas que deban ser asignadas de forma manual, junto con corroborar los resultados para futuros proyectos de la organización. De esta forma el trabajo en su conjunto permitiría disminuir en un 60\% las personas necesarias para la venta de rutas, junto con un 65\% la fuga de marcas por incumplimiento en la promesa de valor.