Desarrollos y soluciones basadas en la aplicación de inteligencia artificial y técnicas Machine Learning para

LAST MILE DELIVERIES & PICK UPS

Desarrollos y soluciones basadas en la aplicación de inteligencia artificial y técnicas Machine Learning para

LAST MILE DELIVERIES
& PICK UPS

Únete a nosotros en este viaje hacia una logística del mañana, donde la inteligencia artificial no solo es una herramienta, sino la clave que desbloquea un rendimiento excepcional

Last Mile Incident Analytics

Analiza y detecta patrones de los servicios que generan incidencias.

Genera informes y propuestas con medidas correctivas para la reducción de incidencias.

Early detection and prevention of incidents

Detecta y evita posibles incidencias antes de que se produzcan, gracias a algoritmos basados en inteligencia artificial – Machine Learning.

False incidents

Identificación de incidencias de difícil justificación.

Data quality in successfull deliveries

Análisis cualitativo y cuantitativo de los datos asociados a las entregas exitosas.

Soluciones último kilómetro

Early detection and prevention of incidents
(Detección y prevención temprana de incidencias)

Detecta y evita posibles incidencias antes de que se produzcan, gracias a algoritmos basados en inteligencia artificial – Machine Learning.

Last Mile Incident Analytics
(Analítica de incidencias de último kilómetro)

Analiza y detecta patrones de los servicios que generan incidencias.

Genera informes y propuestas con medidas correctivas para la reducción de incidencias.

Routeplanner
(Planificador de rutas)

Entrega y recoge aumentando la eficiencia de tus operaciones.

Optimiza tus rutas y reduce los tiempos de respuesta.

Predice y anticipa los horarios de los servicios.

Delivery control panel
(Panel de control de repartidores)

Monitoriza el trabajo realizado y la carga aun pendiente de cada repartidor.

Valora globalmente minuto a minuto la evolución de los servicios diarios.

Anticípate a demoras o retrasos puntuales de repartidores.

Identifica la fiabilidad en la geolocalización de la toma de datos.

Automatización de la concertación de entregas/recogidas e incidencias

Programa tareas automáticas para que el sistema en horarios preestablecidos realice:

La resolución automática de incidencias a partir de las actuaciones propuestas por repartidores, destinatarios y clientes.

Preasigne los repartos.

Geoposicionamiento entregas y recogidas.

Calcula rutas optimas sobre preasignaciones.

Mas…

Informes Bigdata UNIReparto2

Recibe cada mañana en tu buzón de correo electrónico informes macro, estadísticos, calidad de servicios, efectividad de repartidores, fiabilidad del geoposicionamiento de las operaciones.

App mensajeros

Incluye planificador de rutas, interacción con destinatarios, gestión de entregas/recogidas, auto-conciliación de incidencias, agrupamiento de servicios, autoasignación … y mucho mas

EDITORIAL
Inteligencia artificial aplicada a la logística de Última Milla

Uno de los principales indicadores de reputación entre las empresas de ecommerce o logísticas de última milla es la eficiencia de las operaciones, medidos como el porcentaje de entregas y recogidas que se realizan sin incidencias a lo largo de cada jornada así como el cumplimiento de los plazos de entrega/recogida ofrecidos.

Los datos estadísticos medios de los sectores involucrados, al margen de múltiples factores o tipologías de servicios, sitúan por encima del 15% el porcentaje de incidencias sobre estos.

La constatación de este alto índice de incidencias y su costo asociado empujaron a 3ia.org a desarrollar herramientas tecnológicas que sirvieran para mejorar los resultados operativos y económicos de las empresas. Al acometer el proyecto I+D+I tuvimos la certeza de que sería posible desarrollar algoritmos y procedimientos que ayudasen a una reducción considerable del número de incidencias.

Para nuestra investigación y desarrollo dispusimos unas consideraciones previas que nos ayudarían a segmentar los actores y factores que influyen en la aparición de incidencias en la última milla, partiendo de una primera catalogación:

1. Relacionadas con el
 cliente emisor

1.1. Calidad de los datos proporcionados.

1.2. Tipo de servicio. Grado de conciliación de plazos y condiciones de transporte. 

1.3. Servicios que requieren algún pago al repartidor por parte del destinatario.

2. Relacionadas con el
  repartidor

2.1. Hábitos, fiabilidad y veracidad de las incidencias notificadas.

2.2. Capacidad productiva diaria. Umbrales mínimos y máximos de carga de trabajo.

2.3. Habilidades personales.

2.4. Medio de desplazamiento.

3. Relacionadas con el
 destinatario

3.1. Presencialidad en domicilio o centro de trabajo.

3.2. Horario de disponibilidad.

3.3. Hábitos de recepción/emisión de compras.

4. Relacionadas con
   otros factores

4.1. Herramientas y fiabilidad del geoposicionamiento de las direcciones.

4.2. Meteorología.

4.3. Zonas peatonales.

4.4. Áreas de alta densidad de circulación de vehículos.

4.5. Franjas horarias, días de la semana, post-fiestas, puentes.

La introducción de herramientas Business Intelligence nos permite la identificación de patrones en los servicios potencialmente problemáticos.

La detección temprana de potenciales incidencias facilitará a los prestadores del servicio la toma de decisiones y acciones proactivas anticipadas que finalmente se traducirán en la mejora de la eficiencia y la reducción de costes.

3ia.org ha implementado herramientas orientadas en varias direcciones de desarrollo que darán respuestas preventivas y correctivas sobre los servicios que potencialmente podrían derivar en incidencias, así como una amplia visión de la veracidad y calidad de los datos obtenidos en el momento y lugar donde se producen las entregas y recogidas.

  • Analítica de incidencias de último kilómetro.
  • Detección temprana y prevención de incidencias.
  • Identificación de incidencias falsas o difícil justificación.
  • Analítica cualitativa y cuantitativa de los datos asociados a las entregas y recogidas.

La finalidad de estas herramientas es ayudar a reducir los ratios de incidencias ocurridas en los servicios de entrega y recogida de última milla. Para ello se analizan datos recopilados con técnicas y métodos descriptivos, que sirven para motivar el histórico de incidencias durante un periodo determinado así como para ayudar a identificar las deficiencias existentes en los procedimientos que las originan.

La evaluación de las incidencias se realiza utilizando técnicas de análisis estadístico, mostrando los tipos de incidencias más frecuentes, su distribución geográfica, la tipología de destinatarios/remitentes, etc. Todo ello permite evaluar, coordinar y optimizar las operaciones de las compañías afectadas directa o indirectamente por la actividad de repartos en la última milla.

Sistema integral para empresas de
Logística y Transportes

Pymes

Toda la gestión de tu empresa especializada en logística y transportes incluida en un paquete de herramientas que integran a clientes, personal administrativo, comerciales, mensajeros con funcionalidades que van desde potentes modelos tarifarios, facturación, cobros, maestro de enrutamiento multi vías, control de cargas, múltiples formatos de importación/exportación de datos, conexiones Web Services multiplataformas, Concertaciones booking, Packing list digital, etc.

Grandes organizaciones. A2A

Gestiona varias sedes, combina facturación de clientes compartidos, controla intercambio y movimientos de mercancías entre agencias, conecta con terceros a través de la funcionalidad Agency to Agency (A2A)

Integración de clientes

Dispón de múltiples opciones de integración de clientes: Web Serivices, Webs personalizadas, aplicación de escritorio, importación automáticas de ficheros FTP

Informes Bigdata DTX

Recibe cada mañana en tu buzón de correo electrónico alertas de incrementos en servicios, evolución de la facturación y cobros, productividad de mensajeros, etc…

Impacto de la prevención de incidencias sobre los costos

Junto con el deterioro reputacional que supone un alto índice de incidencias en los servicios de última milla, el impacto negativo sobre los costos de distribución representa el otro factor determinante que justifica el desarrollo y aplicación de procedimientos que ayuden a mejorar la eficiencia del servicio y reduzcan los ratios de incidencias. Para estimar el efecto económico positivo de la detección y prevención de incidencias hay que analizar previamente el sobre-costo que supone la aparición de estas e identificar las partidas que son afectadas en cuantía y proporción.

Aunque aparentemente una incidencia tendría un solo costo extra por la necesidad de realizar un segundo intento de servicio la realidad es que el alcance va más allá y afectaría en diferente medida a:

  • Costo de Reparto:
    Costo directo del pago a repartidores en los segundos o terceros intentos de entrega/recogida
    Costo indirecto de desgaste y márgenes para el repartidor si es este quien asume los segundos intentos de servicio.

  • Gestión administrativa:
    Costo directo del personal de oficina interviniente en la búsqueda de soluciones en comunicación con destinatarios o clientes.
    Costo directo de personal administrativo en la re-facturación, si procede, de cargos adicionales.

  • Gestión de almacenes:
    Costo directo del personal de nave que recibe, reclasifica y rescata las incidencias que deben ser reintroducidas en rutas de reparto de jornadas posteriores.

  • Medioambientales:
    Aumento del tráfico rodado para intentos de servicios que no logran llevarse a buen fin.

Estos sobre-costos llevados a los datos medios del sector podrían significar un impacto negativo sobre los costos de distribución superiores al 15%. Para estimar el efecto corrector y en cuanto podrían reducirse esos costos debemos considerar la tipología de las incidencias y para ello los desarrollos realizados incorporan agrupaciones por su naturaleza, verosimilitud o características.

Sistemas de gestión de Almacén

Organización de almacenes

Ubicación y aprovechamiento de estanterías.

Movimientos de productos dentro y fuera de almacén.

Gestión de stocks, fechas de caducidad, agrupamiento de productos, etc…

Liquidación y facturación de servicios de almacenamiento y manipulación

Web para integración de clientes finales

Interacción desde web especifica para mozos de almacén o carretilleros

Referencias y publicaciones científicas

Pegado-Bardayo, A., Lorenzo-Espejo, A., Muñuzuri, J., & Onieva, L. (2024). A predictive framework for last-mile delivery routes considering couriers’ behavior heterogeneity.
Computers & Industrial Engineering, 198, 110665.
https://doi.org/10.1016/j.cie.2024.110665

Lorenzo-Espejo, A., Muñuzuri, J., Pegado-Bardayo, A., & Guadix, J. (2024). A framework for analyzing service disruptions in last-mile and first-mile reverse logistics.
Research in Transportation Economics, 108, 101485.
https://doi.org/10.1016/j.retrec.2024.101485

Pegado-Bardayo, A., Lorenzo-Espejo, A., Muñuzuri, J., & Escudero-Santana, A. (2024). A review of unsupervised k-value selection techniques in clustering algorithms.
Journal of Industrial Engineering and Management, 17(3), 641–649.
https://doi.org/10.3926/jiem.4663

Lorenzo-Espejo, A., Muñuzuri, J., Onieva, L., & Muñoz-Díaz, M. L. (2024). Exploring the correlation between courier workload, service density and distance with the success of last-mile and first-mile reverse logistics.
Central European Journal of Operations Research, 1–15.
https://doi.org/10.1007/s10100-024-00928-x

Lorenzo-Espejo, A., Muñuzuri, J., Gardrat, M., & Toilier, F. (2024). Mapping last mile logistics in Spain.
Transportation Research Procedia, 79, 138–145.
https://doi.org/10.1016/j.trpro.2024.03.020

Lorenzo-Espejo, A., Muñuzuri, J., Onieva, L., & Muñoz-Díaz, M. L. (2023). A Study on the Correlation of Workload and Distance with the Success of Last Mile Logistics.
Lecture Notes on Data Engineering and Communications Technologies, 160, 315–320.
https://doi.org/10.1007/978-3-031-27915-7_56

Pegado-Bardayo, A., Lorenzo-Espejo, A., Muñuzuri, J., & Aparicio-Ruiz, P. (2023). A data-driven decision support system for service completion prediction in last mile logistics.
Transportation Research Part A: Policy and Practice, 176, 103817.
https://doi.org/10.1016/j.tra.2023.103817

Lorenzo-Espejo, A., Muñuzuri, J., Pegado-Bardayo, A., & Guadix, J. (Enviado a revista). Predicting customer absences in first- and last-mile logistics services through a machine learning-based approach with scarce data.
Transportation Research Part E: Logistics and Transportation Review.

Trabajos presentados en congresos internacionales

Lorenzo-Espejo, A., Muñuzuri, J., Onieva, L., & Muñoz-Díaz, M. L. (2022). A study on the correlation of workload and distance with the success of last mile logistics. 16th International Conference on Industrial Engineering and Industrial Management, ICIEIM – XXVI Congreso de Ingeniería de Organización, CIO2022, Toledo, 7 de Julio de 2022.

Lorenzo-Espejo, A., Aparicio-Ruiz, P., Muñuzuri, J., & Pegado-Bardayo, A. (2023). Cost analysis in last mile logistics: modelling the impact of uncertainty in transport costs. 17th International Conference on Industrial Engineering and Industrial Management, ICIEIM – XXVII Congreso de Ingeniería de Organización, CIO2023, Barcelona, 6 de Julio de 2023.

Lorenzo-Espejo, A., Muñuzuri, J., Gardrat, M., & Toilier, F. (2023). Mapping last mile logistics in Spain. 12th International Conference on City Logistics, Burdeos (Francia), 19 de Junio de 2023.

Pegado-Bardayo, A., Muñuzuri, J., Escudero-Santana, A., & Lorenzo-Espejo, A. (2023). Trends in Unsupervised Methodologies for Optimal K-Value Selection in Clustering Algorithms. 17th International Conference on Industrial Engineering and Industrial Management, ICIEIM – XXVII Congreso de Ingeniería de Organización, CIO2023, Barcelona, 6 de Julio de 2023.

Pegado-Bardayo, A., Muñuzuri, J., Guadix, J., Lorenzo-Espejo, A. (2023). A review of unsupervised k-value selection techniques in clustering algorithms. Euro Working Group Transportation congress, Santander, 6 de Septiembre de 2023.

Muñuzuri, J., Lorenzo-Espejo, A. & Pegado-Bardayo, A. (2024). Assignment of last-mile workloads for balancing efficiency and perceived level of service. 15th Conference of AIRLSCM (Conference of the International Association for Research in Logistics and Supply Chain Management), La Rochelle, 30 de Mayo de 2024.

Lorenzo-Espejo, A., Muñuzuri, J., Robles-Velasco, A., & Pegado-Bardayo, A. (2024). Analysing service time in last-mile and first-mile reverse logistics. 18th International Conference on Industrial Engineering and Industrial Management, ICIEIM – XXVIII Congreso de Ingeniería de Organización, CIO2024, Madrid, 4 de Julio de 2024.

Pegado-Bardayo, A., Muñuzuri, J., Cortés-Achedad, P., & Lorenzo-Espejo, A. (2024). A Quantitative Analysis of Couriers Efficiency in Last-Mile and First-Mile Reverse Logistics. 18th International Conference on Industrial Engineering and Industrial Management, ICIEIM – XXVIII Congreso de Ingeniería de Organización, CIO2024, Madrid, 4 de Julio de 2024.

Test y agradecimientos

Para la ejecución del proyecto I+D+i se evaluaron datos en un horizonte temporal superior a 18 meses. La aplicación resultante ha sido testada y validada con datos correspondientes a mas de 600.000 entregas y recogidas en varias provincias españolas con un rango de entre 500.000 y 7 millones de habitantes.

Nuestro agradecimiento a todas las empresas de distribución de última milla que han colaborado en la constatación de datos y resultados.

¿En qué podemos ayudarte?

Email info@3ia.org