Late Delivery Risk Prediction in Supply Chain: Moving from Reactive to Proactive Delay Management

Imagina el mundo de la logística como un gigantesco y caótico juego de "Catch Me If You Can" (¡Corre, corre, que te atrapo!), donde los paquetes son los jugadores y los camiones de reparto son los perseguidores. A veces, los paquetes se pierden, los camiones se quedan atrapados en el tráfico o el clima se pone gruñón, y el juego termina con una llegada tardía. Durante mucho tiempo, las empresas jugaron este juego de forma reactiva: esperaban hasta que el paquete llegaba tarde y luego entraban en pánico para intentar solucionarlo. Pero, ¿y si tuvieras una bola de cristal? Ese es el mundo del Aprendizaje Automático (Machine Learning), una rama de la informática en la que enseñamos a las computadoras a detectar patrones en la historia para que puedan adivinar qué pasará después. Piensa en ello como un detective que ha leído un millón de novelas de misterio; sabe que si un sospechoso lleva un sombrero rojo y corre por la noche, es probable que sea el culpable. En esta historia, los "sospechosos" son los pedidos de envío, y el "crimen" es la entrega tardía. El artículo que estamos analizando plantea una pregunta simple pero poderosa: ¿Podemos usar estos detectives digitales para predecir una entrega tardía antes de que siquiera salga del almacén, para así detener el crimen antes de que ocurra?

---

La crisis de las entregas tardías: Una historia de promesas rotas

APL Logistics, una empresa que mueve cientos de pedidos globales cada día, se enfrentaba a un dolor de cabeza masivo. Imagina gestionar un servicio de entrega de pizzas donde la mitad de tus pizzas llegan frías y con una hora de retraso. Eso era más o menos lo que estaba pasando aquí: el 54,8% de sus envíos llegaban tarde. Esto no solo era molesto para los clientes; le estaba costando dinero a la empresa en penalizaciones y arruinando su reputación. La forma antigua de hacer las cosas era "reactiva", lo que significaba que solo intentaban solucionar los problemas una vez que el daño ya estaba hecho. El equipo quería cambiar a ser "proactivos", utilizando una nueva herramienta para ver el futuro.

La bola de cristal: Cómo construyeron el predictor

Para construir su "bola de cristal", los investigadores primero tuvieron que limpiar una pila de datos desordenados. Imagina intentar predecir el clima usando un cuaderno que tiene páginas arrancadas, manchas de tinta y notas sobre lo que ocurrió después de la tormenta. Así es como suelen verse los datos brutos.

Primero, tuvieron que evitar que la computadora utilizara información que no estaría disponible en la vida real. En los datos, había columnas como "Estado de entrega real" y "Días reales de envío". Si la computadora veía esto, simplemente miraría la clave de respuestas para adivinar el resultado, lo cual es inútil en la vida real. Eliminaron esas columnas, asegurándose de que el modelo solo utilizara la información disponible antes de que el paquete fuera enviado.

Luego, tuvieron que enseñar a la computadora a entender el lenguaje humano. Las computadoras solo hablan números, así que convirtieron palabras como "Clase Estándar" o "Primera Clase" en códigos (ceros y unos). También completaron las piezas faltantes del rompecabezas, como los códigos postales, para que la computadora no se confundiera.

Una parte complicada fue que los datos estaban desequilibrados. Era como intentar aprender a reconocer leones mirando un zoológico donde el 99% de los animales son cebras. La computadora simplemente adivinaría "cebra" en cada ocasión y acertaría, pero nunca aprendería a detectar un león. Dado que las entregas tardías eran en realidad bastante comunes (54,8%), el equipo utilizó un truco ingenioso llamado SMOTE. Piensa en SMOTE como una fotocopiadora que crea nuevos ejemplos falsos de las entregas "tardías" para que los datos de entrenamiento sean justos, de modo que la computadora aprenda a detectar tanto los paquetes a tiempo como los retrasados por igual.

Los ingredientes secretos: Ingeniería de características (Feature Engineering)

Los investigadores no solo alimentaron a la computadora con números brutos; prepararon algunos ingredientes especiales llamados "características" para ayudar al modelo a pensar con más inteligencia.

1. Índice de Presión de Envío: Calcularon cuánta carga de trabajo se acumulaba en un solo envío. Si tienes un pedido enorme pero solo una ventana de tiempo muy pequeña para enviarlo, eso es alta presión.
2. Bandera de Riesgo de Modo: Asignaron una "etiqueta de peligro" a ciertas velocidades de envío. Si un paquete estaba marcado como "Primera Clase" o "Express", el modelo sabía que estos eran de alto riesgo porque prometían una ventana de entrega muy ajustada que era difícil de cumplir.
3. Índice de Congestión Regional: Observaron la historia para ver qué lugares siempre tenían atascos de tráfico. Algunas regiones eran como un desagüe obstruido, causando retrasos constantemente.
4. Puntuación de Complejidad del Pedido: Combinaron el precio del artículo y la dificultad de llegar a la ubicación. Los artículos caros que iban a lugares difíciles recibían una puntuación de "complejidad" alta, advirtiendo al sistema que tuviera especial cuidado.

Lo que revelaron los datos: Las verdades impactantes

Cuando el equipo dejó que la computadora procesara los números, encontró algunos secretos sorprendentes que los gerentes habían pasado por alto.

• La trampa de la "Segunda Clase": Los datos mostraron que el envío de "Segunda Clase" era un desastre. Se prometía que tardaría 2 días, pero en realidad tardaba casi 4 días. Casi siempre llegaba con 2 días de retraso. Del mismo modo, la "Primera Clase" se prometía para 1 día pero tardaba 2. La empresa estaba haciendo promesas que no podía cumplir, y los clientes se estaban enfadando.
• Las zonas de peligro: El mapa del mundo se iluminó de rojo en áreas específicas. África Central, el Sur de Asia y el Este de África eran las zonas de mayor riesgo, con una probabilidad de entrega tardía que promediaba cerca del 60%. No era solo mala suerte; estas áreas tenían problemas sistémicos con las aduanas y los socios locales.
• Las fugas de dinero: El modelo encontró productos y lugares específicos donde la empresa estaba perdiendo dinero. Enviar a la zona de Minnesota estaba perdiendo -$464 por pedido. Un producto específico, el "Total Gym 1400", perdía -$441 cada vez que se pedía. La empresa básicamente estaba pagando para que la gente se llevara sus productos.

El mágico 72%: ¿Qué tan buena es la bola de cristal?

El equipo entrenó su modelo de computadora con el 80% de los datos y lo probó con el 20% restante. ¿El resultado? El modelo de Bosque Aleatorio (Random Forest) (un tipo de algoritmo informático que utiliza muchos árboles de decisión para tomar una elección) alcanzó un 72% de precisión.

Ahora bien, un 72% puede sonar como una nota de aprobado raspado, pero en el mundo desordenado e impredecible del transporte global —donde los atascos, las tormentas y los oficiales de aduanas pueden cambiar todo de la noche a la mañana— esto es una gran victoria. El modelo no solo dice "Sí" o "No"; proporciona una puntuación de probabilidad, clasificando los pedidos en Riesgo Bajo, Medio y Alto. Esto permite al equipo de operaciones centrar su energía en los pedidos de "Alto Riesgo" que requieren atención inmediata.

Del código a la acción: El panel de control en vivo

Los investigadores no dejaron el modelo simplemente en un laboratorio de computación. Construyeron un Panel de Control Streamlit, una herramienta web en vivo que parece el panel de control de un videojuego.

• La visión general: Muestra un panorama general de cuántos pedidos están en riesgo.
• La comprobación de pedidos: Un trabajador puede introducir un nuevo pedido y el panel indica instantáneamente: "¡Este es de Alto Riesgo!".
• El plan de acción: Indica al equipo exactamente qué hacer. Para el envío de "Segunda Clase", deben hablar con sus socios y corregir las promesas de entrega. Para el "Total Gym 1400" y los pedidos de Minnesota, podrían necesitar dejar de venderlos o encontrar una forma más barata de enviarlos.

El futuro del transporte

Este proyecto es un cambio de reaccionar ante los desastres a predecirlos. El autor sugiere que, si bien el modelo actual es una excelente "red de seguridad", el futuro podría ser aún más brillante. Imagina añadir datos meteorológicos en tiempo real o actualizaciones de tráfico portuario en vivo a la mezcla. El objetivo es pasar de simplemente predecir los retrasos a prescribir realmente la mejor ruta para evitarlos.

Al final, este artículo demuestra que, al limpiar datos desordenados, enseñar a las computadoras a detectar patrones y construir herramientas que los humanos realmente puedan usar, una empresa de logística puede detener la hemorragia, mantener contentos a los clientes y convertir un caótico juego de atrapar la pelota en una máquina bien engrasada. La bola de cristal no es perfecta, pero es la mejor herramienta que han tenido para ver el futuro.