Modelado Predictivo para la Gestión de Inventarios: Aumento de la Productividad y Eficiencia en un Centro de Distribución de Alimentos

Felipe Augusto Toscani Figueiredo; Dora Yovana Barrios Leal

DOI: 10.22167/2675-6528-202602897

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

La gestión eficiente de las operaciones logísticas en centros de distribución es fundamental para la competitividad, especialmente en actividades intensivas en mano de obra, que impactan los costos operativos y el nivel de servicio. El estudio tuvo como objetivo desarrollar y evaluar diferentes modelos de pronóstico de demanda para optimizar la gestión de inventario y recursos en un centro de distribución de alimentos. Para ello, se utilizaron datos históricos de movimiento de un sistema WMS, aplicando modelos de regresión lineal, suavización exponencial de Holt-Winters y el algoritmo LightGBM. Los resultados indicaron que los modelos tradicionales presentaron limitaciones en la captura de la dinámica de la demanda, con un rendimiento inferior al LightGBM. El algoritmo de aprendizaje automático demostró un rendimiento superior, especialmente después de la incorporación de mayor granularidad de los datos y variables temporales, lo que permitió una mayor adherencia a la dinámica de la demanda. La aplicación del modelo resultó en una reducción del 36,38% en el desplazamiento para el pallet picking y del 31,98% para el case picking, totalizando una reducción global del 33,64%. Se concluyó que la utilización de modelos predictivos contribuyó a la mejora de la eficiencia operativa, permitiendo una mejor asignación de recursos y organización de los artículos en el proceso de separación de pedidos.

Palabras clave: Aprendizaje automático; Clasificación ABC; Eficiencia operativa; Logística; Predicción de demanda.

1. Introducción

La cadena logística comprende todas las etapas que conectan la producción con el consumidor final, involucrando proveedores, industrias, distribuidores y puntos de venta. La gestión eficiente de este proceso constituye un pilar estratégico para las organizaciones, ya que garantiza eficiencia y competitividad en un mercado cada vez más dinámico y exigente (Cabral et al., 2023). Dentro de las cadenas de suministro modernas, los centros de distribución asumen un papel esencial al almacenar, organizar y mover los productos, funcionando como un eslabón intermedio entre la producción y la entrega al cliente (Finco et al., 2023; Tulli, 2023). En estos lugares, se destacan cuatro actividades principales: la recepción, el almacenaje, la separación de pedidos y la expedición (Amorim-Lopes et al., 2020).

Entre estas actividades, la operación de separación de pedidos, conocida como picking, es ampliamente reconocida como la etapa más laboriosa e intensiva dentro de las actividades de un almacén, especialmente en sistemas no automatizados del tipo picking fraccionado. Este proceso esencial para la atención de pedidos implica la separación de los productos según las cantidades y secuencias solicitadas por los clientes, exigiendo a menudo que el operario se desplace hasta el lugar de almacenaje para recoger los materiales (Amorim-Lopes et al., 2020; Picoli et al., 2023). A pesar de los avances tecnológicos en la gestión de almacenes, muchas operaciones aún enfrentan ineficiencias derivadas de layouts mal planificados, como largos recorridos para los operarios, cuellos de botella en áreas de mayor flujo, subutilización del espacio disponible y retrasos en las etapas de separación y expedición (Casella et al., 2023; Tulli, 2023). Tales factores elevan los costes operativos y aumentan el tiempo de atención de los pedidos, pudiendo comprometer la satisfacción de los clientes.

Los procesos de almacén son frecuentemente apoyados por un Warehouse Management System (WMS), o Sistema de Gestión de Almacén, que gestiona flujos físicos y de información, haciendo las operaciones más ágiles y precisas. El WMS asegura que todas las transacciones físicas sean registradas en base de datos, garantizando la exactitud del inventario y proporcionando información esencial para análisis posteriores (Brochado, 2024; Zaman et al., 2023). Sin embargo, la dependencia de asignaciones fijas de recursos y de promedios históricos para la planificación, sin una visión dinámica de la demanda, frecuentemente desconsidera la volatilidad inherente a las operaciones, resultando en subutilización de recursos y menor eficiencia en el proceso de picking.

Para optimizar la gestión de inventario y recursos, la utilización de la Curva ABC es un enfoque común. Esta clasificación estadística de los productos se basa en su importancia relativa en términos de valor y volumen, orientando la gestión del inventario y permitiendo concentrar esfuerzos y recursos en los productos más significativos, lo que promueve una mayor eficiencia operativa (Santa Ana, 2021; Todeschini y Lélis, 2022; Tulli, 2023). Para ayudar a la clasificación de la curva ABC y aportar mayor precisión a la gestión del inventario, la previsión de la demanda surge como un complemento esencial. Mediante la anticipación de las necesidades de productos, es posible alinear la capacidad de atención a las demandas de los clientes, reduciendo desperdicios, mejorando la precisión del inventario y aumentando el nivel de servicio (Garcia y Fernandes, 2024).

La aplicación de diferentes métodos de análisis, desde técnicas informales hasta modelos cuantitativos de series temporales y técnicas de inteligencia artificial, puede mejorar la previsión de la demanda (Torres y Corso, 2021). En este contexto, este trabajo tuvo como objetivo desarrollar y evaluar diferentes modelos para la previsión de la demanda, con el fin de seleccionar aquel que proporcione las mejores estimaciones para optimizar la gestión de inventario y recursos en un centro de distribución de alimentos, aumentando la eficiencia de la separación de pedidos.

2. Material y Métodos

El estudio adoptó un enfoque cuantitativo y descriptivo, de naturaleza aplicada, con el objetivo de desarrollar y evaluar modelos predictivos para la gestión de inventario y recursos. La investigación se llevó a cabo en un centro de distribución de alimentos 3PL, ubicado en el estado de São Paulo. El enfoque empírico se centró en los movimientos de separación de pedidos (picking), en las modalidades pallet picking y case picking, registrados entre enero de 2023 y septiembre de 2025.

La base de datos se extrajo del Warehouse Management System (WMS) de la institución, que registra todos los movimientos de picking mediante lecturas de código de barras. El conjunto totalizó 2.024.472 registros, correspondientes a 67.705.531 cajas movidas, distribuidas entre 497 productos de seis familias. Se fusionó una base de datos de registro de artículos para vincular productos a sus familias, y la información sensible se anonimizó mediante códigos.

En el procesamiento, se eliminaron los duplicados y solo se filtraron los pedidos completados. Las columnas de fecha y hora se convirtieron al formato diario, permitiendo la agregación de la cantidad movida por día, producto, familia y tipo de picking. Se creó la variable “visitas” para contabilizar el número de recogidas. Las variables explicativas incluyeron fecha, hora, familia, código de producto y tipo de picking, siendo la cantidad de cajas movidas la variable de respuesta. Las variables categóricas se convirtieron en representaciones numéricas utilizando One-Hot Encoding. El procesamiento se realizó en Python, con Pandas, NumPy y Matplotlib.

Para la modelización predictiva, la base de datos se separó en conjuntos de entrenamiento (80% iniciales) y de prueba (20% más recientes), respetando el orden temporal. Durante el entrenamiento, se empleó la validación cruzada temporal (Time Series Cross-Validation) de Scikit-Learn (Pedregosa et al., 2011). La optimización de los hiperparámetros se realizó con Randomized Search de Scikit-Learn (Géron, 2019), que selecciona aleatoriamente combinaciones de parámetros a ser probadas. Los análisis de regresión lineal se llevaron a cabo en Python, utilizando las bibliotecas statsmodels, scikit-learn, statstests y scipy.

La selección de los modelos predictivos buscó contrastar métodos estadísticos tradicionales con algoritmos de aprendizaje automático (Saraiva y Yoshizaki, 2024). Se emplearon la Regresión Lineal Múltiple, el algoritmo LightGBM y el modelo de suavización exponencial de Holt-Winters. La Regresión Lineal Múltiple sirvió como base comparativa. El LightGBM, basado en árboles de decisión y gradient boosting (Géron, 2019), incorporó variables de desfase y marcadores temporales. El Holt-Winters (Kessous et al., 2024) descompuso la serie en nivel, tendencia y estacionalidad, utilizando la versión aditiva del modelo.

Para evaluar el rendimiento de los modelos, se seleccionaron el Coeficiente de Determinación (R²), el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE) (Saraiva y Yoshizaki, 2024). Los modelos con mayor R² y menores valores de MAE y RMSE se consideraron más precisos. Los modelos se entrenaron con datos diarios, preservando la granularidad, y la evaluación de las predicciones se realizó tras la agregación mensual, para alinearse con la planificación de recursos logísticos.

Tras la selección del modelo con mayor precisión, la Curva ABC se elaboró basándose en la demanda prevista de los artículos, considerando la participación porcentual acumulada ordenada. La Clase A incluyó el 20% de mayor frecuencia de salida; la Clase B, los subsiguientes hasta el 50%; y la Clase C, el 50% restante. La Curva ABC se elaboró por separado para artículos de la familia ‘FAM_02’ (área climatizada) y demás artículos (área ambiente). Se estimó la necesidad de colaboradores y el desplazamiento medio entre posiciones de almacenaje, con distancias predefinidas para transiciones entre clases.

Los resultados de las predicciones obtenidas por los modelos se compararon con una estimativa de referencia. Esta estimativa consideró el mantenimiento del comportamiento histórico reciente, utilizando la media observada en los dos últimos meses como tendencia esperada para el período futuro. Esta comparación permitió evaluar la ganancia de precisión y el impacto operacional proporcionado por los modelos predictivos.

3. Resultados y Discusión

El análisis de la demanda mensual en el centro de distribución de alimentos, que abarca el período de 2023 a 2025, reveló patrones distintos de volumen y estabilidad operativa. Se observó que el año 2024 registró el mayor nivel de movimiento, con una mediana de 1,52 millones de cajas y un crecimiento del 3,1% en la media mensual en comparación con el año anterior. En contraste, 2023 presentó la mayor dispersión de los datos, lo que indica una demanda más inestable y, en consecuencia, de difícil previsibilidad para la planificación de recursos. Ya en 2025, hubo una mayor concentración de los volúmenes, lo que sugiere una operación más estabilizada, aunque con una retracción del 3,8% en la media mensual, volviendo a los niveles de 2023, con 1,43 millones de cajas movilizadas.

Para verificar la significancia estadística de estas variaciones anuales, se aplicó un análisis de varianza de un factor (ANOVA). Los resultados de la prueba (F = 0,65; p = 0,53) indicaron que no hubo diferencias estadísticamente significativas entre las medias mensuales anuales. Esto confirmó que, a pesar de las oscilaciones observadas entre los años, el nivel medio de la demanda mensual se mantuvo estadísticamente similar a lo largo de todo el período analizado. Sin embargo, en contraste con la estabilidad anual, el análisis de la demanda a escala mensual reveló una alta volatilidad en el volumen movilizado, con oscilaciones frecuentes y sin un patrón estacional evidente, lo que aumenta la complejidad de la previsión.

La demanda mensual varió entre aproximadamente 1,22 millón y 1,66 millón de cajas, resultando en una amplitud de cerca de 438 mil cajas entre los meses de menor y mayor movimiento. Esta variación del 35,8% entre los extremos confirma que la estabilidad media anual oculta oscilaciones mensuales severas, exigiendo alta flexibilidad de la operación logística. Desde el punto de vista logístico, estas variaciones son cruciales para la planificación de recursos operacionales, ya que alteraciones de esta magnitud en el volumen movido impactan directamente la necesidad de mano de obra, la intensidad de las visitas operacionales y el nivel de desplazamiento dentro del almacén.

El análisis de la productividad por tipo de picking reveló un desbalance entre el volumen movido y el esfuerzo operativo. El pallet picking, que implica la movilización de paletas completas, concentró la mayor parte de la demanda total, representando el 67,62% del volumen. Por otro lado, el case picking, que se refiere a la separación manual de volúmenes fraccionados, aunque representa solo el 32,38% de la demanda total, fue responsable de la vasta mayoría del flujo en el almacén, generando el 76,52% de las visitas a las posiciones de stock. Este escenario evidencia que la separación unitaria es el principal impulsor de la movilización y la ocupación de mano de obra en la operación.

La clasificación de los artículos mediante la Curva ABC se elaboró basándose en la demanda prevista, considerando que, en un operador logístico 3PL, la importancia de los productos está más ligada a su movimiento y frecuencia de consumo que a su valor monetario. Para la definición de los grupos, se adoptó el criterio de participación porcentual acumulada ordenada por la demanda: la Clase A estuvo compuesta por el 20% de los artículos con mayor frecuencia de salida; la Clase B por los artículos subsiguientes hasta el límite del 50% del total; y la Clase C por el 50% restante, con bajo valor agregado. La Curva ABC se elaboró por separado para los artículos de la familia FAM_02, correspondientes al área climatizada, debido a las restricciones de almacenamiento, y para los demás artículos, almacenados en área ambiente. La familia FAM_002 representa aproximadamente el 30% de la demanda total, reflejando su necesidad proporcional de posiciones en el área climatizada.

La evaluación del desempeño de los modelos predictivos consideró el Coeficiente de Determinación (R²), el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE), métricas consolidadas en la literatura (Saraiva y Yoshizaki, 2024). El R² mide la proporción de la variabilidad de la variable dependiente explicada por el modelo, mientras que el MAE y el RMSE cuantifican la magnitud de los errores. Los modelos con mayor R² y menores valores de MAE y RMSE se consideran más precisos y con mejor desempeño predictivo, siendo estas métricas utilizadas de forma complementaria en la comparación entre los enfoques.

El modelo de regresión lineal, aunque globalmente significativo (Prob(F-statistic) = 0,00), presentó un R² de 0,31, lo que indica una capacidad limitada para explicar la variabilidad de la demanda a nivel diario. Además, varios coeficientes individuales no fueron estadísticamente significativos, lo que sugiere multicolinealidad, y los residuos no se adhirieron a la normalidad, incluso después de la transformación Box-Cox. Estos resultados indican que, a pesar de su simplicidad e interpretabilidad, la regresión lineal sirvió principalmente como base comparativa para modelos más complejos, como observaron Fávero y Belfiore (2024).

Los modelos iniciales de LightGBM, entrenados mensualmente, presentaron limitaciones para capturar la dinámica temporal bajo un alto nivel de agregación. Sin embargo, con el uso de datos más detallados, incorporando variables de marcación temporal (rezago y media móvil) y granularidad diaria, se observó una mejora expresiva en el rendimiento. El mejor resultado fue alcanzado por LightGBM con datos diarios, productos (One Hot Encoding), rezagos y media móvil, alcanzando un R² de 97,80%, MAE de 35.840 cajas y RMSE de 46.662 cajas. Este comportamiento refuerza la importancia del nivel de agregación de los datos en la precisión predictiva, como discutido por Hyndman et al. (2011), y evidencia que una mayor granularidad contribuye a una mejor captura de variaciones y a la reducción de los efectos de ruido en la serie.

El modelo de Holt-Winters, una técnica de suavizado exponencial estacional, también fue evaluado. En la versión mensual, obtuvo un R² del 93,43%, MAE de 40.849,89 y RMSE de 67.929,57. En la versión diaria, los resultados fueron R² del 91,20%, MAE de 72.074,37 y RMSE de 79.854,12. Aunque el Holt-Winters es adecuado para series temporales con tendencia y estacionalidad (Kessous et al., 2024), el LightGBM, con la incorporación de variables explicativas adicionales y la capacidad de capturar relaciones no lineales, demostró un rendimiento superior, alineándose con estudios que validan la robustez del aprendizaje automático en contextos de alta volatilidad (Saraiva y Yoshizaki, 2024; Schmid et al., 2025).

El análisis de los residuos del modelo LightGBM, comparando la demanda real y las predicciones, reveló patrones distintos para cada tipo de picking. En el case picking, los residuos fueron predominantemente negativos, indicando una tendencia de sobreestimación sistemática de la demanda. En el pallet picking, los residuos presentaron mayor variabilidad y alternancia de señal, sugiriendo un ajuste más equilibrado, pero con subestimación en períodos de pico, especialmente en los meses de mayor demanda. Esta observación llevó a un refinamiento del modelo, considerando la hipótesis de que los diferentes tipos de picking podrían presentar patrones de demanda distintos.

Ante esta hipótesis, se realizó un nuevo experimento, manteniendo la configuración de LightGBM, pero separando los datos en dos conjuntos distintos: uno para case picking y otro para pallet picking, en sustitución del uso de One-Hot Encoding para el tipo de picking. Este enfoque resultó en un aumento del R² mensual de 97,80% a 98,24%, lo que representa una ganancia de 0,44 punto porcentual. Adicionalmente, hubo una reducción del MAE en 13,33% y del RMSE en 18,24%, lo que indica que la separación de los modelos contribuyó principalmente a reducir errores de mayor magnitud, asociados a los períodos de mayor variación de la demanda, en los cuales el modelo anterior presentaba mayor dificultad de ajuste.

La traducción de los resultados en términos de recursos humanos permitió estimar la necesidad de mano de obra real versus la estimada por el modelo. Para el cálculo, se consideraron las productividades medias de 135,59 cajas por operador por hora para el case picking y 872,69 cajas por operador por hora para el pallet picking, además de una jornada semanal de 44 horas. Las predicciones del modelo final resultaron en una diferencia media de 0,87 operador en el case picking y de solo 0,06 operador en el pallet picking en relación a la necesidad real.

La variación positiva observada en el case picking, que es el principal impulsor del movimiento en el centro logístico, puede considerarse adecuada al contexto operativo, ya que es preferible un margen de seguridad en la estimación de recursos. En el pallet picking, la pequeña subestimación en agosto de 2025 tuvo un menor impacto en la dimensionamiento de la mano de obra, dado que este proceso no representa el principal cuello de botella operativo. Actualmente, el Centro Logístico opera con una cantidad fija de 21 separadores y 9 operadores de montacargas, basada en el cálculo de la demanda histórica. Los resultados evidencian que la demanda operativa no es constante, y un modelo predictivo ofrece mayor flexibilidad en el dimensionamiento de los equipos.

La simulación de las matrices de validación cruzada entre las clasificaciones ABC real, predicha e histórica demostró que el modelo predictivo presenta mayor adherencia a la clasificación real en comparación con el método histórico, tanto para el case picking como para el pallet picking. En todas las clases, se observó mayor concentración en la diagonal principal en el escenario predictivo, indicando un aumento significativo de la correspondencia entre las curvas clasificadas y la demanda real. En el case picking, los porcentajes de acierto en las clases A, B y C fueron de 83,33%, 81,82% y 97,13%, respectivamente, superando los 75,00%, 69,70% y 96,31% del método histórico.

Para el picking de paletas, los resultados de acierto fueron del 100,00% para la clase A, 77,78% para la clase B y 98,19% para la clase C, en contraste con el 50,00%, 44,44% y 96,99% del método histórico. Estos datos refuerzan la eficacia del modelo predictivo en la optimización de la priorización de los ítems y la reducción de errores de clasificación, lo cual es fundamental para una gestión de inventario más eficiente y para la asignación estratégica de recursos.

Con base en la profundidad de la calle en el Centro Logístico, estimada en aproximadamente 190 metros, y en la variación media de desplazamiento entre las clases (47,5 m para A y B, 71,25 m para B y C, y 118,75 m para A y C), los resultados indicaron una reducción del 36,38% para el pallet picking y del 31,98% para el case picking en el desplazamiento relacionado a los cambios entre zonas en el escenario basado en predicción. Esto resultó en una reducción total estimada del 33,64% en comparación al escenario histórico, evidenciando el potencial del modelo para aumentar la eficiencia del proceso de separación de pedidos.

La drástica reducción en el desplazamiento refuerza la tesis de que los enfoques basados en Inteligencia Artificial superan los métodos tradicionales de organización de almacenes. El uso de algoritmos inteligentes para agrupar y asignar productos no solo reduce la distancia de picking, sino que también mejora la ergonomía operativa y la precisión en la distribución de artículos, como señalan Adamah y Linner (2024). Por lo tanto, las ganancias de eficiencia obtenidas validan la transición a un modelo predictivo como estrategia fundamental para la reducción de costos logísticos y la mejora de la productividad.

En resumen, la investigación demostró que la aplicación de modelos predictivos, especialmente el algoritmo LightGBM con granularidad diaria y variables temporales, superó los métodos tradicionales en la predicción de demanda en un centro de distribución alimentario. La mayor precisión del modelo permitió una estimación más precisa de la necesidad de mano de obra y una clasificación ABC más adherente a la realidad operativa, resultando en una reducción global del 33,64% en el desplazamiento para la separación de pedidos. Estos hallazgos confirman que la utilización de modelos predictivos, aliada a la reorganización de los ítems con base en la demanda prevista, contribuye significativamente a la mejora de la eficiencia operativa y la optimización de la gestión de recursos, respondiendo directamente al objetivo del estudio.

4. Conclusión

El presente estudio tuvo como objetivo desarrollar y evaluar modelos de pronóstico de demanda para optimizar la gestión de inventario y recursos en un centro de distribución de alimentos, con el fin de mejorar la eficiencia del picking de pedidos. Se observó que, entre los enfoques probados, el algoritmo LightGBM demostró un rendimiento superior en la captura de la dinámica de la demanda, especialmente después de la incorporación de mayor granularidad de los datos y variables temporales. Los modelos tradicionales, como la regresión lineal y el suavizado exponencial de Holt-Winters, presentaron limitaciones en la precisión predictiva. El refinamiento del LightGBM, con la separación de los datos por tipo de picking, elevó el coeficiente de determinación (R²) al 98,24% y redujo significativamente los errores medios, lo que indica una notable adherencia a las variaciones de la demanda.

La aplicación del modelo predictivo resultó en contribuciones operacionales sustanciales. Se observó una estimación más precisa de la necesidad de mano de obra, con una diferencia media de 0,87 operador para el case picking y 0,06 operador para el pallet picking en relación con la demanda real, permitiendo mayor flexibilidad en la dimensionamiento de los equipos. Adicionalmente, la clasificación ABC de los ítems, basada en la demanda prevista, mostró mayor adherencia a la realidad operacional que el método histórico, optimizando la priorización de productos. Consecuentemente, la reorganización de los ítems en el proceso de separación de pedidos, guiada por las previsiones, generó una reducción del 36,38% en el desplazamiento para el pallet picking y del 31,98% para el case picking, totalizando una disminución global del 33,64%. Estos hallazgos validan la transición a modelos predictivos como una estrategia fundamental para la mejora de la eficiencia operacional y la reducción de costos logísticos en centros de distribución.

Referencias Bibliográficas

Amorim-Lopes, M.; Guimarães, L., Alves, J.; Almada-Lobo, B. 2020. Improving picking performance at a large retailer warehouse by combining probabilistic simulation, optimization, and discrete-event simulation. International Transactions in Operational Research, 28 (2): 687-715.

Cabral, G.; Fracarolli, J. V.B; Netto, R. V.; Bassi, A. L. 2023. Gestão da cadeia logística e centros de distribuição como otimizar o tempo das entregas. Revista Eletrônica CREARE – Revista das Engenharias, Ciências e Tecnologias 6 (1): 1-15.

Casella, G.; Volpi,

Finco, S.; Ashta, G.; Persona, A.; Zennaro, I. 2023. Investigating different manual picking workstations for robotized and automated warehouse systems: Trade-offs between ergonomics and productivity aspects. Computers & Industrial Engineering 185: 1-16.

Picoli, M. A.; Moreira, R. S.; Ribeiro, A. F.; Araújo, D. L. A.; Lemos, F. K. 2023. Inovação na operação logística: adoção do picking com códigos de barras e rádio frequência na metalúrgica São Raphael. Revista da Micro e Pequena Empresa (RMPE) 17 (1): 133-147.

Tulli, S. K. C. 2023. Warehouse Layout Optimization: Techniques for Improved Order Fulfillment Efficiency. International Journal of Acta Informatica 2 (1): 138-168.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy