Artículo

26 de octubre de 2026

Optimización de la distribución de productos en vehículos de reparto para la logística de “comercio electrónico”

Raphael Barretto Morgado; Igor Pinheiro de Araújo Costa

DOI: 10.22167/2675-6528-202603379

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

Resumen

La optimización de la distribución de productos en vehículos de reparto es crucial para la competitividad de las empresas de comercio electrónico, donde las operaciones logísticas representan un impacto significativo para mejoras. El estudio tuvo como objetivo analizar la optimización de la distribución de productos en vehículos de reparto, considerando la tipología de cada vehículo (motocicletas, coches de pasajeros y utilitarios). Para ello, se utilizó Programación Lineal Entera (PLI) con la biblioteca Pulp de Python. Datos reales de una ventana operativa y de un clúster específico fueron transformados para crear nuevos datos, preservando las relaciones estadísticas originales. Se evaluaron diferentes escenarios, variando el costo asociado a cada tipología de vehículo y la restricción operativa de productos por vehículo, manteniendo la flota disponible y la muestra de paquetes constantes. Los resultados indicaron que la distribución de vehículos por ruta tiene margen de mejora, pudiendo reducir la cantidad de vehículos necesarios para la entrega de todos los productos. Se observó también que la capacidad de los vehículos estuvo restringida por la cantidad máxima de productos permitida, aunque algunos vehículos presentaran capacidades de volumen y peso por debajo de los límites posibles. Se concluyó que el modelo propuesto puede apoyar decisiones estratégicas en el dimensionamiento de la flota y en la definición del mix de vehículos, contribuyendo a la eficiencia operativa y a la competitividad del sector.

Palabras clave: Eficiencia operativa; Logística; Optimización; Programación lineal entera; Vehículos de reparto.

1. Introducción

En la era digital, las compras en línea se han convertido en una rutina para millones de consumidores, transformando el comercio y elevando la competitividad de las empresas. Este escenario se ve corroborado por datos que indican la magnitud del fenómeno en Brasil. Según una encuesta de PriceWaterhouseCoopers (2021), el 73% de las compras realizadas en el país se efectuaron en línea, excluyendo las relacionadas con supermercados. La Asociación Brasileña de Comercio Electrónico (ABCOMM, 2025) señala un crecimiento expresivo en el total de ventas de estas empresas, que saltó de R$ 90 mil millones en 2019 a R$ 204 mil millones en 2024, lo que representa un aumento del 127%. Solo en 2020, impulsado por la pandemia de Covid-19, el total de ventas del comercio electrónico creció un 41%.

El crecimiento del volumen de ventas, sin embargo, conlleva un aumento en la complejidad de las operaciones de entrega. La logística representa una parte significativa de los costos de las empresas en Brasil, correspondiendo al 12,4% de la facturación bruta, siendo el 63,5% de este valor atribuido únicamente al transporte, según estudio de la Fundação Dom Cabral (2018). En este contexto, las ganancias de eficiencia en las operaciones de transporte son cruciales para la obtención de ventaja competitiva. El transporte de productos en el e-commerce se divide en tres etapas: First Mile, Middle Mile y Last Mile. La etapa Last Mile, que abarca la entrega final al cliente, se considera la más desafiante y costosa para las empresas (Caetano y Gonçalves, 2023), debido a factores como la utilización de servicios tercerizados, distancias, peligrosidad y dificultad de acceso a los lugares de entrega.

Uno de los principales desafíos en la etapa de Última Milla reside en la definición de la cantidad y el tipo de paquetes a asignar a cada vehículo. Esta complejidad se ve agravada por la variabilidad de volúmenes y pesos de los productos, a menudo informados de forma imprecisa por los vendedores, y por la diversidad de la flota de vehículos disponibles, que puede incluir motocicletas, automóviles de pasajeros y vehículos utilitarios como el Fiat Fiorino, cada uno con capacidades distintas. La asignación ineficiente de mercancías, que resulta en la subutilización de la capacidad total de los vehículos, es un factor que eleva los costos operativos e impacta la eficiencia de la cadena logística.

Para abordar problemas de optimización en escenarios complejos como este, la Programación Lineal (PL) es una técnica clásica de la Investigación de Operaciones. Busca maximizar o minimizar una función objetivo, como costo o beneficio, sujeta a un conjunto de restricciones lineales que representan limitaciones reales de recursos (Schneider, 2013). La Programación Lineal Entera (PLI) es una extensión de la PL que permite que las variables de decisión asuman valores discretos, siendo particularmente útil para problemas de asignación de recursos. Trabajos anteriores demuestran la aplicabilidad de modelos matemáticos similares en la optimización de redes logísticas, como la localización de centros de distribución (Guazzelli y Cunha, 2014), optimización de localización de bancos de sangre (Altherwi, 2025) y optimización de transporte de cargas (Tonin, 2021).

Dada la relevancia de la optimización en la etapa Last Mile para la competitividad de las empresas de e-commerce, este proyecto tuvo como objetivo el análisis de optimización de distribución de productos en los vehículos de entrega, considerando la tipología de cada vehículo – motocicletas, coches de paseo y utilitarios (Fiorino). Para ello, se utilizó Programación Lineal Entera (PLI) con la biblioteca Pulp de Python, buscando promover la asignación eficiente de paquetes a los vehículos disponibles, considerando restricciones de peso, volumen, capacidad de carga y disponibilidad por categoría de vehículo, dada una cantidad de oferta de vehículos determinada, y evaluando el impacto sobre la utilización de los recursos de transporte y los costos logísticos asociados, contribuyendo al aumento de la eficiencia operativa y de la competitividad del sector.

2. Material y Métodos

El presente estudio se caracterizó como investigación aplicada y enfoque cuantitativo, centrado en la optimización logística. Se objetivó analizar la distribución de productos en vehículos de entrega mediante modelado matemático, utilizando Programación Lineal Entera (PLI). La unidad de análisis comprendió paquetes de productos (peso y volumen) y vehículos de entrega (tipología, capacidad de carga, volumen y costo operativo). Los datos se obtuvieron de una empresa de comercio electrónico, referentes a una región de entrega y ventana operativa, simulando un “clúster” específico.

Para la construcción de la base de datos de paquetes, se recopiló información real sobre dimensiones y pesos. Para preservar la confidencialidad de los datos originales, se aplicó una transformación lineal, que mantuvo las relaciones estadísticas multivariadas, pero alteró la escala y los valores absolutos (Muralidhar y Sarathy, 1991). En el tratamiento, los valores nulos o inferiores a 0,1 kg para peso se estandarizaron a 0,1 kg, y para volumen, se estableció un mínimo de 0,001 m³ y un máximo de 4 m³.

La flota de vehículos utilizada fue sintética, estimada a partir de la disponibilidad real observada en un día de operación. El total de vehículos se redujo, manteniendo la proporción entre los tipos (motocicleta, coche de pasajeros y vehículo utilitario ligero) y la relación con el total de paquetes entregados. Las capacidades de volumen de los vehículos se minoraron en un 10% por pérdidas de espacio. Los costos operativos se atribuyeron a cada categoría de vehículo como un costo fijo, siguiendo la proporción estimada en la empresa evaluada.

La Programación Lineal Entera (PLI) fue la técnica de optimización empleada, formulada para minimizar el costo total de utilización de los vehículos. El modelo buscó la asignación eficiente de paquetes dentro de los límites operacionales de peso, volumen y cantidad máxima por vehículo. Las variables de decisión incluyeron x_ij (paquete *i* asignado al vehículo *j*) y y_j (vehículo *j* utilizado). Se incorporaron restricciones para simular las condiciones operacionales, donde cada paquete pudo ser asignado como máximo una vez, y se consideraron las capacidades máximas de peso (cap_carga[j]) y volumen (cap_volume[j]) de cada vehículo.

Adicionalmente, se aplicó una restricción de cantidad máxima operativa de paquetes por vehículo (lim_op), limitando el número total de paquetes que cada vehículo podía transportar. Estas restricciones aseguraron que la asignación respetara las limitaciones físicas y operativas de la flota. Los experimentos computacionales se llevaron a cabo en un entorno de laptop, con el modelo implementado en Python, utilizando las bibliotecas Pandas, Numpy y PuLP.

Para la resolución de los problemas de Programación Lineal Entera, se utilizó el solver COIN-OR CBC (Computational Infrastructure for Operations Research Branch and Cut), accedido vía biblioteca PuLP. El CBC es un solver de código abierto que emplea el algoritmo Branch and Cut (Nemhauser y Wolsey, 1988). Su elección se justificó por la transparencia, reproducibilidad y desempeño adecuado para los objetivos de este trabajo (Mitchell, 2011; Forrest y Loungee-Heimer, 2005).

Para la evaluación de los escenarios, se definieron indicadores específicos. Se calculó el promedio de paquetes por vehículo utilizado, la tasa de ocupación (razón entre el volumen de paquetes ocupado y el volumen total disponible) y la tasa de carga (razón entre el peso transportado y la capacidad de peso total). Estos indicadores permitieron una comparación estandarizada entre los escenarios.

3. Resultados y Discusión

El análisis inicial del escenario real, que sirvió de base para la comparación con los resultados del modelo de optimización, reveló que se distribuyeron 845 paquetes utilizando siete vehículos de reparto. Esta operación resultó en un promedio de 120,7 paquetes asignados por vehículo. Se observó que todos los vehículos empleados eran de la categoría “Paseo”, con capacidades de carga y volumen variables, y que la distribución de paquetes entre ellos presentaba diferentes niveles de utilización. Por ejemplo, un vehículo de paseo cargó 98,36 kg y 0,7963 m³, mientras que otro transportó 178,94 kg y 0,8426 m³. Esta configuración, que utilizó exclusivamente vehículos de paseo, sugiere que la región de entrega analizada puede tener una predominancia de productos de dimensiones menores, o que la flota de vehículos de mayor capacidad, como furgonetas y utilitarios, no estaba disponible o no se consideró para esta operación específica. La ausencia de motocicletas en la operación real también es notable, lo que indica un perfil de demanda que, en ese momento, no las priorizó.

La predominancia de vehículos de pasajeros en la operación real puede indicar que el área de entrega específica, o “clúster”, no requería vehículos de mayor tamaño para la mayoría de los paquetes, o que existía una limitación en la disponibilidad de otros tipos de vehículos. Esta observación es crucial, ya que la asignación ineficiente de mercancías, que resulta en la subutilización de la capacidad total de los vehículos, es un factor que eleva los costos operativos e impacta la eficiencia de la cadena logística, como lo destacan Caetano y Gonçalves (2023). El promedio de 120,7 paquetes por vehículo, aunque alto, puede enmascarar ineficiencias si la capacidad de peso o volumen no se está utilizando plenamente en todos los vehículos.

Optimización con Costos Iguales (Escenario 1)

En el primer escenario simulado, el objetivo principal fue identificar el potencial de reducción de la flota necesaria, eliminando el factor costo de la ecuación al asignar el mismo costo fijo para cada modalidad de vehículo. Para esta simulación, se consideró una flota disponible de tres motocicletas, cinco automóviles de pasajeros y cuatro vehículos utilitarios, totalizando doce vehículos. La restricción operativa de paquetes por vehículo se estableció en 130. Los resultados indicaron que, para la misma demanda de paquetes, aún serían necesarios siete vehículos, pero con una composición de flota significativamente diferente de la realidad observada. El modelo seleccionó una motocicleta, cuatro vehículos de pasajeros y dos utilitarios.

El cambio en el perfil de la flota en el Escenario 1 demostró una asignación más eficiente de la capacidad de los vehículos. La motocicleta seleccionada transportó 130 paquetes, con 17,65 kg y 0,1438 m³, acercándose a su capacidad máxima de carga de 18 kg y volumen de 0,1440 m³. Los vehículos de pasajeros, por su parte, cargaron entre 108 y 129 paquetes, con pesos y volúmenes variados, pero consistentemente por debajo de sus capacidades máximas de 250 kg y 1,2600 m³. Los dos utilitarios (Fiorino) fueron los que más destacaron en la utilización de la capacidad, transportando 119 y 120 paquetes, con 239,20 kg y 2,1143 m³ y 169,55 kg y 1,8698 m³, respectivamente, en relación a su capacidad de 650 kg y 3,0105 m³. Esta configuración optimizada, incluso manteniendo el número total de vehículos, sugiere una mejor adecuación de la flota al volumen y peso de los paquetes, aprovechando la diversidad de capacidades disponibles.

Impacto de los Costos Variables (Escenario 2)

El Escenario 2 introdujo costos fijos diferenciados para cada tipo de vehículo (1,5 para motocicletas, 2,5 para automóviles de pasajeros y 3 para vehículos utilitarios), manteniendo la restricción operativa de 130 paquetes por vehículo. La cantidad total de vehículos seleccionados se mantuvo en siete, pero la distribución de la flota se modificó en comparación con el Escenario 1. En este escenario, el modelo priorizó dos motocicletas, tres automóviles de pasajeros y dos vehículos utilitarios. Este cambio refleja la influencia de los costos en la decisión de asignación, buscando minimizar el costo total de la operación.

El análisis detallado del Escenario 2 reveló que las dos motocicletas operaron cerca de su capacidad máxima, transportando 130 y 129 paquetes, con pesos de 17,91 kg y 17,87 kg, y volúmenes de 0,1436 m³ y 0,1420 m³, respectivamente. Los vehículos de pasajeros presentaron una utilización más variada, con uno de ellos cargando solo 66 paquetes (28,31 kg y 0,3385 m³), lo que es una carga muy pequeña en relación a su capacidad. Este hallazgo sugiere una oportunidad de optimización adicional, donde la carga de este vehículo podría ser redistribuida a otros, o indica la posibilidad de que la empresa esté comercializando productos de mayor volumen que no son debidamente asignados. Los dos utilitarios, por su parte, fueron bien utilizados, transportando 130 paquetes cada uno, con pesos de 322,24 kg y 246,01 kg, y volúmenes de 2,9863 m³ y 2,3571 m³, respectivamente, demostrando la eficiencia en la asignación de paquetes de mayor tamaño.

Sensibilidad a la Restricción Operacional (Escenario 3)

Para evaluar la sensibilidad del modelo a la capacidad de paquetes por vehículo, el Escenario 3 elevó la restricción operativa de 130 a 150 paquetes, manteniendo los costos iguales para todos los tipos de vehículos, similar al Escenario 1. El aumento del 15,4% en el límite de paquetes transportados por vehículo generó un cambio significativo en la flota necesaria, resultando en la utilización de solo seis vehículos, una reducción del 14,3% en relación con los escenarios anteriores. La flota optimizada consistió en cinco vehículos de pasajeros y un utilitario. Esta configuración demuestra que la capacidad operativa máxima de paquetes es un factor determinante en la optimización de la flota.

En este Escenario 3, los vehículos de pasajeros fueron asignados con un número de paquetes que variaba entre 106 y 150, con pesos y volúmenes que se aproximaron a sus capacidades. Por ejemplo, un vehículo de pasajeros cargó 150 paquetes, con 131,47 kg y 1,1998 m³, mientras que otro transportó 149 paquetes, con 131,04 kg y 1,1815 m³. El utilitario (Fiorino) fue el más cargado, con 148 paquetes, 346,16 kg y 2,9708 m³, operando muy cerca de su capacidad máxima de volumen de 3,0105 m³. La mayoría de los vehículos operaron prácticamente al límite de sus capacidades de peso y volumen, con solo un vehículo de pasajeros presentando alguna holgura. Esto refuerza la idea de que la restricción de paquetes por vehículo tiene un papel crucial en la determinación de la flota ideal, permitiendo una mayor consolidación de cargas y, en consecuencia, la reducción del número total de vehículos necesarios para atender la demanda.

Combinación de Costos y Restricciones (Escenario 4)

El Escenario 4 combinó el aumento de la restricción operativa a 150 paquetes por vehículo con los costos diferenciados por categoría de vehículo (1,5 para motocicletas, 2,5 para automóviles de pasajeros y 3 para vehículos utilitarios), como en el Escenario 2. La variación del costo asociado a la categoría del vehículo impactó la selección de la flota, resultando en la utilización de seis vehículos: dos motocicletas, dos vehículos de pasajeros y dos vehículos utilitarios. Esta configuración demuestra que, incluso con la capacidad de paquetes aumentada, la estructura de costos aún influye en la elección de los tipos de vehículos más adecuados para la operación.

Las motocicletas en el Escenario 4 fueron bien utilizadas, transportando 122 y 140 paquetes, con pesos de 15,24 kg y 17,75 kg, y volúmenes de 0,1230 m³ y 0,1413 m³, respectivamente, operando cerca de sus capacidades. Los vehículos de pasajeros cargaron 149 y 135 paquetes, con pesos de 184,43 kg y 147,75 kg, y volúmenes de 1,2464 m³ y 1,1524 m³, respectivamente, también con buena utilización. Los utilitarios transportaron 150 y 149 paquetes, con 272,58 kg y 333,49 kg, y volúmenes de 2,8213 m³ y 2,9983 m³, respectivamente, demostrando alta eficiencia. El modelo priorizó la inclusión de motocicletas y un utilitario adicional en detrimento de vehículos de pasajeros, indicando que la economía de costo generada por la utilización de vehículos menores (motos) superó el costo adicional de un utilitario, reforzando la percepción de que el perfil de paquetes vendidos en la plataforma es predominantemente de artículos pequeños, que pueden ser acomodados en vehículos de menor capacidad sin comprometer la eficiencia logística.

Ajuste en la Estructura de Costos (Escenario 5)

En el Escenario 5, se realizaron ajustes en los pesos de los costos para cada tipo de vehículo (1 para motocicletas, 2 para automóviles de pasajeros y 3 para vehículos utilitarios), manteniendo la restricción operativa en 130 paquetes. Los resultados mostraron que la configuración de la flota seleccionada fue la misma que en el Escenario 2, es decir, siete vehículos compuestos por dos motocicletas, tres vehículos de pasajeros y dos utilitarios. Esta estabilidad en la selección de la flota, incluso con la alteración en los costos relativos, sugiere que, para el conjunto de paquetes y la oferta de vehículos observados, la capacidad de los vehículos se convirtió en un factor limitante más determinante que el costo de cada categoría. Esto indica que, en ciertas condiciones, la capacidad física de los vehículos es el cuello de botella principal, y la optimización de costos debe operar dentro de estas limitaciones de capacidad.

Las motocicletas en el Escenario 5 transportaron 129 paquetes cada una, con pesos de 17,80 kg y 17,44 kg, y volúmenes de 0,1415 m³ y 0,1419 m³, respectivamente, utilizando casi toda su capacidad. Los vehículos de pasajeros cargaron entre 67 y 130 paquetes, con uno de ellos presentando una carga significativamente baja (39,39 kg y 0,3363 m³ para 67 paquetes), similar a lo observado en el Escenario 2. Los utilitarios fueron bien aprovechados, con 130 paquetes cada uno, transportando 286,78 kg y 237,27 kg, y volúmenes de 2,9642 m³ y 2,4296 m³, respectivamente. La persistencia de un vehículo de pasajeros con baja carga en escenarios con costos variados y restricción operativa constante refuerza la necesidad de un análisis más profundo sobre la tipología de los productos vendidos y la posibilidad de redistribución de paquetes para maximizar la utilización de todos los vehículos, según lo sugerido por la literatura sobre optimización de recursos (Hillier y Lieberman, 2013).

Análisis Comparativo de los Indicadores de Desempeño

La comparación de los indicadores de rendimiento entre los escenarios simulados y el escenario real reveló ideas importantes sobre los impactos de los cambios en las premisas operativas. En relación con el escenario real, el número de paquetes por vehículo se mantuvo igual en los Escenarios 1, 2 y 5, mientras que en los Escenarios 3 y 4 hubo un aumento del 16,7%. La tasa de carga presentó reducciones significativas en todos los escenarios optimizados, variando de -0,08% (Escenario 3) a -24,5% (Escenario 1). De manera similar, la tasa de ocupación también disminuyó, con variaciones de -0,1% (Escenario 4) a -21,3% (Escenario 1). En el escenario real, la tasa de ocupación media de los vehículos fue del 96,2%.

Estos resultados indican que la optimización de la composición de la flota no implica, necesariamente, un aumento simultáneo en todos los indicadores de desempeño. En algunos escenarios, la reorganización de la flota permitió mantener el mismo número promedio de paquetes por vehículo, pero con menor tasa de carga y de ocupación. Esto ocurre porque la introducción de vehículos con mayor capacidad nominal, como los utilitarios, amplía la capacidad total disponible de la flota, lo que, a su vez, reduce los porcentajes promedio de utilización, incluso si la solución es más adecuada desde la óptica del costo o de la viabilidad operativa. Esta perspectiva es gerencialmente relevante, ya que demuestra que la configuración ideal de la flota debe considerar un equilibrio entre costo, capacidad disponible y el perfil de los paquetes transportados, y no solo el aprovechamiento porcentual de la capacidad (Winston, 2004).

Adicionalmente, se observó una diferencia considerable en la tasa de ocupación media de los vehículos cuando se modifica el perfil de la flota. Los escenarios con menor cantidad de vehículos utilitarios y motocicletas presentaron un descenso más acentuado en la tasa de ocupación. Las menores reducciones ocurrieron en los escenarios que demandaron menos vehículos en total, lo que naturalmente los hace más cargados. El análisis de la tasa de ocupación también alerta sobre la necesidad de una investigación más profunda sobre el perfil de los paquetes, ya que pequeños incrementos en la volumetría de los artículos transportados pueden ser decisivos para la elección entre un vehículo de pasajeros o utilitario. La baja confiabilidad de los datos de dimensiones de los paquetes, frecuentemente informados como 1x1x1 cm, lleva a asignaciones incorrectas que exigen reasignación manual durante el surtido, generando retrabajo e ineficiencia.

Implicaciones Gerenciales y Limitaciones del Modelo

Los modelos desarrollados, aunque presentan simplificaciones en relación con la complejidad del problema real, ofrecen valiosa información gerencial. Una de las simplificaciones notables es la no consideración de la geolocalización de los paquetes en la definición de las rutas, lo que, en teoría, podría llevar a la asignación de paquetes con el mismo destino en vehículos diferentes. Sin embargo, esta limitación se minimiza por el hecho de que la muestra de datos original proviene de un único “clúster”, es decir, una partición de área atendida por un centro logístico específico, reduciendo la probabilidad de rutas superpuestas o ineficientes a gran escala.

Otra simplificación importante reside en la desconsideración del impacto del aumento de paquetes por entrega en el tiempo total de entrega. Con más paquetes asignados a un único vehículo, las rutas de los conductores tienden a extenderse, lo que puede aumentar el tiempo de recorrido y, consecuentemente, el tiempo de entrega al cliente. La variable tiempo de entrega es de gran importancia en el contexto logístico y su inclusión en futuros modelos, junto con la roteirización de los paquetes y la definición de un número máximo de paradas por ruta, sería fundamental para una representación más fiel de la realidad operacional (Caetano y Gonçalves, 2023).

Un factor inherente a la naturaleza del problema, pero no explorado explícitamente por el modelo, es la restricción de tipos de paquetes para motocicletas. Operacionalmente, solo se permiten paquetes de pequeñas dimensiones (categorías PP y P) para motos, siendo separados antes de la carga. Aunque el algoritmo no incorpora esta regla directamente, la optimización de costos, conforme a las premisas establecidas, tiende a reflejar la asignación de paquetes pequeños a estos vehículos, ya que son más eficientes en términos de costo para cargas ligeras y de bajo volumen. El análisis del primer escenario, que buscó solo la disminución de la flota sin considerar costos, sirvió como una referencia para el menor valor que podría alcanzarse, funcionando como una meta ideal. Sin embargo, la dificultad del modelo para simular escenarios con muchos paquetes y vehículos limitó la posibilidad de una reducción real de flota en un clúster de menor tamaño.

La observación de que el escenario real utilizó solo vehículos de pasajeros sugiere que otras regiones de entrega, atendidas por el mismo centro de distribución, pueden requerir vehículos de mayor tamaño. Esta distribución desigual en el perfil de paquetes entre regiones puede impactar la oferta de vehículos de una categoría determinada. Desde el punto de vista gerencial, la información obtenida en este trabajo permite tomar decisiones estratégicas sobre el dimensionamiento de la flota y la distribución de vehículos. La identificación de la mejor distribución para atender una muestra de paquetes permite el uso óptimo de cada tipo de vehículo, evitando la subutilización o sobreutilización. Esto contribuye a la reducción de costos operativos y minimiza el riesgo de rutas no expedidas, que generan retrabajo en el hub.

En resumen, el modelo de Programación Lineal Entera propuesto demostró la capacidad de optimizar la distribución de productos en vehículos de entrega, considerando diferentes tipologías de vehículos y restricciones operacionales. Los resultados evidenciaron que la distribución de vehículos por ruta tiene margen de mejora, pudiendo reducir la cantidad de vehículos necesarios para la entrega de todos los productos y optimizar la composición de la flota. El análisis de los escenarios reveló que la capacidad máxima de productos por vehículo es un factor limitante crucial, y que la consideración de los costos y del perfil de los paquetes es esencial para decisiones estratégicas de dimensionamiento de la flota y mix de vehículos, contribuyendo a la eficiencia operacional y a la competitividad del sector de e-commerce.

4. Conclusión

El presente estudio tuvo como objetivo analizar la optimización de la distribución de productos en vehículos de entrega, considerando la tipología de cada vehículo – motocicletas, coches de pasajeros y utilitarios – mediante la Programación Lineal Entera (PLI). Se verificó que el modelo propuesto fue capaz de identificar configuraciones alternativas de flota para la operación de “Última Milla”, evidenciando que la distribución de vehículos por ruta tiene margen de mejora. Se observó que la restricción de cantidad de paquetes por vehículo desempeñó un papel relevante en la solución, en algunos casos más determinante que el peso o el volumen transportado, permitiendo la reducción de la cantidad de vehículos necesarios para la entrega de todos los productos en escenarios específicos. El análisis de los costos diferenciados por categoría de vehículo y el perfil predominantemente pequeño de los paquetes también influyeron en la composición de la flota, llevando a soluciones más adecuadas desde la óptica de costo y viabilidad operativa. La principal contribución de este trabajo reside en el apoyo a decisiones estratégicas de dimensionamiento de la flota y en la definición del mix de vehículos, promoviendo la eficiencia operativa y la competitividad en el sector de e-commerce al optimizar el uso de los recursos de transporte y minimizar riesgos de rutas no expedidas.

A pesar de los resultados prometedores, el modelo presentó algunas simplificaciones. No se consideró la geolocalización de los paquetes en la definición de las rutas, lo que podría, en teoría, llevar a la asignación de paquetes con el mismo destino en vehículos diferentes, aunque la muestra de un único “cluster” minimizó esta limitación. Adicionalmente, no se exploró el impacto del aumento de paquetes por entrega en el tiempo total de entrega, ni la restricción operacional de tipos de paquetes para motocicletas. La baja confiabilidad de los datos de dimensiones de los paquetes también representó un desafío. Para estudios futuros, se recomienda incorporar variables de geolocalización, enrutamiento y tiempo de trayecto, además de un número máximo de paradas por ruta. Se sugiere también la exploración de valores intermedios para la restricción operacional y un análisis más profundo de la tipología de los productos para optimizar la redistribución de paquetes, así como la variación de los costos por tipo de vehículo para adecuar el modelo al perfil de flota regional.

Referencias Bibliográficas

Associação Brasileira de Comércio Eletrônico [ABCOMM]. 2025. Principais indicadores do e-commerce. Disponível em: <https://dados.abcomm.org/crescimento-do-ecommerce-brasileiro>. Acesso em: 06 out. 2025.

PricewaterhouseCoopers Brasil. 2021. Global Consumer Insights Pulse Survey. Disponível em: < https://www.pwc.com.br/pt/estudos/setores-atividades/varejo/2021/CGIS_21_VF_pulse2.pdf>. Acesso em: 26 jan. 2026.

Resende, P. T.V.; Sousa, P. R.; Cesar, R. V.; Quintão, A. 2018. Custos logísticos no Brasil. Fundação Dom Cabral. Disponível em: <https://ci.fdc.org.br/AcervoDigital/Relat%C3%B3rios%20de%20Pesquisa/Relat%C3%B3rios%20de%20pesquisa%202018/Apresentacao_Custos_Logisticos_no%20Brasil%202018_FDC%20_%20revRVC%20abr18%20(002).pdf>. Acesso em: 13 de outubro de 2025

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

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.