Cómo usar análisis predictivo si tus datos están “sucios” y aun así quieres anticiparte

Un código postal incorrecto, una entrega registrada varias horas después de producirse o una incidencia sin clasificar pueden complicar cualquier análisis predictivo. Sin embargo, esperar a que todos los sistemas de una empresa logística tengan datos perfectos tampoco garantiza mejores decisiones. Mientras tanto, siguen acumulándose retrasos, roturas de stock y envíos urgentes.

La alternativa consiste en predecir un problema operativo concreto con los datos disponibles, identificar los errores que realmente afectan al resultado y comprobar si la predicción permite actuar antes. No hace falta empezar por un modelo complejo: una referencia histórica sencilla y un conjunto limitado de variables pueden ofrecer un punto de partida verificable.

En España, factores como las restricciones de acceso a zonas de bajas emisiones, los picos de demanda estacionales y las ventanas horarias de reparto obligan a contextualizar cada predicción. La utilidad no depende solo de acertar una cifra, sino de poder reservar capacidad, reorganizar una entrega o advertir al cliente con suficiente antelación.

¿Por qué un modelo predictivo deja de funcionar de golpe y cómo te das cuenta a tiempo?

Un modelo predictivo puede seguir generando resultados aparentemente coherentes aunque la operación haya cambiado. Nuevas rutas, proveedores, temporadas o restricciones modifican las relaciones aprendidas durante el entrenamiento. Para detectar el deterioro, compara regularmente las predicciones con los resultados reales, controla el error por segmentos y establece alertas antes de que los retrasos se conviertan en reclamaciones.

El problema es que un sistema no siempre avisa cuando deja de representar la realidad. Puede seguir mostrando una probabilidad de entrega puntual, aunque una modificación del corredor de transporte haya alterado los tiempos habituales. En España, la campaña de Navidad o los desplazamientos estivales pueden introducir patrones distintos de los observados en periodos ordinarios.

La documentación de Google sobre supervisión de modelos predictivos explica la importancia de vigilar la calidad de los datos, los cambios de distribución y los resultados por segmentos. Una buena métrica global puede ocultar un deterioro significativo en determinadas rutas.

Como procedimiento operativo inicial, puede implantarse una revisión semanal con tres indicadores:

• Error reciente frente al histórico: comparar una ventana reciente con un periodo de referencia equivalente y activar una revisión cuando la diferencia supere un umbral definido previamente.
• Error por segmento: analizar rutas, transportistas, familias de productos y franjas horarias para localizar dónde se concentra el deterioro.
• Uso efectivo: registrar cuándo se aplicó la recomendación, cuándo se ignoró y qué ocurrió finalmente.

La frecuencia semanal es una propuesta de gestión, no una regla universal. Una operación con gran volumen de entregas podría necesitar controles diarios, mientras que otra con pocos registros requerirá ventanas más amplias para evitar falsas alarmas.

También es fundamental distinguir dos situaciones. El drift de datos aparece cuando cambian progresivamente las variables o sus relaciones con el resultado. Puede requerir actualizar datos, revisar variables o reentrenar. En cambio, una ruptura brusca de contexto —por ejemplo, una huelga, un nuevo proveedor o un cambio relevante en las restricciones de circulación— puede exigir redefinir las reglas del problema.

Reentrenar automáticamente después de cualquier empeoramiento no es suficiente: primero hay que entender su causa. Una modificación de las condiciones de acceso de una ruta no se resuelve necesariamente incorporando más registros históricos.

Existe además una degradación menos visible: el equipo deja de consultar el modelo porque ya no confía en él. Si las decisiones vuelven a tomarse informalmente, desaparece la posibilidad de evaluar su utilidad. Registrar las recomendaciones aceptadas y rechazadas permite identificar ese abandono sin confundirlo con un error estadístico.

La primera señal de éxito no es mantener intacta la precisión del modelo, sino descubrir a tiempo cuándo la operación ha dejado de comportarse como se esperaba.

¿Cómo montar una predicción útil en 2 semanas sin esperar al « dato perfecto »?

Para construir una primera predicción en dos semanas, elige una pregunta limitada, identifica las variables indispensables y compara una regla histórica sencilla con un modelo básico. Dedica la primera semana a preparar una muestra fiable y la segunda a evaluar resultados y definir acciones. Es un calendario de piloto orientativo, no una garantía de precisión ni de despliegue completo.

En logística, los datos imperfectos tienen formas reconocibles: direcciones escritas de distintas maneras, códigos postales contradictorios, duplicados entre el ERP y el TMS, entregas sin confirmación horaria e incidencias registradas únicamente como «otros».

Corregir todo el histórico antes de empezar puede consumir recursos sin mejorar la pregunta prioritaria. Si quieres predecir retrasos en una ruta, importa más corregir las horas reales de salida y entrega que normalizar campos administrativos que no intervienen en el cálculo.

Un calendario de trabajo acotado permite comprobar rápidamente si existe una oportunidad real.

Antes de añadir algoritmos, conviene probar métodos simples. El capítulo sobre métodos simples de previsión de Forecasting: Principles and Practice describe referencias basadas en la media histórica, el último valor conocido y los patrones estacionales.

Si una previsión de demanda por día de la semana ya permite planificar razonablemente bien, un modelo nuevo debe superar esa referencia sobre datos no utilizados para entrenarlo. Para estimar probabilidades de retraso, la referencia deberá adaptarse a una tarea de clasificación y evaluarse con métricas apropiadas.

El criterio de aceptación debe acordarse antes de ver los resultados. Un modelo que mejora ligeramente la precisión, pero exige una integración costosa y no modifica ninguna decisión, puede aportar menos valor que una regla sencilla incorporada al trabajo diario.

Una vez demostrado que el modelo anticipa algo relevante, resulta más sencillo decidir qué datos merece la pena mejorar y dónde ampliar el proyecto.

¿Qué te conviene priorizar: predecir demanda o predecir incidencias si fallas plazos?

Si el principal problema son entregas fuera de plazo, normalmente conviene empezar por predecir incidencias: permite identificar pedidos con riesgo y actuar sobre ellos. Si los incumplimientos nacen de falta de producto o capacidad, la demanda será prioritaria. La decisión depende del coste de cada fallo, su causa y la posibilidad real de intervenir.

Una empresa puede acertar cuántos pedidos recibirá mañana y seguir incumpliendo sus compromisos porque determinados vehículos llegan tarde, una ruta está sobrecargada o el cliente no puede recibir la mercancía en la ventana prevista.

Por eso, predecir bien la demanda no equivale a garantizar la entrega. Ambas previsiones responden a decisiones diferentes, aunque se influyen mutuamente.

Para elegir el primer caso de uso, resulta útil comparar el problema detectado con la acción disponible.

La relación entre demanda e incidencias es especialmente importante. Una previsión de demanda demasiado baja puede provocar rutas saturadas, transbordos improvisados y entregas urgentes. En una operación más madura, el error reciente de la previsión de demanda puede convertirse en una señal adicional de riesgo operativo.

Para priorizar incidencias no basta con ordenarlas por frecuencia. Una demora breve sin impacto en el cliente puede ser menos importante que una incidencia infrecuente que obliga a contratar transporte extraordinario.

Una matriz práctica debe valorar tres dimensiones: coste potencial, probabilidad de ocurrencia y capacidad de evitar o reducir el daño. Los costes pueden incluir penalizaciones contractuales, pérdida de capacidad, envíos adicionales y tiempo de atención al cliente, siempre que estén efectivamente documentados.

En distribución urbana española, conviene analizar los corredores problemáticos y no toda la red simultáneamente. Las zonas de bajas emisiones introducen condiciones específicas de acceso y circulación. La Ley 7/2021 de cambio climático y transición energética publicada en el BOE establece su marco estatal, aunque las restricciones concretas deben comprobarse conforme a la regulación municipal vigente y al vehículo utilizado.

La predicción de retrasos también debe incorporar la duración de las ventanas de recepción y las consecuencias de perder una cita. Dos pedidos con idéntico tiempo de tránsito pueden tener riesgos comerciales muy distintos.

Después de seleccionar el riesgo prioritario, queda una cuestión esencial: quién decide qué hacer con la predicción.

El error de « dejarlo al algoritmo » que empeora servicio aunque el modelo sea bueno

Un modelo que calcula correctamente la probabilidad de retraso no determina, por sí solo, qué pedido debe priorizarse. La predicción describe un riesgo; la decisión exige considerar costes, compromisos contractuales, recursos disponibles y consecuencias para otros clientes.

Confundir ambas funciones puede empeorar el servicio incluso cuando las métricas estadísticas parecen satisfactorias. Por ejemplo, si un sistema reasigna constantemente los vehículos a los pedidos con mayor riesgo, podría desatender entregas que inicialmente tenían una probabilidad baja de retraso.

Esto puede generar un bucle de retroalimentación: la asignación cambia el resultado que el modelo intenta predecir. Si el sistema solo analiza las entregas realizadas bajo sus propias decisiones, pierde información sobre lo que habría ocurrido con otras asignaciones.

Un modelo puede conservar una precisión aceptable y, aun así, producir una política operativa ineficiente. Para evitarlo, conviene separar tres capas:

1. Predicción: estimar el riesgo de que un pedido se retrase bajo las condiciones observadas.
2. Regla de negocio: determinar qué acciones están permitidas según prioridades, costes y compromisos.
3. Evaluación: comprobar si la intervención redujo efectivamente los incumplimientos o provocó nuevos problemas.

Las acciones de bajo impacto, como clasificar una alerta para revisión, pueden automatizarse si se validan adecuadamente. En cambio, una promesa de entrega modificada, una reasignación de capacidad crítica o una excepción contractual pueden requerir aprobación humana.

Una política operativa puede establecer umbrales distintos: riesgo bajo para seguimiento ordinario, riesgo intermedio para revisión del planificador y riesgo elevado para analizar una intervención. Esos límites deben calibrarse con costes y resultados propios, no copiarse de otra organización.

También conviene registrar cuándo un responsable modifica la recomendación automática y por qué. Esas decisiones contienen información sobre restricciones que quizá no están registradas en el sistema: un acceso bloqueado, una descarga especialmente lenta o un compromiso excepcional con el cliente.

La revisión periódica de casos atípicos ayuda a conservar el conocimiento operativo del equipo y a detectar situaciones nuevas. No se trata de desconfiar sistemáticamente del algoritmo, sino de exigir que sus decisiones sean explicables y evaluables.

Con reglas claras de intervención, los datos externos pueden incorporarse como señales útiles sin convertirse en órdenes automáticas difíciles de justificar.

Qué dato externo mejora más tu predicción en ciudad: lluvia, eventos o calendario escolar

No existe una variable externa que mejore todas las predicciones urbanas. La lluvia puede modificar los tiempos de circulación y reparto, los eventos concentran riesgos en determinados lugares y horarios, y el calendario escolar influye en patrones recurrentes de movilidad. Su utilidad debe comprobarse comparando el error del mismo modelo con y sin cada variable, sobre periodos equivalentes.

La selección depende también de qué se quiere anticipar. Para estimar retrasos de última milla importan las condiciones de circulación en una franja concreta. Para prever demanda de transporte, pueden resultar más relevantes los patrones de actividad asociados al calendario.

En una ciudad como Madrid o Barcelona, un concierto próximo a una zona de distribución puede afectar a unas rutas y no a otras. Registrar simplemente «día con evento» sería insuficiente si no se identifica su localización y horario.

La lluvia, por su parte, necesita información meteorológica asociada a la ubicación y al horizonte de predicción. El servicio oficial AEMET OpenData permite consultar y reutilizar datos meteorológicos mediante acceso general y API. Su disponibilidad facilita las pruebas, aunque integrar información en un sistema operativo sigue suponiendo trabajo técnico.

Una secuencia razonable de incorporación, basada en el esfuerzo previsto y no en una superioridad estadística demostrada, sería la siguiente:

1. Calendarios escolares y festivos: comprobar primero si explican patrones regulares de tráfico o demanda.
2. Eventos públicos: incorporar ubicación, fecha, horario y posible zona de influencia.
3. Previsiones de lluvia: añadir información meteorológica con la actualización y resolución necesarias para la decisión.

El orden puede invertirse cuando una necesidad operativa lo justifique. Una flota especialmente expuesta a condiciones meteorológicas podría obtener mayor valor de las previsiones de lluvia que de un calendario escolar.

Para verificarlo, hay que comparar errores sobre periodos de prueba posteriores, conservar las mismas rutas y evitar introducir información que no habría estado disponible en el momento real de predecir. Por ejemplo, utilizar la lluvia finalmente observada para simular una previsión hecha el día anterior produciría una evaluación engañosa.

También es necesario controlar la antigüedad del dato. Un evento cancelado que permanece activo en el sistema puede generar falsas alertas, mientras que una previsión meteorológica desactualizada puede resultar menos útil que el modelo sin información climática.

La mejora debe medirse tanto en precisión como en utilidad: una variable puede reducir ligeramente el error medio sin anticipar ninguno de los incumplimientos que más cuestan.

Esta misma lógica —entender primero qué variabilidad provoca el problema— se aplica a otro frente importante de la logística: las roturas de stock.

¿Por qué tener más stock no evita roturas si tu demanda es irregular?

Más inventario no elimina necesariamente las roturas cuando la demanda es irregular. El problema puede estar en picos inesperados, plazos de aprovisionamiento variables o mercancía situada en el almacén equivocado. Aumentar existencias de forma generalizada inmoviliza capital, pero no garantiza disponibilidad del producto correcto, en el lugar necesario y en el momento oportuno.

Es importante separar demanda elevada de demanda impredecible. Una referencia con consumo constante puede planificarse utilizando su ritmo habitual, mientras que una pieza solicitada esporádicamente puede permanecer meses sin movimiento y agotarse tras varias averías próximas entre sí.

El stock de seguridad debe responder al riesgo de variación durante el plazo de reposición y al nivel de servicio buscado, no exclusivamente al consumo medio.

Antes de aumentar inventario, conviene clasificar las roturas por su causa predominante:

• Pico de demanda: las solicitudes superan lo previsto. Puede requerir revisar el pronóstico, el stock de seguridad o la respuesta ante incrementos repentinos.
• Variabilidad del proveedor: el producto llega más tarde de lo esperado. La prioridad puede ser estabilizar plazos, mejorar seguimiento o diversificar suministros cuando resulte viable.
• Problema de ubicación o asignación: existe mercancía disponible, pero no puede utilizarse donde se necesita. La solución pasa por visibilidad de inventario y reglas de reposición o transferencia.

En distribución de recambios de automoción, esta distinción es especialmente útil. Algunas piezas presentan una demanda intermitente asociada a averías, mantenimiento o necesidades particulares de reparación. No todas requieren el mismo tratamiento estadístico ni el mismo nivel de existencias.

Puede resultar más eficaz segmentarlas por criticidad, frecuencia de consumo, plazo de reposición y consecuencias de no disponer de ellas. Una pieza de baja rotación que inmoviliza un vehículo esencial puede justificar una política distinta de otra fácilmente sustituible.

En estos casos, la predicción no siempre debe limitarse a una cantidad exacta. También puede estimar el riesgo de quedarse sin existencias durante el plazo de reposición o ayudar a identificar qué referencias necesitan un seguimiento especial.

La consecuencia financiera de una política uniforme es relevante: mayores necesidades de almacenamiento, capital inmovilizado y riesgo de obsolescencia. Estos costes deben compararse con el daño operativo de las roturas evitadas, sin asumir que todas tienen el mismo impacto.

Una vez identificada la causa, el siguiente paso es medir cuánto tarda realmente cada movimiento de mercancía, incluidos los periodos que los sistemas suelen pasar por alto.

¿Cómo medir tu lead time real para descubrir dónde se pierden 12 horas sin verlas?

Para medir el lead time real, divide cada pedido en etapas y registra cuándo empieza y termina cada una, utilizando eventos físicos verificables. Después compara esos tiempos con las marcas del ERP o TMS. Las horas ocultas suelen aparecer entre procesos: esperas para preparar, consolidar, cargar o asignar transporte que no figuran como tiempo de tránsito.

El primer paso es definir exactamente qué mide el indicador. No es lo mismo calcular desde la confirmación del pedido hasta la entrega que medir únicamente desde la salida del almacén hasta la recepción del cliente.

Si una empresa utiliza una definición distinta para cada departamento, el promedio puede resultar aparentemente correcto mientras algunas esperas quedan fuera de cualquier seguimiento.

Un desglose operativo útil incluye:

1. Confirmación del pedido hasta liberación para preparación.
2. Preparación hasta mercancía lista para expedición.
3. Mercancía lista hasta asignación y carga del vehículo.
4. Salida física del almacén hasta llegada al destino.
5. Llegada hasta entrega efectiva y confirmación.

Las marcas temporales deben interpretarse con cuidado. El cierre administrativo de un albarán puede producirse después de que el vehículo haya salido. Una entrega confirmada al final de la jornada tampoco refleja necesariamente la hora de recepción física.

Por eso, conviene contrastar datos de sistema con documentos de expedición, registros de muelle, señales GPS disponibles y confirmaciones de entrega. Cada fuente presenta sus propias limitaciones: un registro GPS puede indicar llegada al entorno del cliente sin demostrar que la mercancía haya sido entregada.

Para identificar el tiempo perdido, separa tiempo activo y tiempo de espera. Preparar un pedido, cargarlo y transportarlo son actividades diferentes de esperar una autorización, una ventana de carga o la asignación de un conductor.

El siguiente error habitual es analizar exclusivamente la media. Un plazo medio de 24 horas no significa que la mayoría de los pedidos lleguen aproximadamente en ese tiempo. Puede haber entregas rápidas y una cola de casos muy retrasados.

Para mejorar los compromisos comerciales, conviene observar la mediana y percentiles como P90 o P95, siempre que la muestra tenga tamaño y calidad suficientes. El percentil 90, por ejemplo, identifica un plazo dentro del cual se sitúa aproximadamente el 90 % de las observaciones de la muestra analizada.

La medición debe segmentarse por ruta, cliente, almacén y tipo de servicio cuando existan diferencias operativas relevantes. Mezclar distribuciones distintas puede ocultar precisamente los retrasos que interesa anticipar.

El objetivo no es perseguir un promedio más bajo a cualquier precio, sino reducir las esperas evitables y conocer de antemano los pedidos con mayor probabilidad de incumplimiento.

Cómo bajar tus tiempos de entrega sin pagar envíos urgentes en el 40% de pedidos

Cuando los envíos urgentes se convierten en una respuesta habitual a los fallos de planificación, el gasto extraordinario acaba integrándose en la operación. Si una empresa recurre a ellos en el 40 % de sus pedidos, ese porcentaje debe tratarse como un escenario de partida que hay que diagnosticar, no como un valor representativo del sector logístico español.

Reducir esta dependencia exige distinguir urgencias que podrían haberse anticipado de problemas estructurales y de imprevistos verdaderamente excepcionales. La prioridad es intervenir antes de que el plazo sea irrecuperable.

Una clasificación práctica permite asignar soluciones diferentes.

Supongamos, como escenario hipotético, que una operación registra una proporción elevada de expediciones urgentes. Antes de renegociar su tarifa, analiza qué pedidos habrían podido salir por transporte ordinario si se hubiese detectado el riesgo un día antes.

Un modelo de incidencias puede identificar entregas con una probabilidad elevada de perder su ventana prevista. Sin embargo, la intervención debe evaluarse frente a otras opciones: cambiar la ruta, adelantar la preparación, reservar capacidad, pactar una nueva recepción o avisar al cliente.

No todas las alertas justifican un gasto adicional. La decisión debe considerar cuánto cuesta intervenir y qué consecuencia se espera evitar. También hay que revisar las falsas alarmas, porque actuar sobre riesgos que no se materializan puede consumir recursos innecesariamente.

En distribución urbana española, las ventanas de recepción, el tráfico y las condiciones aplicables a las zonas de bajas emisiones pueden limitar las soluciones de última hora. La planificación debe comprobar las restricciones locales vigentes y las características de la flota, sin asumir que una norma produce automáticamente el mismo efecto en todas las ciudades.

Anticipar una incidencia el día anterior puede abrir alternativas que desaparecen cuando el vehículo ya está en ruta. No obstante, esa anticipación no garantiza que siempre haya capacidad disponible ni que pueda evitarse el transporte urgente.

Para comprobar el retorno, utiliza indicadores complementarios:

• Porcentaje de pedidos enviados mediante servicio urgente, calculado de forma consistente por periodo.
• Coste extraordinario por pedido y coste total de expedición.
• Porcentaje de entregas dentro del plazo comprometido.
• Número de alertas que generan una intervención útil y documentada.
• Incidencias desplazadas hacia otras rutas o pedidos como consecuencia de una reasignación.

El coste evitado debe medirse frente a una referencia comparable y descontar los gastos adicionales de intervención y mantenimiento del sistema. No sería correcto atribuir toda reducción de urgencias al modelo si, al mismo tiempo, cambiaron el volumen de pedidos, los transportistas o las condiciones del servicio.

Selecciona una ruta con retrasos recurrentes, documenta durante un periodo de referencia sus plazos y urgencias, y prueba una alerta predictiva con reglas de intervención claras. Compara después coste y puntualidad sobre periodos equivalentes. Ese resultado permitirá decidir si ampliar la solución o corregir primero los procesos que siguen generando esperas.