Integración de clustering y ruteo como soporte a la logística de abastecimiento en última milla, empleando machine learning y heurísticas

FEDERICO CISNEROS ROJO; JUAN MATIAS NOVAS

Congreso; Congreso de Investigaciones y Desarrollos en Tecnología y Ciencia "IDETEC 2022; 2022

En el último tiempo, se ha incrementado sustancialmente la necesidad en las organizaciones industriales y de servicios de contar con procesos logísticos cada vez más eficientes. La distribución de productos en la última milla es uno de estos desafíos a los que se enfrentan las compañías. Para abordar el mismo, es necesario desarrollar herramientas computacionales que den soporte a las complejas decisiones que intervienen en el problema.Este trabajo tiene como objetivo presentar los avances en el desarrollo de una herramienta de soporte a la logística de última milla, mediante técnicas de clustering y ruteo. Se busca que la herramienta permita (i) agrupar los destinos que se desea abastecer según distintos criterios, (ii) definir una ruta eficiente para la visita de dichos destinos, según cada grupo generado.Con base en dicho objetivo, se implementó el algoritmo de machine learning no supervisado, k-means, para el clustering de los destinos a visitar según su ubicación geográfica. La misma se desarrolló en una primera instancia en Excel, con el fin de contar rápidamente con un prototipo y con miras a su integración a la herramienta de ruteo. Esta última es un sistema libre, desarrollado por terceros en VBA con interfaz en Excel.Con el fin de realizar un estudio sobre las alternativas de ruteo ante distintos clusters, se planteó un primer caso de estudio. Este considera el problema de abastecimiento desde un centro de distribución hacia distintos locales comerciales, todos ubicados en zona sureste de la ciudad de Córdoba. Se resolvieron diferentes escenarios para analizar y comparar los costos y tiempos vinculados a cada uno, así como las violaciones a determinadas restricciones (p.e. las ventanas temporales). Como trabajo futuro, se espera analizar otros métodos de clustering y ruteo, y automatizar estas funciones, así como incorporar más variables al problema de clustering.