Forecasting de demanda con IA: cómo lo implementamos en una empresa logística

Cada mañana, a las 6:30h, el equipo de planificación de un operador logístico nacional abría su hoja de Excel de siempre y empezaba a distribuir las rutas del día. Miraban el histórico de los últimos días, consultaban al equipo comercial por si había clientes especiales y tomaban decisiones que afectaban a 120 rutas y más de 80 conductores. El proceso duraba entre 2 y 3 horas.

Los picos de demanda los pillaban por sorpresa con frecuencia: sobre-stock en unos almacenes, roturas en otros, y coste de transporte creciendo un 8% cada año sin que el volumen lo justificase.

El diagnóstico: un problema de datos, no de personas

Antes de proponer cualquier solución, pasamos dos semanas entendiendo el negocio y los datos. Lo que encontramos fue interesante:

• Tenían 3 años de histórico de entregas en su TMS con un nivel de detalle excelente: origen, destino, peso, volumen, hora de entrega, incidencias.
• El ERP tenía datos de pedidos con 24–48h de antelación, suficiente para alimentar un modelo predictivo.
• Había patrones de estacionalidad muy claros (día de la semana, semana del mes, festivos) que el equipo de planificación conocía de forma intuitiva pero no podía cuantificar.
• Las variables externas (clima, festivos locales de las zonas de destino) impactaban la demanda de forma predecible.

El problema no era la falta de datos: era que esos datos no se usaban de forma sistemática para tomar decisiones. Todo dependía del criterio y la experiencia de 2–3 personas del equipo de planificación.

La arquitectura de la solución

El proyecto se dividió en tres capas que construimos de forma secuencial:

1. 1Pipeline de datos: integración automática del TMS, ERP y datos de tráfico/clima en una base de datos centralizada. Actualización cada noche con datos del día.
2. 2Modelo de forecasting: un ensemble de series temporales (Prophet para capturar estacionalidad) y gradient boosting (XGBoost para capturar patrones de pedidos recientes). El modelo predice la demanda por zona geográfica con 72h de antelación.
3. 3Interfaz de planificación: un dashboard en Power BI donde el equipo de planificación ve las predicciones del día y los dos siguientes, puede ajustarlas manualmente si tienen información que el modelo no tiene, y registra los ajustes para mejorar el modelo en el siguiente ciclo.

Por qué elegimos este stack técnico

Python con Prophet y XGBoost para el modelo, Apache Airflow para orquestar los pipelines, PostgreSQL como almacén central y Power BI para la visualización. No es el stack más moderno del mercado, pero es robusto, el equipo interno puede entenderlo y mantenerlo, y resuelve el problema sin over-engineering.

Resultados a los 3 meses de uso

• Reducción del 23% en costes de transporte, principalmente por optimización de la ocupación de vehículos y reducción de trayectos en vacío.
• Mejora del 35% en el cumplimiento de entregas en plazo, gracias a una planificación con más antelación.
• Reducción del 18% en el sobre-stock de los almacenes de distribución.
• El proceso de planificación matutina pasó de 2–3 horas a 20–30 minutos: el modelo hace la propuesta y el equipo revisa y ajusta los casos excepcionales.

“Antes tardábamos 3 horas cada mañana en planificar rutas. Ahora el sistema nos da un plan optimizado antes de que lleguemos a la oficina.”

— Director de Operaciones, Operador logístico nacional

Qué aprendimos de este proyecto

Tres aprendizajes que aplicamos ahora a todos los proyectos de forecasting:

1. 1El modelo no reemplaza al planificador: lo amplifica. El equipo de planificación tiene información que el modelo no tiene (un cliente importante tiene una urgencia, hay una huelga de transporte prevista). La interfaz de ajuste manual es tan importante como el modelo.
2. 2La calidad del histórico es más importante que la sofisticación del algoritmo. Con datos limpios y bien estructurados, un modelo relativamente sencillo supera a uno complejo entrenado con datos sucios.
3. 3El reentrenamiento continuo es imprescindible. Un modelo entrenado en enero de 2024 no captura bien los patrones de 2026. Diseñamos ciclos de reentrenamiento automático mensual desde el primer día.

Cuándo tiene sentido un proyecto de forecasting con IA

Este tipo de proyecto tiene ROI claro cuando:

• El coste de una mala previsión es alto: sobre-stock inmovilizado, roturas que generan urgencias caras, capacidad mal dimensionada.
• Tienes al menos 18–24 meses de histórico de datos con buena granularidad.
• El proceso de planificación actual depende del criterio de pocas personas, generando un riesgo de continuidad.
• El volumen de decisiones es suficientemente alto: si solo planificas 5 entregas al día, Excel es suficiente.