
Logística basada en datos: un 15% menos de costo de combustible en la flota
Especialistas por contrato se suman al equipo de datos de un gigante logístico para construir un motor de rutas predictivo.
El desafío
T.L Logistics enfrentaba una doble crisis: el alza de los precios del combustible y nuevas normas de la UE que penalizan las cadenas de suministro con altas emisiones. Su sistema de rutas heredado era estático y se basaba en trayectos precalculados que ignoraban variables en tiempo real como la congestión en las fronteras, el clima o los accidentes. Los despachadores decidían por intuición y no con datos, lo que generaba una ineficiencia del 15% en kilometraje y incumplimientos frecuentes del SLA. El equipo interno de TI dominaba SAP, pero carecía de las habilidades especializadas de ciencia de datos e ingeniería geoespacial necesarias para construir una solución dinámica basada en datos. Necesitaban de inmediato expertos capaces de modelar matemáticamente problemas complejos de rutas.
La solución
GTEMAS reforzó la división de ingeniería de T.L Logistics con 2 Senior Data Scientists y 1 Geospatial Engineer, integrados directamente en sus equipos Scrum existentes. Los propios líderes de ingeniería de T.L fijaron las prioridades y los objetivos del “Optimization Engine” – incluida la decisión de mantener a un despachador en el circuito en lugar de automatizar por completo – y aceptaron los entregables, mientras que GTEMAS gestionó a los ingenieros que entregaron el trabajo de modelado. Modelado predictivo: Nuestros ingenieros construyeron un modelo de machine learning con registros históricos de GPS (3 años de datos) para predecir patrones de congestión en pasos fronterizos concretos. El modelo recibe como entrada API de clima y tráfico en tiempo real para puntuar los tramos de ruta. Sistema de apoyo a la decisión: Conforme al requisito de T.L de evitar la automatización de caja negra, nuestros ingenieros construyeron un panel “Human-in-the-Loop”. La IA propone 3 rutas óptimas ordenadas por costo, tiempo y huella de carbono. El despachador toma la decisión final. Esto redujo de forma notable la carga cognitiva de los despachadores.
Estrategia de arquitectura
La solución usa una arquitectura de microservicios en la que el Optimization Service (Python/FastAPI) se comunica con el TMS (Transportation Management System) principal mediante API REST. Los datos se ingieren en Google BigQuery para analítica en tiempo real.
Impacto y logros
El proyecto transformó a T.L Logistics de una empresa de transporte tradicional en un proveedor logístico apoyado en tecnología. Las métricas de reducción de carbono son ahora un argumento de venta clave en sus licitaciones B2B y les ayudan a ganar contratos con minoristas preocupados por el medio ambiente.
Ahorro anual directo (~$2 millones)
Frente al 82% antes de la implantación
Lo usan los 50 centros regionales de despacho
¿Listo para escribir su caso de éxito?
Colabore con Global Tech Masters para crear productos digitales escalables y de alto rendimiento.