Cuando se habla de logística de última milla, el reparto desde el centro de distribución urbano hacia el cliente que compra por internet, la tendencia actual es volcarse hacia la inteligencia artificial, el big data o el machine learning.

Existe la idea de que se necesita una gran cantidad de números para tomar decisiones. Sin embargo, la logística tiene estructura. Utilizando modelos conceptuales simples, es posible capturar perfectamente los balances fundamentales (trade-offs) del sistema para tomar decisiones de nivel gerencial con cálculos de servilleta rápidos y muy poca información.

¿Por qué la planificación de rutas es un problema tan complicado?

Por la inmensa cantidad de opciones disponibles. A nivel operativo, diseñar las rutas del día a día es una tarea matemáticamente muy compleja debido a la explosión combinatoria.

Pensemos en el número de opciones de ruteo según la cantidad de clientes a visitar (el número factorial):

• Si tenemos 3 clientes, las opciones de ruta son 3 x 2 x 1 = 6.

• Si tenemos 50 clientes (un reparto típico de un gran retailer o de Mercado Libre), el número de opciones es del orden de 10⁶⁴.

Dato: 10⁶⁴ es una cantidad de opciones enorme, mayor que el número de granos de arena en toda la Tierra.

Para resolver esa operación diaria y transaccional, apoyarse en un TMS (Transportation Management System) es indispensable. Pero para los tomadores de decisión de alto nivel, los gerentes que configuran la estructura del sistema, un software operativo no entrega lecciones de intuición. Hacer un gemelo digital y simular computacionalmente múltiples escenarios es un proceso lento, computacionalmente intensivo, lleno de parámetros difíciles de configurar y no entrega lecciones de intuición al tomador de decisión.

¿Cómo estimar el costo de una ruta con tres números en la calculadora?

A través de la Aproximación Continua (CA). En lugar de calcular cada ruta al detalle, esta metodología utiliza modelos que estiman el impacto a mediano plazo de las grandes decisiones de distribución. El corazón de este enfoque es la fórmula BHH (desarrollada por Bearwood, Halton y Hammersley en 1959), que establece que la distancia de una ruta es proporcional a la raíz del número de clientes (n) por el área (A) que se cubre:

El β es una constante de proporcionalidad que se calibra fácilmente lanzando un par de rutas con datos reales de la empresa y haciendo una regresión. Lo bueno de este modelo es que funciona perfecto: al contrastarlo con rutas reales en barrios de Santiago, el error respecto a la simulación detallada es de apenas el 1,64%.

De esta fórmula matemática se desprende una intuición gerencial clave: la última milla es un negocio de economías de densidad. A medida que tenemos más clientes por kilómetro cuadrado, la distancia promedio y el costo promedio por cliente se reducen. Por eso los pequeños operadores sufren al tener costos medios más altos, mientras que los grandes retailers hacen logísticas mucho más baratas.

¿Cuánto nos cuesta realmente una promesa de entrega más rápida?

Aproximadamente una pérdida del 11% en ahorro de trabajo. Comparemos un sistema Next-Day Delivery (pido hoy, me entregan mañana) versus un Two-Day Delivery (acumular órdenes para despachar cada dos días a una zona).

Si simulamos una demanda de 25 órdenes diarias para una zona utilizando el modelo continuo, los resultados son claros:

• Next-Day (25 órdenes): tiempo de ruta de 4.57 horas -> 11 minutos de chofer por pedido.

• Two-Day (50 órdenes): al consolidar dos días, el tiempo de ruta sube a 8.16 horas, pero el promedio baja a 9.8 minutos por pedido.

Prometer una entrega súper rápida hace que se pierda un ahorro potencial importante. Si al cliente le interesa el costo bajo por sobre la inmediatez, la decisión táctica correcta es bajar las promesas comerciales y acumular las órdenes.

¿Cómo determinar cuántos conductores contratar antes de la temporada?

Para dimensionar la flota de manera eficiente, el desafío táctico consiste en equilibrar dos variables contrapuestas:

• Costo de flota: un pago fijo que incrementa de forma lineal por cada conductor contratado.
• Costo por clientes no atendidos: dado que la demanda diaria es una variable aleatoria, los pedidos que la flota interna no alcanza a cubrir, deben tercerizarse o, en su defecto, darse por perdidos. A mayor tamaño de flota, menor es este gasto variable debido al aumento en la capacidad de cobertura.

Utilizando la Aproximación Continua, podemos despejar matemáticamente la capacidad de cobertura real de un vehículo dentro de su jornada laboral. Al cruzar esta capacidad con la variable aleatoria de los pedidos diarios, el modelo matemático encuentra con alta precisión el tamaño óptimo de flota que minimiza los costos promedio diarios de la operación.

¿Cuándo conviene instalar una red de casilleros (lockers) o quioscos?

Cuando el volumen de demanda consolidada justifica la inversión fija. Instalar estos puntos de entrega (Collection and Delivery Points) reduce drásticamente las distancias de ruteo porque el vehículo ya no hace el puerta a puerta, sino que agrupa la demanda en un solo lugar.

El balance fundamental depende de la distancia y los costos: utilizando estos modelos rápidos de Aproximación Continua, se puede calibrar para una empresa en una hora, y con poca información agregada, cuántos quioscos o lockers hay que tener en una región para optimizar el costo total por cliente.

Un buen modelo estructurado captura perfectamente los balances de los fenómenos logísticos. Nos permite aprender, entender los trade-offs y dirigir con éxito la configuración de la distribución en el mediano y largo plazo.

Para quienes buscan dominar estas soluciones aplicadas, este enfoque analítico forma parte del aprendizaje práctico que entrega el curso Habilidades analíticas para la gestión. El programa está diseñado para que los profesionales adquieran herramientas analíticas modernas que permitan apoyar con evidencia la toma de decisiones en los negocios ante problemas reales de la industria.

También, te invitamos a revisar la exposición completa dada en Logistec Show 2026 para conocer al detalle el desarrollo de estos modelos analíticos aplicados a la última milla.