Microhubs 4.0. para mejorar la logística de las ciudades

Indicadores y procesos de mejora

Más allá de los propios KPIs de rendimiento de los modelos de inteligencia artificial aplicados en el proyecto, se detectaron KPIs de mejora de “negocio” en combinación con el modelo operativo planteado para la puesta en marcha de la red de microhubs.

Los dos KPIs (además del KPI de huela de carbono) principales de impacto del proyecto:

• KPI: Reducción de hasta un 30% el número de vehículos necesarios para cubrir los flujos actuales de mercancías en la ciudad de Madrid (se estima que en la ciudad que el parque de vehículos ligeros -menos de 3500 kilos- es de 87.000 vehículos),

• KPI: Reducción en torno al 40% de los vehículos que llegan a los microhubs desde los centros de consolidación (situados a las afueras de la ciudad), al permitir planificar las cargas y aumentar la capacidad de ocupación de éstos.

Cuantificación/Estimación reducción consumo

Reducción del impacto ambiental hasta un 50%
Reducción de un 30% de los vehículos necesarios
Reducción del número de km recorridos y su consecuente disminución de contaminación.

Cuantificación/Estimación reducción emisiones CO2

Reducción hasta un 50% en las emisiones de CO2 (gr. por Km recorrido)

Innovación aplicada y buenas prácticas

La innovación viene por tres vías:

• La aplicación de técnicas de Data Science dentro del marco de Big Data y de técnicas de Machine learning para la ubicación óptima del Microhub y previsión de demanda y planificación de recursos dentro del hub logístico.
• La creación de un modelo operativo de microhubs estandarizado y accesible a todos los agentes logísticos.
• La definición de un modelo tecnológico interoperable que defina la plataforma colaborativa para la conectividad entre la red de microhubs y usuarios.

El planteamiento conceptual de esta red de microhubs es una innovación per se ya que pretende dar solución a una iniciativa ya intentada en grandes ciudades como Madrid sin éxito.

En términos de innovación tecnológica nuestros microhubs parten, de base, desde la perspectiva de un modelo data driven , es decir, el análisis de los datos para la toma de decisiones eficiente forma base de la estrategia de operaciones y go to market de los mismos.

Usabilidad de Tecnologías de la Información y Comunicaciones

El Big Data y el Data Science permiten la aplicación de algoritmos de aprendizaje automático en los modelos de optimización de ubicación y previsión de demanda para la planificación de recursos. Claves:

• La aplicación del algoritmo óptimo a cada problema planteado es vital para los resultados de los análisis.

Esta selección y ajuste tiene que ser llevado a cabo por expertos Data Scientists que prueban diferentes algoritmos y técnicas matemáticas para obtener el mejor resultado.

• La aplicación de fuentes de datos externas que condicionan nuestro contexto de negocio es imprescindible para superar los niveles de rendimiento medio de las aplicaciones de previsión de demanda tradicionales.

Para la explotación de los resultados se generaron herramientas de visualización de forma que se pudieran explotar tanto los resultados de los modelos de demanda como las simulaciones de las ubicaciones óptimas.