Este documento describe cómo el machine learning puede mejorar la logística de última milla a través de tres aplicaciones: 1) Predicción de tiempos de llegada mediante el análisis de datos de vehículos para responder con precisión cuándo llegará un pedido. 2) Diseño de rutas óptimas pero también atractivas para los usuarios mediante el análisis de ediciones y comportamientos de conductores. 3) Ubicación correcta de direcciones de despacho en mapas usando procesamiento de lenguaje natural para estandarizar direcciones.

1. Inteligencia Logística en la Última
milla: Como Machine Learning
puede revolucionar tus repartos
Víctor González - Director Data Science

2. Víctor González
Magíster en Gestión de Operaciones
Investigador Universidad de Chile
Director Data Science SimpliRoute

3. www.simpliroute.com
Aumento de expectativas de clientes y empresas

4. CUÁNDO VA A LLEGAR MI PEDIDO?
Típica respuesta:
“Entre las 9 am y 9 pm”

5. 9 AM - 10 AM
3 PM - 6 PM
11 AM - 2 PM
8 PM - 10 PM
8 AM - 6 PM
3 PM - 6 PM

7. www.simpliroute.com
La Solución
1.Optimizar
Monitoring
Learning Proof of
Delivery
Logistics Optimization as a Service
Routing

8. Tu producto
llegará entre
las 3:00 y
3:30pm

9. www.simpliroute.com
SimpliRoute es una empresa internacional

10. www.simpliroute.com
THE RIGHT MIX OF PASSION AND EXPERIENCE
Alvaro Echeverria
Co-founder and CEO
Eyal Shats
Co-founder and VP of Sales
Acceso a alianzas académicas
y Data Scientist
Alonso Olate
CMO & Product
Daniel Balieiro
Customer Success
Felipe Urbina
CTO
Victor Gonzalez
Data Science

11. ¿Qué es Machine
Learning?

12. Machine Learning es la ciencia de
hacer que los computadores actúen
de una forma sin ser programados
explícitamente para ello.
Andrew Ng (Stanford/DeepLearning AI)

13. ¿Por qué Machine Learning en
Logística?
¿Por qué debería importarme ahora?

14. Datos

15. GPS de 1000 vehículos de carga en un solo día - 0.3% de los vehículos de carga de Chile

16. Ejemplos practicos
de Machine Learning
en SimpliRoute

17. Predicción de
Tiempos de Llegada
1

18. ¿Qué nos impide responder
con precisión
“¿Cuando va a llegar mi
pedido?”

19. Los vehículos de
transporte no se
comportan como un
vehículo normal

20. www.simpliroute.com

21. Mis conductores no se
comportan como
otros vehículos de
transporte

23. El comportamiento de
los vehículos cambia
en distintas zonas

24. Con toda esta data
elaboramos un modelo
de predicción de
tiempos de llegada

26. En 82% de las veces la hora predicha por
SimpliRoute está a +/- 5 minutos de lo que
realmente experimentan en la calle

27. Rutas “bonitas”
2

28. Problema:
Las personas que diseñan
rutas y conductores no les
gustan los resultados de la
optimización

29. ¿Por qué es un
problema?

30. Si al ruteador no le gustan
los resultados, tendrá que
editar manualmente las rutas
y se aburrirá de usar el
sistema.

31. Si el conductor no sigue
la ruta, no se observan
los ahorros prometidos
por SimpliRoute.

32. ¿Qué información
tenemos?

33. Tenemos todas y cada
una de las ediciones que
hace el administrador

34. Sabemos, para
una ruta dada, si
es que el
conductor siguió
la ruta o no.

35. ¿Qué hace a una ruta
“bonita”?
● Rutas Compactas
● Pocos Cruces
● Balance

36. Optimalidad y belleza
están relacionados pero
en un cierto punto, mayor
belleza empeora la
solución.

39. Ubicación correcta
de pedidos en un
mapa
3

40. Problema:
Direcciones de despacho
poco estandarizadas que
hacen difícil encontrarlas en
un mapa

41. Lo Echever ##324,
Bodega 21 (Al lado
de Faber Castell)

42. Lote 34, Pirque

43. Frente a los Buenos
Pollos, Quilicura

45. NLP: Natural
Language
Processing

48. Ahorro de 2 horas
limpiando direcciones
En clientes con más de 500 despachos diarios con direcciones que cambian todos los
días.

49. ¿Por qué hacemos todo
esto?

51. Inteligencia Logística en la Última
milla: Como Machine Learning
puede revolucionar tus repartos
Víctor González - Director Data Science