codecentric AG

Descripción

En el reparto a domicilio de bebidas y otros productos de alimentación, tramitar los pedidos con rapidez supone una ventaja competitiva decisiva. Por eso, desde que se realiza el pedido en la tienda online hasta que llega a la puerta de casa no deben pasar más de 120 minutos.

Para coordinar la logística del personal de reparto, flaschenpost utiliza machine learning para elaborar previsiones de los procesos logísticos y las cadenas de suministro. Para ello, prepara y analiza grandes volúmenes de datos con el fin de identificar patrones y tendencias que permitan predecir la disponibilidad del personal de reparto y estimar la duración de las distintas tareas. Cuanto más precisas sean estas estimaciones, más exactos serán los resultados de la planificación de rutas.

Reto

Si no se predice correctamente cuántas personas estarán disponibles en un momento determinado, a menudo se produce una falta o un exceso de capacidad del personal de reparto: la falta de carga de trabajo puede provocar tiempos de espera inactivos y que se rechacen pedidos, mientras que el exceso de trabajo puede causar retrasos y cancelaciones de pedidos que ya no se pueden atender. Por tanto, predecir estos aspectos con precisión contribuye directamente a mejorar la satisfacción de los clientes y, con ello, a aumentar los ingresos.

Solución

// Estructura del equipo

Para la duración del proyecto se formó un equipo conjunto con desarrolladores de flaschenpost y codecentric. Estaba compuesto por científicos e ingenieros de datos con distintos niveles de experiencia, que aplicaron métodos ágiles como Scrum para mejorar y poner en producción los algoritmos de forma continua.

// Hitos del proyecto

Uno de los principales hitos fue ampliar el conjunto de modelos de previsión para optimizar mediante machine learning otras fases de la cadena de suministro. También se analizaron e implantaron distintas soluciones para automatizar complejas pipelines de datos y machine learning, con el objetivo de reducir el trabajo administrativo y operativo. Además, era necesario mostrar y comparar claramente las métricas de los distintos algoritmos. Así, se puede identificar rápidamente el mejor modelo y analizar de forma sistemática qué datos permiten mejorarlo.

// Implementación técnica

Se automatizaron los parámetros que deben definirse antes de entrenar un modelo y que influyen en su rendimiento. También se ampliaron el seguimiento y los informes para que el equipo pudiera supervisar aún mejor el rendimiento del conjunto de modelos de previsión. Python fue el principal lenguaje de programación, ya que, además de integrarse muy bien con Kubernetes y Azure, es compatible con los principales frameworks de machine learning e ingeniería de datos. La pila tecnológica también incluía Kubernetes, MLFlow, HyperOpt, FastAPI y streamlit.

Resultados

El conjunto de modelos de previsión logística de flaschenpost SE, ahora optimizado y ampliado, funciona de forma robusta y es fácil de ampliar. La solución permite analizar los datos de manera sistemática y, por tanto, contribuye a mejorar el modelo de IA. Gracias a la automatización, el seguimiento con MLFlow y un panel que presenta de forma clara las métricas de cada algoritmo, se redujo considerablemente el tiempo transcurrido desde el desarrollo del modelo hasta su evaluación en producción.