IA para la asignación de inventario en múltiples almacenes: enviar desde la ubicación correcta

Un minorista de equipos de fitness para el hogar con tres almacenes (Nueva Jersey, Texas y Nevada) estaba enviando el 38% de sus pedidos desde el almacén equivocado. Con equivocado me refiero a un almacén que no era el más cercano al cliente. Los pedidos de California se enviaban desde Nueva Jersey porque ahí era donde casualmente estaba el inventario. El costo promedio de envío en esos envíos de costa a costa era de $14.80 comparado con $6.20 para pedidos despachados desde el almacén más cercano.

Después de implementar un sistema de asignación de inventario basado en IA que posicionaba el stock según la demanda regional prevista, su tasa de envío desde el almacén más cercano mejoró del 62% al 84%. Los costos anuales de envío se redujeron en aproximadamente $1.2 millones sobre unos $28 millones en ingresos. La mejora no provino de añadir capacidad de almacén, sino de decisiones más inteligentes sobre dónde colocar el inventario existente.

El problema central: la demanda no se distribuye de manera uniforme

Si vendes a nivel nacional desde múltiples almacenes y asignas el inventario de manera uniforme entre ubicaciones, es casi seguro que estás asignando mal. La demanda de productos específicos varía significativamente según la geografía. Un minorista que vende ropa para exteriores podría ver 4 veces más demanda de chaquetas impermeables en el noroeste del Pacífico en comparación con Arizona, mientras que los productos de protección solar muestran el patrón opuesto.

El enfoque ingenuo es asignar según la participación de cada almacén en la demanda total histórica. Si tu almacén de la Costa Este manejó el 45% de los pedidos el trimestre pasado, colocas el 45% del nuevo inventario allí. Esto ignora la variación geográfica a nivel de producto. La distribución general de pedidos podría ser 45/30/25 entre tus tres almacenes, pero un SKU específico podría tener una demanda que se divide 20/50/30 debido a preferencias regionales, patrones climáticos locales o diferencias demográficas.

Qué optimiza el modelo de asignación con IA

El modelo de asignación resuelve un problema de optimización con restricciones. Busca minimizar el costo total de cumplimiento (costo de envío más costo de manipulación) mientras mantiene niveles de servicio adecuados (tasa de disponibilidad y velocidad de entrega) en todas las regiones, respeta las restricciones de capacidad del almacén y tiene en cuenta el inventario en tránsito y en pedido.

La entrada clave es un pronóstico de demanda desglosado por SKU y región. En lugar de pronosticar la demanda total y luego dividirla entre almacenes, el modelo pronostica la demanda en el área de servicio de cada almacén de forma independiente. Un cliente en Denver podría ser atendido por el almacén de Texas o el de Nevada dependiendo del producto, los niveles de stock actuales y las tarifas del transportista, por lo que el modelo considera áreas de servicio superpuestas.

Las matrices de costos de envío mapean el costo real de enviar cada producto (según peso y dimensiones) desde cada almacén a cada zona de entrega. Estos no son simples cálculos de distancia. Los precios de los transportistas incluyen estructuras de tarifas basadas en zonas, cargos por peso dimensional y descuentos por volumen que varían según el almacén. El modelo utiliza tus tarifas negociadas reales para una optimización precisa de costos.

La salida es una recomendación de asignación para cada envío de reposición entrante. En lugar de dividir una orden de compra de 1,000 unidades de manera uniforme entre tres almacenes, el modelo podría recomendar 250 a Nueva Jersey, 450 a Texas y 300 a Nevada según el pronóstico de demanda actual, el stock existente en cada ubicación y el escenario de entrega que minimiza costos.

Lógica de transferencias: cuándo mover inventario entre almacenes

A veces la asignación inicial es incorrecta, o los patrones de demanda cambian a mitad de temporada. El modelo también genera recomendaciones de transferencia, sugiriendo cuándo es rentable mover inventario de un almacén a otro. Este cálculo compara el costo de la transferencia entre almacenes (flete más manipulación en ambos extremos) contra los ahorros esperados al cumplir pedidos futuros desde una ubicación más cercana.

Una transferencia tiene sentido cuando se proyecta que el almacén receptor se quedará sin stock dentro del plazo de entrega de un nuevo pedido de reposición, el almacén emisor tiene exceso de inventario más allá de sus necesidades proyectadas para los próximos 30 días, y el costo de transferencia es menor que el ahorro acumulado en costos de envío de los pedidos que de otro modo se enviarían desde una ubicación más lejana.

Las matemáticas de las transferencias suelen funcionar para productos ligeros y de alta rotación. Mover un palé de productos de cuidado de la piel de Nueva Jersey a Nevada podría costar $180 en flete LTL, pero si evita que 200 pedidos se envíen de costa a costa con un costo incremental de $8.60 cada uno, el ahorro es de $1,720 menos los $180 del costo de transferencia. Para artículos pesados o voluminosos, el costo de transferencia es mayor y las matemáticas funcionan con menos frecuencia.

Gestión de envíos divididos

Los pedidos con múltiples artículos crean un problema de optimización secundario. Si un cliente pide tres artículos y uno solo está disponible en el almacén de la Costa Este mientras que los otros dos están en el almacén de la Costa Oeste, tienes tres opciones: enviar todo desde la Costa Este (dos artículos viajan más lejos de lo necesario), dividir el envío en dos paquetes (mayor costo total de envío pero entrega más rápida para los dos artículos de la Costa Oeste), o esperar hasta que todos los artículos estén disponibles en una sola ubicación (entrega general más lenta).

El modelo de IA evalúa estas opciones para cada pedido con múltiples artículos según la diferencia real de costo, las expectativas de entrega del cliente (estándar vs. urgente) y si el cliente ha mostrado sensibilidad a los envíos divididos en el pasado (algunos clientes se quejan de recibir múltiples paquetes). La elección óptima varía según el pedido y no existe una única política ideal.

Reducir los envíos divididos suele ser una oportunidad de ahorro mayor que optimizar la asignación de artículos individuales. Un minorista de artículos para el hogar descubrió que el 22% de sus pedidos con múltiples artículos se enviaban como envíos divididos con un costo incremental promedio de $7.40 por pedido. Al ajustar la asignación de inventario para asegurar que los artículos que se compran frecuentemente juntos estuvieran almacenados en el mismo almacén, redujeron los envíos divididos al 13% y ahorraron $340,000 anuales.

Requisitos de datos e implementación

Construir un modelo de asignación efectivo requiere varios conjuntos de datos: pedidos históricos con ubicación del cliente (a nivel de código postal), datos de cumplimiento del almacén (qué almacén envió cada pedido), tablas de tarifas de transportistas para todos los transportistas activos y niveles de servicio, posiciones de inventario actuales en cada almacén actualizadas al menos diariamente, y datos de órdenes de compra para la reposición entrante.

El modelo en sí puede ser un solucionador de programación lineal para la optimización de asignación, combinado con un modelo de pronóstico de demanda (gradient boosting o red neuronal) para las predicciones de demanda regional. Los solucionadores de código abierto como Google OR-Tools o PuLP manejan bien la optimización, y el pronóstico de demanda puede usar cualquier framework estándar de ML.

La integración con tu WMS (Sistema de Gestión de Almacenes) y OMS (Sistema de Gestión de Pedidos) es esencial. Las recomendaciones de asignación deben fluir hacia tu proceso de recepción para que el inventario entrante se dirija al almacén correcto. La lógica de enrutamiento de pedidos en tu OMS debe considerar las prioridades de almacén del modelo de asignación al asignar ubicaciones de cumplimiento a nuevos pedidos.

Para los minoristas de ecommerce que operan múltiples centros de cumplimiento, la asignación de inventario es uno de esos problemas que parece manejable hasta que haces los cálculos. La diferencia entre una asignación ingenua de distribución equitativa y una optimizada típicamente oscila entre un 15-25% de ahorro en costos totales de envío. En un negocio de $20 millones que gasta el 8% de sus ingresos en envíos, eso representa de $240,000 a $400,000 por año, lo cual es suficiente para financiar el sistema de asignación muchas veces y aún tener dinero para otras mejoras.