Optimización automatizada de la oferta de cargas y la aceptación por parte de transportistas
La oferta de cargas es el proceso de presentar un envío a un transportista para su transporte. En una operación típica, el TMS sigue una guia de enrutamiento que específica el transportista principal para cada ruta, con transportistas de respaldo si el principal rechaza. Cuándo el transportista principal rechaza la oferta, esta pasa al secundario, después al terciario, y así sucesivamente. Cada ciclo de rechazo lleva tiempo y, cuando una carga llega a los transportistas de respaldo, las tarifas suelen ser más altas y el servicio menos fiable.
La IA optimiza este proceso prediciendo que transportistas aceptaran e identificando el mejor transportista para cada carga antes de que comience el ciclo de oferta.
Predicción de aceptación del transportista
Los modelos de IA predicen la probabilidad de que un transportista determinado acepte una oferta concreta de carga en función de la tasa histórica de aceptación del transportista en esa ruta, las condiciones actuales del mercado (los mercados ajustados implican más rechazos), el plazo de antelación (las cargas ofertadas con más antelación obtienen mayor aceptación), el día de la semana y la época del año, y la utilización actual de capacidad del transportista (deducida a partir de sus patrones recientes de aceptación).
Estas predicciones permiten al sistema saltarse a transportistas con poca probabilidad de aceptar y ofertar directamente a transportistas con mayor probabilidad de aceptación. Esto reduce el tiempo medio para asegurar un transportista y evita los retrasos en cascada de múltiples rechazos.
Optimización del flujo en cascada
El flujo en cascada tradicional de la guia de enrutamiento es estático: primero el transportista principal, después el secundario y luego el terciario. El flujo en cascada dinámico de la IA ajusta la secuencia de transportistas para cada carga en función de las condiciones actuales. En un día en que el transportista principal está rechazando la mayoría de las ofertas (quizá estén sobrecomprometidos por un pico en su otro negocio), el sistema los salta y va directamente a un transportista con mayor probabilidad de aceptación en ese momento.
Este enfoque dinámico reduce los ciclos medios de oferta del estandar del sector de 2 a 3 por carga a algo más cercano a 1,2-1,5, ahorrando horas en el proceso de planificación de cargas y reduciendo la necesidad de recurrir al mercado spot.
Optimización multi-carga
La IA no oferta las cargas de forma aislada. Considera toda la cartera de cargas que deben ofertarse y optimiza la asignación entre todas las cargas y todos los transportistas simultáneamente. Un transportista que probablemente acepte la carga A pero no la B podría asignarse mejor a la carga A, dejando libre la carga B para un transportista más adecuado a esa ruta.
Esta optimización de cartera produce mejores tasas globales de aceptación y mejor encaje de transportistas que ofertar cada carga de forma independiente según una guia estática.
Comunicación con transportistas
Los sistemas de oferta con IA se comunican con los transportistas a través de interfaces electrónicas (EDI o API) que permiten una respuesta rápida. El sistema envia la oferta, recibe la aceptación o el rechazo y pasa al siguiente transportista de forma automática. Todo el ciclo puede completarse en minutos en lugar de las horas que requiere cuando hay intervención humana en cada paso.
Para los transportistas que prefieren un trato humano, el sistema admite comunicación hibrida en la que la oferta electrónica se acompana de una notificación al gestor de la relación con el transportista, que puede hacer un seguimiento personal si el transportista no responde dentro de una ventana definida.
Bucle de retroalimentación del rendimiento
Cada resultado de oferta se incorpora al modelo de predicción. Los transportistas que aceptan con mayor frecuencia obtienen puntuaciones más altas. Los que han empezado a rechazar más obtienen puntuaciones más bajas. Los transportistas que aceptan pero luego no recogen a tiempo se penalizan en la dimensión de fiabilidad. Este aprendizaje continuo mantiene el modelo al día frente a los cambios de comportamiento de los transportistas.
Para más información sobre cómo la IA optimiza la gestión de transportistas en logística, consulte el análisis de logística y transporte de FirmAdapt.