Excel te está costando más de lo que pensás
Toda la operación en la cabeza de una sola persona
Hay un patrón que se repite en muchas PyMEs: la persona que más sabe del negocio es también la que más riesgo genera. No por mala voluntad — sino porque todo el conocimiento operativo está en su cabeza y en ningún otro lado.
Nos tocó verlo de cerca. Una empresa del sector de logística y materiales de construcción operaba múltiples depósitos desde donde despachaba camiones hacia obras en distintas zonas. Todos los días, alguien tenía que decidir qué camión salía, a qué hora, con cuánta carga y hacia qué destino.
Esa decisión la tomaba el responsable de operaciones. Solo él. Si se enfermaba, si se tomaba vacaciones, si un día simplemente no estaba — la operación se complicaba. Nadie más podía cubrir ese rol porque las reglas de asignación eran informales, subjetivas y no estaban documentadas en ningún lado.
Todo el criterio de decisión dependía de una sola persona
Cualquier persona del equipo puede operar el sistema
El problema de fondo: datos que existen pero no se usan
La empresa tenía datos. Muchos datos. Cinco años de remitos de entrega, notas de pedido, registros de flota, tiempos de salida y llegada, kilómetros recorridos. Todo eso existía en planillas, en sistemas dispersos, en archivos que nadie cruzaba.
Pero tener datos no es lo mismo que usarlos. Es como tener todas las piezas de un rompecabezas desparramadas en una mesa — hasta que alguien no se sienta a armarlo, son solo cartones sueltos.
El responsable de operaciones hacía ese "armado" todos los días en su cabeza: combinaba experiencia, intuición y conocimiento del terreno para decidir las asignaciones. El tema es que cuando esa persona no está, no hay plan B. Y cuando está, nadie puede verificar si sus decisiones son las mejores posibles o simplemente "suficientes".
Lo que hicimos: convertir datos históricos en decisiones automáticas
Tomamos toda esa información dispersa y la pusimos a trabajar. El proceso fue metódico:
Paso 1 — Recopilar y limpiar. Juntamos más de 140.000 registros de los últimos 5 años: remitos de entrega, notas de pedido, datos de la flota. Los datos venían con errores de GPS, registros sin marca de tiempo, velocidades que no tenían sentido físico. Todo eso se limpió y se normalizó.
Paso 2 — Entender los patrones. Calculamos velocidades reales por franja horaria, ritmos de descarga según tipo de material, patrones de uso de la flota. No se trataba de asumir que todos los viajes son iguales — un despacho de 30 km a las 8 de la mañana no es lo mismo que uno de 10 km al mediodía.
Paso 3 — Construir un modelo predictivo. Con 47.919 viajes válidos, entrenamos un modelo de machine learning que estima tiempos de viaje de forma realista según la distancia y la hora del día. No promedios fijos — predicciones adaptadas al contexto.
Paso 4 — Desarrollar el simulador. Construimos 4 algoritmos de optimización distintos, cada uno con un criterio diferente: equidad entre conductores, mínimo tiempo improductivo, balance entre ambos. El sistema completo recibe los pedidos del día y propone la asignación óptima de camiones.
Los resultados concretos
No hablamos de proyecciones ni de estimaciones teóricas. Estos son los números reales del proyecto:
El simulador se evaluó contra la operación real de 169 días completos del año 2025. En esas pruebas demostró que podía cubrir la misma demanda diaria usando un camión menos. Eso, en la escala de un año, representa un ahorro operativo muy significativo: combustible, mantenimiento, seguros, desgaste.
Pero quizás el resultado más importante no es un número. Es que la operación dejó de depender de una sola persona. Ahora cualquier miembro del equipo puede cargar los pedidos del día y obtener una asignación optimizada en minutos. El conocimiento que antes estaba en la cabeza de alguien, hoy está documentado en un sistema.
¿Qué significa esto para tu empresa?
No hace falta que tengas una flota de camiones para que esto te aplique. El patrón es el mismo en miles de PyMEs:
- Hay datos valiosos que nadie está aprovechando
- Las decisiones críticas dependen de una o dos personas
- Los procesos "siempre se hicieron así" y nadie los cuestiona
- Las planillas de Excel crecieron hasta volverse inmanejables
La ciencia de datos no es un concepto abstracto reservado para empresas de tecnología. Es una herramienta práctica que toma la información que ya tenés y la convierte en decisiones mejores, más rápidas y menos riesgosas.
El primer paso es siempre el mismo: entender qué datos tenés, dónde están y qué preguntas podrían responder. A partir de ahí, se define un plan concreto con resultados medibles.
¿Tu empresa opera con datos que nadie analiza?
Si leíste esto y te sentiste identificado — si tenés planillas que nadie cruza, decisiones que dependen de una sola persona o procesos que podrían ser más eficientes — podemos ayudarte a evaluar la situación.
Sin compromisos, sin letra chica. Una conversación para entender tu caso y ver si la ciencia de datos puede hacer por tu operación lo que hizo por esta empresa de logística.