Sectores donde Generamos Impacto

Es la disciplina que usa modelos matemáticos para decidir cómo asignar recursos limitados: qué rutas tomar, qué inventario mantener, qué turnos asignar, qué productos producir y en qué cantidad.

Lo que la distingue de un análisis descriptivo es que entrega una decisión concreta. Algunos problemas se resuelven a la mejor respuesta posible en segundos, cuando las reglas son estables. Otros son tan grandes que no se pueden resolver de forma exacta y necesitan métodos que entregan buenas soluciones rápido, aunque sin garantía de óptimo. Cuando hay incertidumbre real (demanda variable, fallas de equipos, tiempos de entrega irregulares), no se busca un óptimo: se propone una política y se mide cómo se comporta antes de aplicarla.

Machine learning aprende patrones de datos históricos y responde qué va a pasar: la demanda esperada el próximo trimestre, la probabilidad de falla de un equipo, el riesgo de un cliente. Optimización busca la mejor decisión dados un objetivo y restricciones, y responde qué hacer: cuántos camiones operar, qué inventario asignar a cada centro de distribución, qué pedido aceptar.

En operaciones reales se combinan. Un caso típico: ML predice la demanda por sucursal para los próximos 14 días y optimización usa esa predicción para asignar inventario entre centros y planificar despachos. Por separado, ML deja la decisión a una persona que tiene que interpretar el pronóstico; optimización sin ML necesita que alguien estime la demanda.

Los large language models (LLMs) son modelos de IA entrenados con grandes cantidades de texto para entender y generar lenguaje. Son una rama del machine learning. Un modelo predictivo tradicional se entrena para una tarea específica del cliente; los LLMs vienen pre-entrenados con conocimiento general del idioma y se adaptan al contexto del negocio mediante prompts o documentos de referencia (RAG, retrieval-augmented generation).

Sirven bien cuando el problema involucra texto no estructurado: clasificar correos, resumir documentos largos, extraer información de contratos, responder preguntas sobre manuales internos, redactar borradores. En esos casos un LLM reemplaza horas de trabajo manual con resultados aceptables en segundos.

No sirven cuando el problema es numérico, estructurado y con datos limpios. Pronosticar demanda, detectar fraude, optimizar inventario o ajustar precios se resuelven mejor con modelos predictivos clásicos o con investigación de operaciones. Usar un LLM para esos casos suele ser más caro, más lento, menos preciso y más difícil de auditar.

Simulación estocástica reproduce el comportamiento de un sistema operacional con miles de escenarios aleatorios para estimar cómo responde a distintas políticas. Sirve cuando la incertidumbre domina: tiempos de llegada variables, fallas impredecibles, demanda con estacionalidad y ruido.

A diferencia de la optimización, simulación no entrega la mejor decisión. Entrega la distribución de resultados de la política que propones: cuánto cuesta operar con 5 camiones versus 6, cuántas horas de cola se generan si la frecuencia de llegada cambia, qué pasa si una máquina cae un día al mes. Funciona bien donde otros métodos fallan, pero requiere suficientes corridas para que los resultados sean estadísticamente confiables y depende mucho de qué tan bien se describan las distribuciones de entrada.

Un modelo de optimización describe una decisión en tres partes: qué se quiere conseguir (minimizar costos, maximizar utilidad, reducir tiempos), qué se elige (cantidades, asignaciones, rutas, horarios) y qué reglas se deben respetar (capacidad disponible, presupuestos, regulaciones, plazos contractuales). Resolverlo entrega la combinación de decisiones que respeta todas las reglas y logra mejor el objetivo.

Un ejemplo: asignar 30 camiones a 200 entregas minimizando combustible, sujeto a que cada camión opere máximo 9 horas y cada cliente reciba dentro de su ventana horaria.

Los trade-offs son prácticos. Algunos problemas se resuelven en segundos cuando las reglas son continuas y bien comportadas. Otros toman horas o días cuando hay decisiones del tipo sí/no (¿abrir esta bodega?, ¿asignar este conductor a esa ruta?), porque el espacio de combinaciones crece exponencialmente. Cuando el objetivo o las reglas involucran productos entre variables, garantizar la mejor solución es lo más caro.

Business intelligence (BI) organiza datos históricos en reportes, dashboards y KPIs para que personas tomen mejores decisiones. Machine learning construye modelos predictivos a partir de esos mismos datos. BI responde qué pasó; ML responde qué va a pasar.

En la práctica, BI es más barato de construir y más fácil de operar: SQL, modelos de datos y dashboards. ML tiene más alcance pero exige calidad de datos, monitoreo continuo y reentrenamiento. La mayoría de las operaciones reales usan ambos: BI para monitorear el día a día y entender qué está cambiando, ML para pronósticos, detección de anomalías y casos donde las reglas explícitas no alcanzan.

Partimos con lo que el cliente tiene hoy. Cada proyecto tiene un alcance distinto, pero lo más útil al inicio suele ser el histórico operacional relevante (transacciones, órdenes, tiempos, ubicaciones, niveles de inventario), las reglas del negocio (capacidades, contratos, regulaciones, restricciones operativas) y el contexto del problema que se quiere resolver.

Los formatos no son un problema: Excel, CSV, exportes de ERP, bases SQL, documentos PDF para reglas y manuales. Si los datos están desordenados o incompletos, la primera fase del proyecto incluye estructurarlos y validarlos junto al equipo interno; la falta de datos perfectos rara vez es lo que impide arrancar.

Cada proyecto termina con un entregable funcionando: un modelo de optimización corriendo, un simulador, un sistema de soporte de decisiones o un conjunto de modelos predictivos integrados a los sistemas del cliente. La entrega incluye código documentado, validación con datos reales del cliente y una sesión de transferencia al equipo interno para que el cliente pueda operar y mantener la solución sin depender de Lontra.