Maestría en Analítica Estratégica de Datos · 2026

Optimización de rutas en la última milla mediante machine learning: la eficiencia inesperada del clustering geométrico frente a los modelos basados en la red urbana

La optimización para la última milla es una prioridad logística y de sostenibilidad, dado que representó el 35.9% de costos logísticos totales en Colombia para el 2022 y contribuye cerca del 25% de las emisiones de 𝐶𝑂2 en zonas urbanas. Para abordar la complejidad NP-hard del Problema de Ruteo de Vehículos (VRP) en la población de estudio (supermercados en bogota) se implementó la metodología de descomposición Clustering first, Route second. El objetivo fue por tanto evaluar la robustez de los distintos modelos de clustering para minimizar consistentemente el 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝐾𝑚 𝑟𝑢𝑡𝑎⁄ y asegurar el sentido logístico. Se compararon para ello diferentes métodos, algunos basados en proximidad geométrica (K-Means y Jerárquico), basados en densidad (DBSCAM) y los que trabajan con grafos (Spectral, Louvain y Waltrap), partiendo con una hipótesis inicial de que estos últimos, al utilizar los grafos conectados a la malla vial, generarían particiones más eficientes. Los resultados obtenidos en las 70 muestras simuladas refutaron la hipótesis inicial. Los métodos basados en grafos demostraron ser poco eficientes o logísticamente inviables, con promedios de distancia superiores a los métodos basados en distancia geométrica, estos últimos se establecieron como los modelos consistentemente superiores. El hallazgo principal es que la compacidad geométrica estricta es el predictor más efectivo para minimizar la distancia real recorrida en la red vial urbana de Bogotá para la entrega de supermercados. Esto valida el uso de métodos geométricos simples y de bajo costo computacional para maximizar la eficiencia en la optimización de rutas de la última milla.