/
CASOS DE ÉXITO
/
2026
Cómo Reducir a la Mitad las Entregas Fallidas sin Cambiar una Sola Ruta
/
CLIENTE
Empresa de logística last-mile
/
TIEMPO
10 semanas
/
SERVICES
/
OVERVIEW
50.000 Entregas al Día, 5.000 que Vuelven al Almacén
La empresa opera una red de logística last-mile en varios países europeos, entregando decenas de miles de paquetes diarios para grandes retailers. Su plataforma de datos en Google Cloud (BigQuery, PubSub, Airflow) procesaba millones de eventos operativos, pero el equipo de datos apenas daba abasto para mantener los pipelines en producción. Mientras tanto, una de cada diez entregas volvía al almacén sin completarse y nadie tenía visibilidad sobre por qué ni capacidad para hacer algo al respecto antes de que ocurriera.
/
CHALLENGES
Cada Entrega Fallida Cuesta Dinero, Tiempo y Clientes
Con una tasa de fallo en primer intento cercana al 10%, la empresa perdía más de 200.000€ al mes entre reintentos, gestión de incidencias y atención al cliente. Pero el problema no era solo económico: los retailers medían la calidad del servicio por esta métrica, y una tasa de fallo alta significaba perder contratos. El equipo de operaciones conocía los patrones: ciertas franjas horarias, ciertos tipos de edificio, ciertos códigos postales fallaban más, pero esa intuición no estaba sistematizada ni llegaba a tiempo. Cuando el conductor salía del almacén, ya era tarde.
Si sabemos qué entregas van a fallar, ¿por qué esperamos a que fallen?
/
SOLUTIONS
Anticipar el Fallo Antes de que el Conductor Salga
Pipeline de datos históricos en BigQuery que cruza millones de intentos de entrega con sus resultados: dirección, código postal, franja horaria, tipo de edificio, histórico del destinatario, retailer de origen, día de la semana y condiciones de la zona.
Modelo de scoring de riesgo por pedido: cada entrega recibe una probabilidad de fallo antes de que el conductor salga, basado en los patrones reales extraídos del histórico.
Reglas de acción preventiva integradas en el flujo operativo: los pedidos de alto riesgo se derivan automáticamente a acciones como contacto previo con el destinatario, reasignación a franjas de mayor éxito, o agrupación con entregas cercanas para facilitar un segundo intento inmediato.
Dashboard operativo en Power BI con visibilidad por almacén, zona y retailer: tasa de fallo predicha vs. real, evolución temporal, y ranking de zonas y franjas problemáticas.
Documentación completa y transferencia al equipo interno para operar, ajustar umbrales y evolucionar el modelo de forma autónoma.
/
RESULTS
Más Furgonetas Volviendo Vacías
En las primeras semanas tras la activación, la tasa de entregas fallidas bajó del 10% al 5,5%. Los pedidos marcados como alto riesgo que recibieron acción preventiva tuvieron una tasa de éxito un 70% superior a la que habrían tenido sin intervención. El ahorro operativo se notó desde el primer mes.
-45%
ENTREGAS FALLIDAS EN PRIMER INTENTO
-120K€/mes
AHORRO EN COSTES DE REINTENTO
+18%
MEJORA EN NPS DEL DESTINATARIO FINAL
Teníamos la intuición de qué iba a fallar, pero nunca lo habíamos convertido en algo accionable. Ahora cada mañana sabemos exactamente qué pedidos necesitan atención antes de salir del almacén. El impacto en costes y en satisfacción del cliente ha sido inmediato.
Director de Logística
Empresa de logística last-mile
/
CASOS DE ÉXITO
