Todos los años, antes de la temporada pico, los responsables de almacén se hacen la misma pregunta sobre el slotting dinámico con IA: ¿merece la pena una reorganización de ubicaciones para optimizar el almacén antes del pico? Según informes públicos del sector, la mezcla de pedidos cambia mucho más bruscamente durante el pico que en un mes normal, así que una distribución que funciona sin problemas en temporada tranquila no garantiza funcionar igual de bien cuando los volúmenes se disparan, y la pregunta vuelve cada año en lugar de resolverse de una vez por todas.

Un almacén logístico de terceros en el este de China se enfrentó a esta misma situación antes del pico del año pasado. En los meses normales servía a decenas de marcas, los pedidos se repartían de forma bastante uniforme y las ubicaciones se habían ordenado por categoría y por ventas históricas, así que los preparadores conocían sus rutas de memoria. Cuando llegó el pico, los pedidos de un puñado de marcas líderes prácticamente se duplicaron, los mismos productos aparecían una y otra vez en pedido tras pedido, y los preparadores pasaban gran parte del día recorriendo largos desvíos para recoger los mismos artículos, mientras se formaban colas en las mesas de embalaje. El problema no era la falta de manos. La distribución seguía reflejando la lógica de la temporada tranquila, con los productos más vendidos enterrados en lo más profundo del almacén y las distancias de desplazamiento muy por encima de lo que el perfil de pedidos actual justificaba.

Según informes públicos del sector, el aumento de la concentración de pedidos durante el pico es un patrón recurrente: la proporción de pedidos totales que acaparan los productos más vendidos aumenta de forma notable durante los periodos promocionales, mientras que los productos de cola larga siguen vendiéndose más o menos a su ritmo habitual. Esa forma importa, porque significa que el beneficio de la optimización de ubicaciones en almacén proviene sobre todo de mover un pequeño número de productos de alta frecuencia, no de poner todo el edificio patas arriba. Una vez entendido esto, el alcance de una ronda previa al pico, el esfuerzo que merece y cómo juzgar si ha dado resultado se vuelven más fáciles de fijar.

Qué mueve realmente el slotting dinámico con IA

El slotting dinámico con IA suena nuevo, pero el trabajo que hay detrás se descompone en pasos que no tienen nada de misterioso. Empieza con los datos de demanda: con qué frecuencia se expidió cada producto durante un periodo reciente, con qué frecuencia apareció en los pedidos y qué productos tendían a aparecer juntos en la misma oleada, para juzgar qué artículos es probable que se pidan juntos en el pico. Después viene la estratificación ABC, que agrupa por un lado los productos que se expiden con frecuencia y de forma constante y por otro los que se expiden rara vez y de forma errática, a partir de los registros reales de expedición y no del instinto por categoría. El siguiente paso es el mapa de calor de ubicaciones: superponer la frecuencia de picking, la distancia recorrida y la congestión de cada ubicación para ver qué puntos se cruzan una y otra vez y cuáles llevan semanas sin usarse. Solo entonces se rehace la ruta de picking, acercando los productos de alta frecuencia al inicio del picking y a la zona de embalaje y colocando cerca entre sí los productos que suelen pedirse juntos, para que los preparadores hagan menos giros en U y crucen menos pasillos congestionados.

Lo que la IA hace realmente en esta cadena debe decirse con claridad. No es una caja mágica que imprime un mapa óptimo de ubicaciones. Son reglas más un modelo: las reglas protegen las restricciones duras, como que los productos pesados van en los niveles inferiores, que los productos aplastables nunca van en la base de una pila, que los productos peligrosos se almacenan por separado y que los productos refrigerados se limitan a la zona de frío, mientras el modelo trabaja dentro de esas restricciones, usando las previsiones de demanda y las combinaciones de pedidos pasadas para proponer movimientos y ordenar su beneficio esperado. El modelo ofrece sugerencias, no órdenes, y el jefe de almacén sigue tomando la decisión final, sopesando los límites de carga de las estanterías, el ancho de los pasillos y los turnos. Tratar la IA como un asesor más rápido se acerca más a su posición real en el almacén que tratarla como un sistema que decide en lugar de las personas.

Las cuentas previas al pico de la optimización de ubicaciones en almacén

El coste de una ronda previa al pico es visible e inmediato. Mover existencias exige mano de obra y carretillas, hay que encajarlo en los huecos entre el trabajo normal de salida, algunas ubicaciones quedan bloqueadas mientras se mueven y los preparadores necesitan tiempo para reaprender dónde vive cada cosa, así que los primeros días tras un movimiento tienden a traer picking erróneos y comprobaciones extra. Esos costes llegan en pocos días, mientras que el beneficio se reparte a lo largo de cada día del pico, por lo que el cálculo debe repartir el beneficio a lo largo de la temporada en lugar de juzgarlo el día del movimiento. Cuanto más dure el pico y mayor sea el volumen, más días habrá para absorber el coste de mover; cuando el pico dura solo unos pocos días, el coste del movimiento puede seguir sin pagarse cuando la avalancha ya ha terminado.

Concepto Lo que cuesta una ronda previa al pico Lo que el pico puede devolver
Mano de obra y equipos Mano de obra de traslado, tiempo de carretilla, ubicaciones bloqueadas durante el traslado Menor desplazamiento del preparador, menor tiempo de picking por pedido
Coste de aprendizaje Preparadores reaprendiendo ubicaciones, más picking erróneos al principio Menos errores de picking y menos retrabajo una vez que las rutas se asientan
Coste de oportunidad Ritmo de salida interrumpido durante el traslado Sin colas en embalaje por rutas de desplazamiento congestionadas

Un almacén de productos de belleza en el norte de China ilustra el dilema. Antes del pico de hace dos años movió casi la mitad de todas sus ubicaciones en un solo esfuerzo, con la intención de dejar la distribución bien en una sola pasada, y el traslado en sí llevó mucho más tiempo del previsto, así que los preparadores seguían aprendiendo las nuevas ubicaciones durante los primeros días del pico y los errores y el retrabajo aumentaron en lugar de disminuir. Al año siguiente, el mismo almacén movió solo el pequeño número de zonas que contenían productos de alta frecuencia y dejó el resto intacto, terminando el traslado en dos días, y el ritmo de picking durante el pico se mantuvo más estable. La lección contraintuitiva es que más movimiento no es mejor movimiento: a medida que crece el alcance, el coste de desplazar existencias y de reaprender aumenta más rápido que el beneficio adicional, y la ganancia marginal se desvanece rápidamente, así que la ronda previa al pico más económica suele ser la que toca solo la franja más caliente del surtido.

Si una ronda mereció la pena debe juzgarse con medidas de antes y después, no con impresiones. Las medidas que vale la pena seguir son el tiempo de picking por pedido, la distancia recorrida por preparador, los picking erróneos y el retrabajo, las horas de mano de obra que consumió el propio traslado y las horas extra durante el pico. Registre la línea base de cada medida antes del traslado y compare semana a semana hasta que termine el pico. Juzgar solo por el primer día confunde fácilmente la confusión del periodo de aprendizaje con un traslado fallido, o confunde una caída natural del volumen de pedidos con un traslado exitoso.

Qué almacenes deberían hacer slotting — y cuáles deberían dejarlo en paz

Los almacenes que más ganan con una ronda previa al pico comparten varios rasgos: una gama de productos amplia, una mezcla de pedidos que cambia claramente en el pico, una alta concentración en un pequeño conjunto de productos de venta rápida, un picking principalmente manual o de personas trabajando con máquinas, y una temporada pico lo bastante larga como para amortizar el traslado. En un almacén así, mover unos pocos productos afecta a una gran parte de los pedidos, así que el beneficio tiene margen para multiplicarse. En cambio, un almacén con muy pocos productos y una mezcla de pedidos estable todo el año tiene poco que reordenar; un almacén muy automatizado debe cambiar la lógica de los equipos y las reglas de programación para mover ubicaciones, con mayor coste y mayor riesgo que un traslado manual; y un almacén cuyo pico es corto y cuyas oscilaciones de volumen pueden resolverse añadiendo personal temporal tendrá dificultades para recuperar el coste de mover y reaprender.

Según informes públicos del sector, el slotting dinámico está pasando de ser un proyecto especial que hacen unos pocos almacenes grandes a una consideración rutinaria previa al pico para más almacenes medianos, impulsado por más datos de demanda que ya están en los sistemas de gestión de almacenes, la caída de los costes de computación y una mayor concentración de pedidos en el pico. En los próximos dos o tres años, el patrón más probable es la divergencia en lugar de la adopción uniforme: los almacenes de alta frecuencia con picos largos convertirán la ronda previa al pico en una rutina anual fija, mientras que los almacenes de baja frecuencia con picos cortos mantendrán ubicaciones fijas y se las arreglarán con existencias de refuerzo temporales, y la IA pasará gradualmente de proponer un plan completo de reorganización a ofrecer pequeñas sugerencias continuas durante el año, con una revisión mayor concentrada antes del pico.

Entonces, ¿merece la pena una reorganización antes del pico? No hay una respuesta que valga para todos los almacenes. Depende de cuánto cambiará la mezcla de pedidos, de cuánto durará el pico, de cuánto stock hay que mover y de si los responsables dedicarán varias semanas después del traslado a comparar las medidas como es debido. Cuando esas preguntas pueden responderse antes de tocar ninguna existencia, la ronda merece la pena si se hace con cuidado; cuando no pueden responderse, el primer paso más útil puede no ser mover existencias en absoluto, sino registrar los datos de demanda y las medidas de picking con la suficiente claridad como para que la decisión pueda tomarse con evidencia la próxima vez.

Por Dr. Chen, investigador de la cadena de suministro

Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.