Després de treballar durant gaire bé un any en una empresa de logística on es realitzen entregues exprés en menys d’una hora a la ciutat de Barcelona vam veure la necessitat de trobar un sistema que pogués ajustar el número de transportistes disponibles en cada moment a les necessitats dels clients. Tot això podria portar a reduir les incidències i augmentar el marge operacional per així oferir major planificació i facturació als transportistes. Per aconseguir un sistema que ens pogués dimensionar la xarxa vam buscar xarxes similars o que si més no poguessin inspirar-nos. Les xarxes de taxis respondrien aquestes característiques i ens vam inspirar en el model de Carlos F. Daganzo. La nostra xarxa no transportarà persones si no comandes i a més a més cada transportista podrà transportar més d’una comanda simultàniament, el mateix que succeeix amb l’UberPool amb persones. El model que hem posat a prova sorgeix de restringir el temps total de les comandes a 60 minuts i permetre que en portin més d’una simultàniament. Així tindrem en compte velocitats, distancies, temps de recollida i entrega, previsió de la demanda ... A més a més mitjançant el factor d’actualització que dependrà dels nous clients, l’estacionalitat i el creixement orgànic dels clients podrem ajustar-nos millor a la realitat. Un cop aplicat el nostre model el vam posar a prova a la xarxa real i vam obtenir el feedback durant 7 dies, això ens va permetre extreure el dimensionament requerit per la xarxa en cada moment i poder-lo comparar amb el que nosaltres havíem aplicat. Ens vam adonar que en els moments que el nostre model no s’ajustava era a causa d’una previsió de la demanda errònia. Així doncs vam provar el nostre model amb la demanda real i vam comprovar que s’ajustava a les necessitats de la xarxa. L’aplicació del nostre model va portar a augmentar un 4% el marge operacional, reduir les incidències en les operacions i optimitzar la utilització dels transportistes. Amb la millora de la previsió de la demanda encara es podrien aconseguir més millores tant per l’empresa com pels transportistes ja que la xarxa s’adaptaria encara millor a les necessitats. Així doncs l’obtenció del model ha servit per poder dimensionar la xarxa de forma automàtica setmana rere setmana i poder anar millorant el model en totes les seves febleses.

Después de trabajar durante casi un año en una empresa de logística donde se realizan entregas exprés en menos de una hora en la Ciudad de Barcelona vimos la necesidad de encontrar un sistema que pudiese ajustar el número de transportistas disponibles en cada momento a las necesidades de los clientes. Todo esto podría llevar a la reducción de las incidencias y al aumentó del margen operacional para así poder ofrecer una mayor planificación y facturación a los transportistas. Para conseguir un sistema que nos pudiese dimensionar la red buscamos redes similares o que como mínimo pudiesen inspirarnos. Las redes de taxis responderían a estas características i nos inspiramos en el modelo de Carlos F.Daganzo. Nuestra red no transportará personas si no pedidos y además cada transportista podrá transportar más de un pedido simultáneamente, lo mismo que sucede con UberPool con personas. El modelo que hemos puesto a prueba surge de restringir el tiempo total de los pedidos a 60 minutos y permitir que lleven más de uno simultáneamente. Así tendremos en cuenta velocidades, distancias, tiempo de recogida y entrega, previsión de la demanda… Además mediante el factor de actualización que dependerá de los nuevos clientes, la estacionalidad y el crecimiento orgánico de los clientes podremos ajustarnos mejor a la realidad. Una vez aplicado nuestro modelo lo pusimos a prueba con la red real y obtuvimos el feedback durante 7 días, esto nos permitió extraer el dimensionamiento necesario para la red en cada momento y poderlo comparar con el que nosotros habíamos aplicado. Nos dimos cuenta que en los momentos que nuestro modelo no se ajustaba era a causa de una previsión de la demanda errónea. Así probamos nuestro modelo con la demanda real y pudimos comprobar que se ajustaba a las necesidades de la red. La aplicación del nuestro modelo hizo aumentar un 4% el margen operacional, redujo las incidencias en las operaciones y optimizó la utilización de los transportistas. Con la mejora de la previsión de la demanda aún se podrían conseguir más mejoras tanto para la empresa como para los transportistas ya que la red se adaptaría aún mejor a las necesidades. Así la obtención del modelo ha servido para poder dimensionar la red de forma automática semana tras semana y poder ir mejorando el modelo en todos sus puntos débiles.

After working for almost a year in a logistics company where express deliveries are done in less than an hour in Barcelona. We saw the need to find a system that could adjust the number of available carriers at any time to the needs of the customers. All this would reduce incidents and increased the operational margin to be able to offer a greater planning and billing to the carriers. To achieve a system that ajust the network we search similar networks or at least inspire us. Taxi networks would respond to these characteristics and we were inspired by the model of Carlos F. Daganzo. Our network does not transport people, it will transport packages and in addition each carrier will be able to transport more than one order simultaneously, as it happens with UberPool with people. The model that we have tested comes from restricting the total order time to 60 minutes and allowing them to carry more than one package simultaneously. Thus we will use speeds, distances, collection and delivery time, demand forecast ... Also with the updating factor we can adjust better to reality, this will depend on the new customers, the seasonality and organic growth of the customers. Once we applied our model we tested it with the real network and obtained the feedback for 7 days, this allowed us to extract the necessary adjustment for the network at each moment and to be able to compare it with the one that we had applied. We realized that at times when our model did not fit was because of a wrong demand forecast. So we tested our model with real demand and we were able to verify that it fit the needs of the network. The model application increased the operating margin by 4%, reduced operational incidents and optimized the use of carriers. By improving demand forecast, more improvements could be achieved both for the company and for the carriers as the network would adapt even better to the needs. Finally the model has provided an automatic adjustment week after week and to be able to improve the model in all its weak points.