De Datos a Decisiones: Mejorando la Operación Portuaria con Análisis Avanzado

La industria del transporte marítimo es el pilar fundamental del comercio global, moviendo entre el 80 y 90 por ciento de la mercancía mundial. En este contexto, las terminales portuarias juegan un rol crítico, actuando como nodos de intercambio esenciales. La eficiencia en estas terminales no solo impacta la economía local sino que resuena en la cadena de suministro global. Recientemente, un proyecto innovador ha aplicado la ciencia de datos para optimizar la toma de decisiones en una terminal portuaria mexicana, con resultados prometedores.

El Contexto: Operaciones en una Terminal Portuaria

Las terminales portuarias especializadas en contenedores son sistemas complejos donde se planifican atraques, se descargan y cargan contenedores, se gestiona su almacenamiento en patios y se maneja su entrada y salida. La planificación de atraques es crucial, así como la gestión eficiente de las grúas que mueven los contenedores. El proceso de estiba, es decir, cómo se apilan los contenedores, es particularmente relevante. Si un contenedor que necesita salir pronto está enterrado bajo otros, se deben realizar reacomodos, movimientos que a menudo se consideran desperdicio. De hecho, en la terminal estudiada, se estima que hasta el 75 por ciento de estos movimientos son innecesarios.

El Proyecto: Ciencia de Datos al Rescate

El objetivo principal del proyecto fue reducir estos movimientos desperdicio. Para lograrlo, se propuso proporcionar a la terminal información predictiva sobre el tiempo de permanencia de los contenedores, la necesidad de servicios aduanales y el tipo de mercancía. Esta información permite distribuir los contenedores de manera más eficiente, colocando aquellos con salida próxima en áreas accesibles y aquellos que requieren servicios aduanales en áreas designadas.

Datos y Metodología

El proyecto se basó en una gran cantidad de datos proporcionados por la terminal, que abarcaban desde 2016 hasta 2022. Se utilizaron dos bases de datos principales: una de operaciones con 2 millones de observaciones y otra de movimientos con 13.5 millones de observaciones. Además, se contó con un catálogo de consignatarios y el sistema armonizado para la clasificación de productos comerciales.

El modelado se centró en dos predicciones principales: si un contenedor requerirá un servicio aduanal en los próximos siete días y el tiempo de estadía del contenedor. Para esto, se utilizaron diversas técnicas de aprendizaje automático y procesamiento del lenguaje natural (NLP).

Procesamiento del Lenguaje Natural y Clasificación

Un aspecto destacado fue el procesamiento de la descripción de la mercancía. Se utilizó el catálogo armonizado para clasificar el 25 por ciento de los contenedores. Para el resto, se aplicó la técnica TF-IDF (Term Frequency-Inverse Document Frequency) para determinar la relevancia de las palabras en las descripciones y así inferir la clasificación. Esto permitió clasificar el 88 por ciento de la mercancía.

Además, se realizó una clasificación de consignatarios, reduciendo su número de 30,000 a 16,000 identificadores únicos mediante el análisis de grafos y algoritmos de búsqueda en profundidad (DFS, Depth-First Search).

Modelado y Resultados

Se entrenaron alrededor de 5,000 modelos diferentes, explorando ocho etiquetas y diversos algoritmos de aprendizaje automático. Dada la fuerte componente temporal de los datos, se utilizó validación cruzada oral para asegurar la robustez de los modelos.

Los resultados mostraron que los modelos desarrollados superaron el baseline actual de la terminal en la predicción del tiempo de estadía y la necesidad de servicios aduanales. Aunque las mejoras no fueron drásticas, son significativas en términos de eficiencia operativa.

Implementación y Futuro

El producto de datos está diseñado para ser entregado como una API, facilitando su integración en los sistemas existentes de la terminal. Actualmente, se está colaborando con la terminal para llevar a cabo esta implementación. Se espera que la información predictiva permita reducir los movimientos innecesarios y optimizar aún más la gestión de contenedores.

Este proyecto demuestra el potencial de la ciencia de datos para transformar la logística portuaria, haciendo que las operaciones sean más eficientes y reduciendo costos. Al aplicar técnicas avanzadas de modelado y procesamiento del lenguaje natural, se ha logrado un sistema que puede mejorar significativamente la toma de decisiones en tiempo real.

¿Quieres más detalles? Entonces mira el siguiente video: