Caso destacado — Operador logístico, Bogotá
Artificial Intelligence redujo en 41 % los tiempos de despacho en una operación con 1.200 envíos diarios
Un operador logístico con centros en Bogotá y Medellín necesitaba predecir volúmenes de carga por franja horaria. Construimos un modelo de series temporales que alimenta su sistema de asignación de vehículos cada 30 minutos.
Cómo funciona el modelo de predicción de carga
El operador registraba sus volúmenes en hojas de cálculo. Cada lunes, un analista proyectaba la semana siguiente usando promedios históricos. Cuando un festivo o un evento comercial alteraba el patrón, la proyección fallaba y sobraban o faltaban vehículos.
Entrenamos un modelo Prophet ajustado con variables exógenas: calendario colombiano de festivos, histórico de promociones de sus clientes principales y datos meteorológicos de IDEAM. El modelo entrega predicciones con un intervalo de confianza del 92 % para las próximas 48 horas.
La integración se hizo a través de una API REST que consulta el ERP del cliente cada media hora. No reemplazamos su software; lo complementamos. El equipo de operaciones recibe alertas en Slack cuando la demanda proyectada supera la capacidad asignada.
Después de ocho semanas en producción, el costo de flota ociosa bajó un 28 %. Los despachos tardíos pasaron de 17 % a menos del 10 %.
Comparación de resultados antes y después del modelo
| Indicador | Antes (promedio mensual) | Después (promedio mensual) |
|---|---|---|
| Despachos tardíos | 17,3 % | 9,6 % |
| Vehículos ociosos por día | 8 | 3 |
| Precisión de proyección semanal | 64 % | 92 % |
| Horas-analista en planificación | 22 h/semana | 6 h/semana |
Clasificación automática de reseñas en una cadena con 46 tiendas
Una cadena de tiendas de moda recibía más de 3.000 reseñas mensuales entre Google, redes sociales y su propio formulario post-compra. Nadie las leía de forma sistemática. Los problemas recurrentes — tallas incorrectas, demoras en devoluciones — se detectaban semanas después.
Implementamos un pipeline de NLP que clasifica cada reseña en categorías operativas: producto, servicio en tienda, logística de entrega, devoluciones y precio. El sistema asigna una polaridad y genera un resumen semanal por tienda.
Usamos un modelo fine-tuned de BERT en español, entrenado con 12.000 reseñas etiquetadas por el propio equipo del cliente. La precisión de clasificación alcanzó el 89 % en las cinco categorías principales.
En el primer trimestre, la tienda de Unicentro identificó que el 38 % de las quejas se referían a un mismo proveedor de tallas. Cambiar de proveedor redujo las devoluciones en esa sucursal un 22 %.
Mapa de capacidades que ofrecemos
No vendemos tecnología genérica. Cada proyecto parte de un diagnóstico de datos, viabilidad técnica y retorno esperado. Estas son las áreas donde tenemos experiencia comprobada con clientes colombianos.
Predicción de demanda
Modelos de series temporales adaptados a la estacionalidad colombiana. Integración con ERPs existentes. Resultados en semanas, no meses.
Procesamiento de lenguaje natural
Clasificación de textos, análisis de sentimiento, extracción de entidades. Modelos en español colombiano, entrenados con datos locales.
Visión por computador
Inspección visual de calidad en manufactura, conteo automático de inventario en estantería, detección de anomalías en imágenes médicas.
Modelos de churn y retención
Identificación de clientes con alta probabilidad de cancelación. Segmentación para campañas de retención con presupuesto focalizado.
Automatización de documentos
Extracción de datos de facturas, contratos y formularios. Reducción del ingreso manual con OCR inteligente y validación cruzada.
Caso: detección temprana de riesgo cardiovascular en una IPS de Bogotá
Salud — Modelos predictivosUna IPS con 18.000 pacientes activos quería priorizar las citas de control cardiovascular. Los médicos revisaban historiales manualmente para decidir a quién citar primero. El proceso tomaba horas y dependía del criterio individual de cada profesional.
Construimos un modelo de gradient boosting que analiza 23 variables clínicas — presión arterial, perfil lipídico, índice de masa corporal, antecedentes familiares, adherencia a medicamentos — y genera un puntaje de riesgo por paciente.
El modelo no reemplaza al médico. Ordena la lista de pacientes pendientes de control para que los de mayor riesgo reciban cita primero. En seis meses, la IPS detectó 14 casos de hipertensión no controlada que habrían esperado entre dos y cuatro meses más para ser atendidos.
Cómo decidimos si un proyecto es viable
No todos los problemas se resuelven con inteligencia artificial. Antes de proponer un modelo, hacemos tres preguntas: ¿Existen datos suficientes y de calidad razonable? ¿El problema tiene un impacto medible en el negocio? ¿El equipo del cliente puede sostener la solución después de la entrega?
Si la respuesta a cualquiera de esas preguntas es no, lo decimos. Hemos rechazado proyectos donde la automatización con reglas simples era más efectiva que un modelo de machine learning. Eso nos ha costado contratos, pero también nos ha dado credibilidad.
Nuestro diagnóstico inicial dura entre cinco y diez días hábiles. Incluye revisión de fuentes de datos, entrevistas con los equipos operativos y un documento con recomendación técnica, estimación de esfuerzo y retorno proyectado. El diagnóstico tiene un costo fijo que se descuenta del proyecto si se decide avanzar.
Trabajamos con Python, PyTorch, scikit-learn, Hugging Face Transformers y servicios cloud de AWS y GCP. Pero la herramienta importa menos que la pregunta correcta. Un buen modelo entrenado con datos equivocados no sirve.
Cuéntenos su caso
Si prefiere contactarnos directamente:
Solar Yolanda Robles Marroquín, 2, 110111 Bogotá, Bogotá D.C., Colombia