Inteligencia Artificial aplicada a la selección predictiva de proveedores de transporte internacional: un enfoque basado en Deep Learning para cadenas logísticas resilientes

Resumen

Las empresas a nivel mundial enfrentan un desafío significativo en la selección de proveedores en el transporte internacional, debido a la incertidumbre asociada a los tiempos de tránsito, la confiabilidad operativa y la variabilidad en condiciones logísticas y geopolíticas. Esta problemática impacta la eficiencia de las cadenas de suministro y la capacidad de res puesta ante eventos imprevistos. En este contexto, el estudio tiene como objetivo desarrollar un sistema predictivo basado en Deep Learning que permita mejorar la toma de decisiones estratégicas.

La investigación se fundamenta en la metodología CRISP-DM, abarcando recolección, limpieza, integración y transformación de datos provenientes de bases SQL empresariales, plataformas de seguimiento de carga y sistemas de información geográfica. El modelo integra redes neuronales recurrentes, específicamente arquitecturas LSTM y GRU, para capturar dependencias temporales en datos históricos de desempeño, así como variables relacionadas con rutas marítimas, tiempos de tránsito y eventos logísticos. Se incorporan técnicas de normalización, selección de variables y validación cruzada para optimizar rendimiento.

Los resultados evidencian una mejora significativa en la precisión predictiva frente a enfoques tradicionales, alcanzando un error promedio cercano a ±3.4 días y alta capacidad de generalización en diferentes escenarios operativos. Asimismo, el sistema permite identificar patrones de comportamiento de los proveedores y anticipar retrasos.

En conclusión, el sistema constituye una herramienta robusta para la selección y evaluación de proveedores en entornos logísticos complejos, contribuyendo a la reducción de la incertidumbre y al fortalecimiento de la resiliencia y sostenibilidad de la cadena de suministro en el transporte marítimo internacional.