Los contenedores retornables de carga pequeña (SLC) son un pilar de la logística sostenible. Sin embargo, sus ciclos multisitio suelen carecer de transparencia debido a la escasez de datos y las limitaciones tecnológicas. Esto aplica al menos a los SLC sin etiqueta. Nuestra última investigación presenta un novedoso enfoque basado en sensores para recopilar, extrapolar y simular datos de ubicación para SLC, lo que permite simulaciones realistas de ciclos y una toma de decisiones basada en datos sin necesidad de grandes inversiones en infraestructura.

La mayoría de los ciclos de SLC con SLC no marcados sufren de:

• No hay seguimiento en tiempo real debido al alto volumen y bajo costo de los SLC individuales.

• Renuencia a compartir datos entre los socios del ciclo, lo que limita la precisión de la simulación.

• Brechas tecnológicas en la localización interior/exterior de contenedores pequeños y sin etiquetar.

Nuestra idea: Recopilación y extrapolación de datos basados ​​en sensores

Probamos tres tecnologías de localización (GSM, BLE/GPS y A-GPS) en ciclos SLC reales para identificar la solución más rentable, escalable y precisa. Vea cómo lo hicimos:

1. Comparación de tecnología

• Las etiquetas GSM (de bajo costo, solo para exteriores) tenían dificultades con la localización en interiores y la duración de la batería.

• Los Apple AirTags (BLE/GPS) ofrecían alta precisión pero requerían extracción manual de datos y carecían de escalabilidad industrial.

• Las etiquetas A-GPS industriales (con rastreo WiFi) proporcionaron transiciones fluidas entre interiores y exteriores, pero necesitaban una infraestructura adicional para una funcionalidad IPS (sistema de posicionamiento en interiores) completa.

2. Extrapolación de datos con simulación PERT y Monte Carlo

• Datos de sensores combinados con API de navegación (Google/Apple Maps) para estimar los tiempos de rendimiento mínimo, máximo y más probable (modo).

• Se utilizaron distribuciones PERT (en lugar de distribuciones triangulares) para reducir el sesgo de los valores extremos y mejorar la precisión de la simulación.

• Se ejecutaron 10.000 simulaciones de Monte Carlo por día para identificar rutas de bajo rendimiento y oportunidades de optimización.

3. Ideas clave de la simulación:

• Encontrar ciclos de ejecución de bajo y alto rendimiento.

• Posible ajuste de planificación.



Por qué esto es importante para la industria y la investigación

• Para proveedores de servicios logísticos: Nuestro enfoque permite un seguimiento escalable y de bajo costo de los SLC sin necesidad de implementar sensores de ciclo completo, lo que reduce los riesgos y los costos.

• Para la sostenibilidad: mejores datos conducen a ciclos SLC optimizados, aumentando las tasas de reutilización y reduciendo los residuos de envases de un solo uso.

• Para académicos: ofrecemos una metodología reproducible para simular ciclos SLC en múltiples sitios, reduciendo la brecha entre los modelos teóricos y los datos del mundo real.



Lo que analizaremos a continuación:

• ¿Cómo se pueden integrar los patrones estacionales (por ejemplo, las fluctuaciones de la demanda) en las simulaciones?

• ¿Cuál es el tamaño de muestra óptimo para el seguimiento de SLC basado en sensores?

• ¿Pueden los modelos de IA/ML refinar aún más las predicciones del tiempo de rendimiento?



Nuestro trabajo es un paso hacia una gestión inteligente del SLC basada en datos, demostrando que incluso pequeñas muestras de datos pueden revelar grandes conocimientos en materia de sostenibilidad y eficiencia.



🔗 Lea el artículo completo para conocer los detalles técnicos y los resultados:  [Artículo completo]