Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo

XVI CONGRESO PANAMERICANO DE TRANSPORTE, TRFICO Y LOGISTICA Lisboa (Portugal), Julio 15-18, 2010 rea de inters: Logstica y Transporte de Mercancas

PRCTICAS EN DISTRIBUCIN DE MERCANCAS Y SU EFECTO SOBRE LA OPTIMIZACIN DE LA LOGSTICA URBANA: EL CASO DEL E-COMMERCE

Galvn, Dante. Facultad de Ingeniera, Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina. dgalvan@fio.unicen.edu.ar Martnez Lainez Clara. Optimitzaci SA. Belgrano 2687, Mar del Plata, Argentina. claralainez@yahoo.es Antn, Juan Pablo. Laboratorio de Transporte y Sistemas Territoriales, Instituto de Ingeniera. Universidad Nacional Autnoma de Mxico, Mxico D.F., jantunc@iingen.unam.mx

RESUMEN
La optimizacin de la Logstica Urbana debe realizarse en el contexto de las nuevas modalidades de consumo y de los nuevos productos cada vez ms sofisticados y con servicios logsticos de mayor valor agregado, que mantienen un impacto creciente sobre el espacio pblico urbano. Como ste es escaso, las consecuentes repercusiones a terceros, deben ser las variables relevantes para el diseo de los sistemas de distribucin urbana de mercancas. En esta problemtica son necesarias herramientas para valorar el impacto del nivel de servicio ofrecido al cliente en dos sentidos: i) desde la ptica empresarial, determinar el aumento de costos logsticos que representa y evaluar alternativas que lo minimicen; y ii) desde la ptica de las administraciones municipales, estimar las externalidades negativas generadas por las distintas prcticas logsticas y disear, como mnimo, polticas pblicas regulatorias ad-hoc. En el artculo, se sealan las principales tendencias logsticas en la distribucin urbana de mercancas (Antn, Lozano, Hernndez y Alarcn, 2007) potenciadas por el avance en las tecnologas de la informacin y las comunicaciones (TICs), derivadas de prcticas como el ECR, just-in-time y cero stock y la distribucin fsica personalizada o capilar con ventanas

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

1

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo de tiempo reducidas. En este marco se realiza una propuesta metodolgica para analizar cuantitativamente los efectos globales y externalidades (congestin de trfico, operaciones de carga y descarga, localizacin y necesidad de lugares de carga y descarga) generados por la distribucin a domicilio con ventanas temporales (Travelling Salesman Problem with Time Window, TSP-TW) en el entorno urbano en general y sobre la red de distribucin urbana de mercancas en particular (Galvn, 2002), en las prcticas del e-commerce. La metodologa est basada en las aproximaciones continuas (Daganzo, 1999) donde se determinan los principales indicadores de la demanda (volumen y cantidad de pedidos, distribucin espacial y temporal, etc.) y la oferta de servicio del sistema (cantidad y tipo de vehculos, ritmo de servicio, etc.), para finalmente realizar un anlisis basado en la teora de colas. Aplicable tanto al mbito de la planificacin urbana como al empresarial, se demuestra por qu no se ha generalizado el aumento en el nivel de servicio propuesto por los nuevos modelos de negocio e-commerce, asociados al avance de las nuevas tecnologas (TIC), y cul ha sido el papel de las administraciones municipales en los resultados; lo cual se ilustra con una aplicacin al sector retailing de la alimentacin en supermercados de formato medio al interior del tejido urbano en la ciudad de Barcelona, que se contrasta con prcticas actuales en las ciudades de Buenos Aires y Mxico DF. Palabras clave: Logstica Urbana, Distribucin Urbana de Mercancas, Servicio al Cliente y Distribucin Urbana en Comercio Electrnico.

TENDENCIAS EN LOGISTICA DE DISTRIBUCION URBANA DE MERCANCIAS Y E-COMMERCE

En logstica de distribucin fsica urbana-metropolitana de mercancas, las ocho estrategias que marcan la innovacin de los procesos son (Antn, Lozano, Hernandez y Alarcn, 2007): 1. Reduccin de inventarios mediante un sistema integrado por un solo Centro de Distribucin y un conjunto de Centros de Carga de Pedidos mediante cross-docking satlites para satisfacer niveles de servicio al cliente. 2. Desarrollo de innovadoras alternativas para el Procesamiento de Pedidos y atencin a clientes 3. Procesamiento de pedidos por lotes y limitacin a la pulverizacin de las entregas en e-commerce. 4. Desarrollo de procesos y operaciones en Logstica Inversa para satisfacer requerimientos de normas y polticas pblicas de reciclado 5. Introduccin de innovaciones de Tecnologa de la Informacin en logstica.

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

2

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo 6. innovacin en la Tecnologa de Vehculos 7. Externalizacin de operaciones mediante Operadores Logsticos con flotas dedicadas 8. Preferencia para la localizacin de soportes logsticos en Centros Logsticos

En particular, en el e-commerce existen sectores en los que la entrada de competidores punto.com -nacidos en la red-, ha provocado una incursin masiva de empresas e-tradicionales -nacidas de tiendas fsicas- que venden sus productos como parte de una estrategia de posicionamiento online. Las especiales caractersticas del pedido -volumen, picking, manipulacn, etc.- y del servicio -franjas horarias, entrega personal, entregas en planta alta, etc.- hacen que este canal de venta sea un verdadero desafo logstico para las e-empresas. Sumado a ello, los proveedores generalmente no disponen de sistemas logsticos adecuados a la manipulacin y entrega de pequeos volmenes. El e-commerce se presenta como una fuente de demanda de espacio vial, por prcticas como el ECR, just-in-time, cero stock, distribucin personalizada con ventanas de tiempo reducidas, etc., que incrementan las necesidades de transporte y pick-up-and-delivery (Robust, Campos y Galvn, 2000). La inclusin en el medio urbano de un gran nmero de furgonetas circulando medio vacas, hace que los gobiernos municipales deban cuestionar, o al menos evaluar, la viabilidad del modelo de servicio ofrecido actualmente por las tiendas virtuales (Galvn, 2002). En este escenario, las decisiones logsticas tienen importantes repercusiones econmicas y financieras no slo sobre la cadena de suministro, sino sobre todo el mbito empresarial y muchas veces determinan el xito o fracaso del negocio. La baja demanda actual y la necesidad de diferenciarse mediante el servicio al cliente, sumados al carcter crtico de las decisiones, hacen indispensable contar con herramientas para determinar los recursos necesarios y los costos asociados a cada nivel de servicio. La e-empresa no puede ajustar su nivel de servicio mediante prueba y error, porque el cliente online slo est a un click de comprar en la competencia. La baja demanda ha permitido a las e-tradicionales realizar la distribucin utilizando sus tiendas fsicas como plataformas de picking-packing de los pedidos, acercndose al consumidor, pero les impone una alta ineficiencia en los procesos de preparacin y carga de stos. Por otro lado, las punto.com (sin tiendas fsicas) deben afrontar importantes inversiones en sus centros de almacenamiento y distribucin y elevados costos de transporte para el escaso nivel de demanda. Los pedidos on-line se generan mayormente en las grandes ciudades, por lo tanto, el desafo radica en la capacidad de hacer eficientemente la distribucin capilar hasta el domicilio de un consumidor urbano. Los altos niveles de congestin presentes en la mayora de las reas metropolitanos producen una importante disminucin de las velocidades medias del trfico y,

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

3

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo consecuentemente, se reduce el ritmo de servicio y el rendimiento de los vehculos de reparto. El crecimiento sostenido de la movilidad ha generado un modelo de ciudad congestionada durante casi toda la jornada. Estos aspectos, sumados a la concentracin temporal de las entregas en determinados periodos del da, imponen al sistema de distribucin vinculado al e-commerce importantes necesidades de recursos tcnicos y humanos. Adems, el comprador virtual tipo con un tpico perfil de jvenes profesionales, aprecia la comodidad del servicio pero no est dispuesto a pagar o, en el mejor de los casos, slo pagara un precio razonable por ste.

MODELO LOGSTICO PARA EL E-COMMERCE

La estrategia de modelizacin utiliza el mtodo de las aproximaciones continuas (Daganzo, 1999) y sigue los pasos de un proceso clsico donde se determinan los principales indicadores de servicio del sistema en la demanda -volumen y cantidad de pedidos, distribucin espacial y temporal- y en la oferta -cantidad y tipo de vehculos, ritmo de servicio-, para finalmente realizar un anlisis basado en la Teora Fundamental de Colas. El modelo presenta como principal descriptor de la demanda a la densidad de clientes a visitar, por tanto, es necesario conocer la atraccin de pedidos online y la superficie que presenta cada una de las zonas del mbito de estudio. Este mbito (A) est dividido en n zonas de reparto (subndice i) que son adoptadas bsicamente de acuerdo con las caractersticas funcionales, geogrficas, econmicas (A = Ai). La metodologa asume una aproximacin continua de la funcin demanda (uniforme) en el territorio. Usando la probabilidad geomtrica es posible trabajar con distancias y costos medios que reproducen el problema real con buena exactitud. En este contexto, Daganzo (1984) propuso que es posible determinar los costos de transporte para un sistema de distribucin de un origen a muchos destinos -one-to-many- sin ventanas de tiempo a partir tres componentes: (1) un costo de parada que contempla principalmente los costos fijos del transporte, (2) un costo de acceso que tiene en cuenta la distancia a recorrer entre el origen (fbrica, centro de distribucin, tienda) y la zona de distribucin (mbito urbano, barrio), y (3) un costo de distribucin local en el interior la zona (vase Figura 1).
Li / 2

li

Origen

Zona i
Figura 1 - Efecto de las ventanas de tiempo sobre la distancia local recorrida

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

4

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo

Costo de Transporte = CS
Donde,

Envos + Clientes + CD Li + CD' li

CS : Costo por unidad de tiempo del vehculo detenido, Envos : Nmero de veces que se envan los vehculos (considera la parada en el origen), Clientes Nmero de clientes en los cuales se detienen los vehculos (considera : la parada en el destino), CD : Costo por unidad de distancia para el vehculo usado para acceder a la zona de servicio i (distancia de acceso), CD : Costo por unidad de distancia para el vehculo usado en la zona de servicio i (distancia local), Li : Distancia recorrida para ir desde el origen hasta el centro de gravedad de la zona de servicio i y volver, li : Distancia recorrida para distribuir a N clientes en la zona de servicio i.

Efectos de las ventanas de tiempo sobre la distancia local

La distancia de reparto local (li) es directamente proporcional al nmero de pedidos Ni (uniformemente distribuidos) e inversamente proporcional a la raz cuadrada de la densidad de clientes i: li = K Ni i -1/2. Si la distribucin en una zona no regular, se hace avanzando (sin retroceder) en un ancho de banda ptimo w* = (3i) -1/2, entonces ki adopta un valor de 0,9 o 1,15, para la mtrica eucldea y la mtrica L1 respectivamente (Daganzo 1984 y Daganzo 1999). Segn Robust et al. (1990), estas expectativas de distancia de reparto son representativas de recorridos construidos manualmente y se encuentran un 20% por encima de las rutas ptimas del Problema del Viajante de Comercio (Traveling Salesman Problem).

Determinacin de la densidad de demanda

Partiendo de la previsin de demanda total de pedidos online del mbito de estudio (N), se determina la distribucin geogrfica a partir de un modelo (pe: gravitatorio) que relacione explcitamente las variables representativas de la atraccin de pedidos de la zona poblacin, hogares, etc.- con una determinada funcin de costo generalizado. Es posible obtener indirectamente esta funcin a partir de la vinculacin de los ndices socioeconmicos (ingresos del hogar, nivel de estudios, tamao familiar, etc.) de la zona con variables indicativas como el equipamiento de los hogares en ordenadores y accesos a Internet, la utilizacin de las tecnologas de la informacin y comunicacin (TIC), etc. Conocido el nmero de pedidos diarios que atrae (Ni) y el rea (Ai) de cada zona i, se obtiene su densidad diaria (i).

Efectos de la cadena de suministro sobre la densidad real de clculo

Los costos logsticos de las empresas dependen entre otras variables, de la estructura interna de la empresa, la poltica de inventarios, el tipo de producto y el nivel de servicio ofrecido; estando este ltimo asociado al tipo de recepcin del pedido (vase Tabla I). El impacto urbano generado por el aumento de la movilidad, en veh-km, est vinculado principalmente con el nivel de servicio que se ofrece al cliente. Por ejemplo, una recepcin

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

5

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo personal de los productos, ms cmoda en oportunidad temporal (entrega concertada o en una ventana temporal) y/o en localizacin lugar (en domicilio o lugar de preferencia) para el cliente, implica un incremento de movilidad en el entorno urbano. Por ello, el nivel de servicio es muchas veces quien define la viabilidad del proyecto, ya que decisiones sobre pequeas mejoras de servicio, suelen tener importantes repercusiones de orden econmico para la empresa.
Tabla I - Variables logsticas afectadas por los diferentes modos de recepcin del pedido

EFECTO DEL MODO DE RECEPCIN SOBRE LA DENSIDAD DE CLCULO

Tipo Descripcin Variables afectadas Observacin
m : nmero de ventanas temporales Entrega al cliente en Tr : Duracin de la VT r persona, en el lugar y (acordada) periodo de tiempo Nir : Demanda en la VT r de acordado Necesidad la zona i (puede variar de dividir el periodo Personal entre zonas debido a la diario de reparto (T) en renta, tamao familiar, m Ventanas etc.) Temporales (VT) de ir : Densidad en la VT r de duracin Tr la zona i Ai : rea i total T : Periodo diario de reparto Entrega en el lugar Ni : Demanda diaria (domicilio, oficina, etc.) i : Densidad diaria Caja Propia y da acordado sin la Ai : rea i total (Individual o necesidad de presencia i : Tiempo de descarga, de mailbox) del cliente Sin acceso a la puerta de Ventanas Temporales cliente y de recepcin y revisin del pedido T : Periodo diario de reparto Entrega antes de un horario del da y en el Ni = Ni i : siendo Ni el e-Sucursal lugar acordado nmero de puntos de (Caja (generalmente pblico), entrega y i el nmero de compartida o por donde el cliente clientes/sucursal shared drop-off pasar a recoger el i : Densidad diaria de point) pedido Sin puntos de entrega Ventanas Temporales Ai : rea i total

Pedidos espacialmente cercanos estn temporalmente alejados debido a que corresponden a diferentes ventanas temporales

La eliminacin de la temporalidad de la demanda transforma a la cercana espacial en la nica variable real de la distancia entre clientes. A su vez, reduce el tiempo de recepcin aumento del ritmo de servicio del vehculo La eliminacin de la temporalidad de la demanda y la agrupacin de clientes en un punto, aumenta su interdistancia pero disminuye la distancia total recorrida. Reduce an ms el tiempo de recepcin aumento del ritmo de servicio del vehculo

1
Centro
Proveedor
Tienda

Recepcin Cliente
6

Personal: Puerta del cliente en m ventanas temporales (Tr , Nir , ir) Caja propia: Portal del edificio sin ventanas temporales (T , Ni , i) Caja compartida: Sin ventanas temporales (T , Ni , i) Retiro en alguna de las tiendas habilitadas: Slo es posible analizar cientficamente el pick-and-pack

2
Proveedor
Tienda

Distribucin

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

Retiro Cliente

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo

Distancia local
Daganzo (1987a y b) ha sido uno de los pioneros en la modelacin de problemas de distribucin con ventanas de tiempo, a partir de pocas variables, dividiendo el da en perodos de tiempo (como los clusters de distribucin de la empresa) y ventanas de tiempo (preferencias particulares de recepcin del consumidor). En estos trabajos el autor se centra en sistemas con demanda uniforme a lo largo de todas las ventanas temporales (demanda compensada). Segn Galvn (2002), si la recepcin es personal, se deben introducir m ventanas temporales debido a que en caso contrario, el cliente debera esperar todo el da en el lugar de recepcin, representando ello un nivel de servicio muy bajo. Ante esta alternativa, el cliente se ha inclinado por la recepcin mediante una e-Sucursal (por ejemplo, sucursales de correos, centros comerciales de buena accesibilidad, lockers en estacionamientos o miniterminales de ltima generacin como la Tower 24 de Dortmund, y las promovidas por DHL, en Alemania), autogestionndose de esta forma el momento efectivo de la recepcin. En la recepcin personal, a cada zona i del mbito modelado le corresponde en la franja horaria r, una demanda (Nir) y una densidad (ir) que dependen de ir = Nir / Ni. As, la distancia local recorrida en la zona i se puede determinar mediante la siguiente frmula:

li
Siendo,

1 / 2 K N ir ir r =1

1 / 2 ir 1/ 2 K Ni i r =1

r =1

ir

Si la entrega se lleva a cabo mediante e-Sucursales (no existe la necesidad de las ventanas temporales) que agrupan i clientes, entonces es posible determinar la distancia local recorrida mediante la siguiente frmula:

li
Siendo,

1/ 2 K N 'i 'i

N 'i

N 'i

'i

N'i Ai

La diferencia significativa de distancias de distribucin en el Ejemplo presentado ms abajo, por el solo hecho de introducir ventanas temporales (caso b) o entregar mediante esucursales (caso c) sugiere, al menos, recapacitar sobre la necesidad de conocer fehacientemente al cliente objetivo en los siguientes aspectos: se han analizado suficientemente los criterios prioritarios en su percepcin del nivel de servicio?; el cliente prioriza recibir en su domicilio an teniendo que esperar o recoger el pedido en una sucursal, con buena accesibilidad y prestaciones, en cualquier momento del da?; en definitiva, es fundamental reconocer que la ventana temporal no slo la debe cumplir el transportista.

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

7

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo

Ejemplo: a) En la situacin actual, consistente en entregar los 40 pedidos a lo largo del da, la distancia recorrida es la = 25,5 km. b) Si se decide mejorar el nivel de servicio entregando los 40 pedidos en dos ventanas temporales, una matutina de 10:00h a 12:00h (donde se ha posicionado el 70% de la demanda ir = i1 = 0,7) y otra vespertina de 14:00h a 16:00h (donde se ha posicionado el 30% de la demanda ir = i2 = 0,3), el alejamiento temporal de los puntos de entrega genera que se recorra una distancia lb = 35,2 km (lb/la = 1,38). c) Si en lugar de la decisin precedente se opta por disminuir el nivel de servicio entregando en sucursales (cajas compartidas), que renen una media de 4 clientes cada una (Ni = Ni / i = 40/4 = 10 i = 0,5 clientes/km2), entonces lc = 12,73 km (lc/la = 0,5 y lc/lb = 0,36). i1 = 0,7
Ni1 = 28 pedidos

i1 = 1,4 ped/km2 i2 = 0,3

Ni2 = 12 pedidos Ni = 40 pedidos Ai = 20 km2

i2 = 0,6 ped/km2 l b = 0,9 (28 1,4 -1/2 + 12 0,6 -1/2) = 35,2 km

i = 1 ped/km2
Mtrica Eucldea

i = 4 ped/terminal l a = 0,9 40 2 -1/2 = 25,5 km

Ni = Ni i = 40/4= 10 pedidos

i1 = 0,5 ped/ km2

l c = 0,9 10 0,5 -1/2 = 12,7 km

Figura 2 - Efecto de las ventanas de tiempo sobre la distancia local recorrida

Efectos de la ventana de tiempo sobre los envos y la distancia de acceso

Segn Daganzo (1999), la distancia de acceso Li es una funcin del nmero de envos y la distancia entre el centro de distribucin y el rea servida. En un sistema de distribucin de un origen a muchos destinos sin ventanas de tiempo (one-to-many), los envos necesarios para satisfacer la demanda (Ei) son funcin del nmero de clientes a visitar (Ni), el nmero de entregas por cliente (en este caso, 1 entrega), el volmen medio del pedido (v) y la capacidad mxima de los vehculos (Vmax): Ei = Ni [v / Vmax] = Ni / Umax. Segn Galvn (2002), si se tienen en cuenta las variables mencionadas precedentemente, la sola inclusin de ventanas de tiempo en el sistema no debera afectar a la distancia de acceso a la zona. Sin embargo, la temporalidad en las entregas generan condicionantes adicionales a la capacidad del vehculo (Umax = Vmax / v), que pueden ser determinantes en

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

8

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo el nmero de envos resultante. La principal incgnita en este nuevo problema es determinar cul es el nmero de vehculos que deben distribuir simultneamente los pedidos de cada zona de servicio en un periodo de tiempo reducido.

Vehculos necesarios para la distribucin local

La distribucin de los pedidos a domicilio es un tpico problema de colas espacialmente distribuidas con condicionantes de tipo temporal, donde, por un lado, existe una demanda en espera (espacial y temporalmente distribuida), y por otro, un nmero determinado de vehculos (servidores) que atienden esa demanda de acuerdo con su ritmo de servicio.

Ritmo de servicio de los vehculos

El ritmo de servicio de cada vehculo en la zona de servicio i durante la ventana de tiempo r (ir) es variable debido a que el tiempo medio de entrega de cada pedido (tir) tambin lo es: ir = 1/tir ; vase [1]. ste ltimo est definido por: el tiempo (pir) necesario para recorrer la distancia media entre las plazas de descarga a la velocidad media del trfico en la ventana temporal r (sir); y el tiempo de parada (i) necesario para la descarga y entrega del pedido. El tiempo tir suele ser muy elevado debido a dificultades de estacionamiento, importantes tasas de congestin, amplias zonas centrales con acceso restringido a la circulacin y excesiva prdida de tiempo por frecuentes entregas en planta alta sin ascensor y con control de accesos.

ir

1 tir

pir + i

= ki ir i

sir

1/ 2 +

i sir

[1]

La cantidad de pedidos que cada vehculo puede repartir a lo largo de la ventana temporal r, se obtiene como Cir = ir Tr, por lo tanto, la cantidad de vehculos que deben operar simultneamente para servir su demanda se obtiene mediante Eir = Nir / Cir. Si el vehculo posee una Umax tal que pueda distribuir pedidos en la totalidad de las franjas horarias, entonces entregara una cantidad Ci = m Cir. El alejamiento entre clientes generado por las ventanas de tiempo tiene como efecto inmediato la cada del ritmo de servicio de los vehculos y, en consecuencia, el aumento de los envos simultneos necesarios para servir los pedidos del periodo Tr. Las ventanas temporales tienen un efecto sobre las variables del sistema anlogo al tamao del pedido (v) expuesto en Daganzo (1987a y b): para v << Vmax o muy bajos ritmos de servicio, la relacin Nir / Cir es la determinante del nmero de envos, mientras que para v Vmax o altos ritmos de servicio, ste se obtiene mediante Umax. Segn Galvn (2002), si la distribucin se hace por medio de cajas individuales (mailboxes), el ritmo de servicio aumenta debido al incremento de la densidad (i = Ni / Ai) y la disminucin del tiempo de recepcin (tiempo de traslado del pedido desde el vehculo hasta el portal del edificioim 0,5 i). Para el sistema con cajas compartidas

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

9

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo (shared drop-off points), ste se debe obtener a partir de una distancia entre clientes proporcional a la i = Ni / Ai y el tiempo de parada del vehculo correspondiente a Ni pedidos con un im cada uno.

Tiempo de distribucin de la capacidad mxima del vehculo

Si el vehculo posee una Umax tal que slo puede repartir en algunas de las m ventanas temporales (Umax < Ni), es fundamental conocer cul es el tiempo necesario para distribuir ininterrumpidamente su carga (ir). Este tiempo est definido por la demanda de cada ventana temporal y el ritmo de servicio de los vehculos. Si se adopta el subndice u para denotar a la ventana de tiempo en la cual el vehculo finaliza su reparto, la expresin de ir respondera a la siguiente frmula (Galvn, 2002):

ir
Siendo,

U max tiu

ki i 1/ 2 Cir r / u
r =1

u 1

r / u
Siempre que,

ir 1 / 2
sir
u

iu 1 / 2
siu
.

U max Cir
r =1

El primer trmino se obtiene a partir de las caractersticas de la ltima ventana temporal servida, y el segundo trmino, de los pedidos entregados en las restantes ventanas (Cir) y un coeficiente r/u. Este ltimo es funcin de la distribucin temporal de la demanda y la velocidad media de trfico en la zona i: a velocidad constante, el signo de r/u es funcin de la distribucin de la demanda a lo largo de las ventanas temporales, por lo tanto, para demandas crecientes el signo es positivo y viceversa; si la demanda se mantiene constante en el tiempo (m ventanas temporales iguales) r/u = 0 y, por consiguiente, la frmula describe el caso analizado por Daganzo (1987a y b).

Ineficiencias del sistema de distribucin

Cuando un vehculo no dispone del tiempo necesario para repartir ininterrumpidamente su capacidad Umax (ir), por el limitado periodo de entrega disponible (Tr), el nmero de envos deja de ser slo funcin de la demanda y la capacidad mxima (Ni / Umax), para pasar a depender tambin del ritmo de servicio de los vehculos. En este caso se puede estar en presencia de lo que Galvn (2002) denomin ineficiencia del sistema y que es causada por la inclusin de las ventanas temporales en el sistema de distribucin. La ineficiencia puede tener como efecto la subutilizacin de la Umax de los vehculos (envo de vehculos semi-llenos) o, en un tiempo muerto de stos, derivado de la espera hasta el comienzo de la prxima ventana de tiempo para reiniciar el reparto. Si se subutiliza la capacidad mxima, el primer trmino de la frmula para el clculo de envos en sistemas sin ventanas de tiempo, derivada en Daganzo (1999), debe ser modificado.

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

10

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo

Ei =mximo { Ni /Umax ; Ni /Cir }

(donde Cir = ir Ti ) Veh 4
Volumen Acumulado

Veh 3
Volumen Acumulado

2 2 4 4 8
o Ritm de . ed/h =2p icio serv

1 env. 2 env. 2 env. 4 env.

8/2.1 4/2.1 4/2.1 2/2.1

1 env.
2/2.1

Veh 2

Vmx

Veh 1
T

INEFICIENCIA
Subutilizacin de los vehculos Tiempos muertos de vehculos
1=1h 2=1h 3=1h 4=1h 5=1h T

1=1h

2=1h

3=1h

4=1h

5=1h

Figura 3 Ineficiencias en el sistema de distribucin con ventanas de tiempo

Si en un sistema con m ventanas temporales de igual duracin Tr, idnticas condiciones de reparto (velocidad de los vehculos, tiempo de recepcin del cliente, etc.) y Tr < ir 2 Tr, se analizan segn pares de ventanas consecutivas, se observa que slo puede existir ineficiencia si la pendiente de la grfica de la distribucin horaria es negativa. Si estas condiciones de reparto y/o ventanas temporales no sean constantes, la probalidad de que exista la ineficiencia, depende de las combinaciones y duracin de stas. Por otro lado, an cuando Tr y Nir se mantengan constantes, pueden surgir ineficiencias debido a la modificacin de las condiciones de reparto de dos ventanas temporales consecutivas y generar un aumento del ritmo de servicio (aumento de sir y/o disminucin de i). Para conocer si se produce la ineficiencia y analizar su impacto, Galvn (2002) propone determinar la distancia xr del diagrama de volmenes acumulados (vase [2]): si Tr+1 - xr 0 no existe la posibilidad de que se produzca ineficiencia, mientras que si Tr+1 - xr > 0 podra existir un excedente de capacidad en r+1 que deba esperar hasta una prxima ventana temporal. Que la ineficiencia se confirme depende de la relacin existente entre xr, Tr+1 y ir (Tabla II).

xr

N ir +1 tg

/2

N arctg ir ir +1 Cir

[2]

Mediante xr es posible determinar el nmero de pedidos involucrado en la espera (eir) o el volumen de vaco enviado, segn la estrategia de envo adoptada y el tiempo mnimo de espera (teir) durante la ventana r+1, originado por los envos de la r. Para decidir sobre la estrategia de envo, se debe conocer el nmero de vehculos involucrados en la situacin de ineficiencia que coincide con el nmero de envos simultneos (Eir). Este tipo de ineficiencias tiene su origen en los marcados periodos punta de la demanda y en el bajo ritmo de servicio de sus vehculos producido por un alto tiempo medio de entrega (tir).

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

11

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo

eir

ir N ir
Tr
e t ir =

N ir

N ir +1

Tir +1

xr

Clculo de la distancia de acceso mediante un umbral de decisin

La metodologa propuesta por Galvn (2002) se basa en la adopcin de un umbral de decisin consistente exclusivamente en el tiempo muerto mximo admisible de los vehculos involucrados en las situaciones de ineficiencia. Generalizando, sta es aplicable en los casos en que el tiempo de reparto de la capacidad mxima del vehculo es superior al tiempo de distribucin disponible, o sea, cuando Ni > Ci y Umax > Ci (o lo que es lo mismo i > T). Si i T el clculo de los envos se reduce a un caso de distribucin de uno a muchos sin ventanas de tiempo y es aplicable la metodologa propuesta por Daganzo (1999). La metodologa analiza las configuraciones que se presentan entre ventanas temporales consecutivas y su efecto sobre el aprovechamiento de la Umax de los vehculos. La Tabla II (Galvn, 2002) muestra las posibles situaciones entre dos ventanas de tiempo consecutivas y ayuda a definir la metodologa de clculo del nmero de envos, considerando al umbral (Hi) como el mximo periodo de espera aceptable. El umbral de decisin es una buena herramienta para evaluar objetivamente la estrategia de envo a utilizar en cada caso (vehculos llenos o no). Este umbral puede variar entre 0 y Tr+1 dependiendo de los resultados econmicos de cada estrategia posible: si Hi = 0, la estrategia adoptada es la de enviar vehculos con un porcentaje de Umax y, consecuentemente, no existen tiempos muertos (o de espera); si Hi = Tr+1 surgen tiempos muertos a causa de que se ha optado por enviar siempre vehculos llenos; y si 0 < Hi < Tr+1, la estrategia de envo se adopta segn si la ineficiencia se produce dentro del umbral (envo de vehculos llenos) o fuera de ste (envo de vehculos semi-llenos).
Tabla II. Seleccin de la metodologa de clculo del nmero de envos para cada ventana de tiempo

Nota: Tabla no es vlida para el anlisis de la ltima ventana de tiempo (subndice U), ya que si sta no es abastecida ntegramente por vehculos enviados en TU-1 y ir > TU, siempre genera vacos.

ELECCIN DE LA METODOLOGA DE CLCULO DEL NMERO DE ENVOS Relacin Relacin Determinacin del nmero Duracin Demanda entre xr, Tr y entre Tr+1, xr y Caso de envos en cada ventana Tr y Tr+1 Nir y Nir+1 Hi de tiempo ir ---1a Tr+1 xr Hi A partir de Daganzo (1999) 1b Nir > Nir+1 Tr + xr ir Tr+1 xr > Hi A partir de Galvn (2002) 1c Tr + xr < ir Tr Tr+1 ---2a Tr+1 xr Hi A partir de Daganzo (1999) 2b Nir Nir+1 Tr + xr ir Tr+1 xr > Hi A partir de Galvn (2002) 2c Tr + xr < ir ---3a Tr+1 xr Hi A partir de Daganzo (1999) 3b Nir > Nir+1 Tr + xr ir Tr+1 xr > Hi Tr > Tr+1 A partir de Galvn (2002) 3c Tr + xr < ir A partir de Daganzo (1999) No existe ineficiencia en Tr+1 4a Nir Nir+1

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

12

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo La frmula propuesta por Galvn (2002) para el clculo del nmero de envos en un sistema de distribucin en el cual se producen ineficiencias se compone de la siguiente manera: el primer trmino considera las ventanas en las cuales no se producen ineficiencias (subndice r) y calcula el nmero de envos en funcin de Umax, mientras que el segundo tiene en cuenta las ventanas que si se producen (subndice r) y calcula los envos en funcin de Cir. Una vez conocido el nmero de envos, la distancia de acceso recorrida diariamente (Li) se obtiene de multiplicar a ste por dos veces la distancia (i) entre la zona de servicio y el centro de distribucin del cual salen los vehculos: Li = 2 Ei i. Este mayor nmero de envos no slo afecta la distancia de acceso sino que tambin genera un aumento de las paradas del sistema.

Ei

N i

1 U max

mm' m' ir + r =1 r '=1

ir'
Cir'

X ir '+1

[3]

Donde,

r : Ventana de tiempo que cumple con la condicin 1a/b, 2a/b, 3a/b o 4a, r : Ventana de tiempo que cumple con la condicin 1c, 2c o 3c (incluida la ltima), m : Nmero de ventanas de tiempo en las cuales existe alguna situacin de ineficiencia, Xir+1 : Si del anlisis deI par de ventanas de tiempo r+1 y r+2 surge que no existe ineficiencia Xir+1 = ir+1 / Umax, pero s existe, Xir+1 = (ir+1 / Cir+1) - Xir+2.

Efectos de las ventanas de tiempo sobre el nmero de paradas

Segn Daganzo (1999), el nmero total de paradas de los vehculos (Si) en la distribucin de un origen a muchos destinos sin ventanas de tiempo, est directamente relacionado con el nmero de clientes a visitar y la cantidad de envos necesarios para cumplir con el nivel de servicio ofrecido: Si = Ni [1 + 1/Umax] = Ni + Ei. La introduccin de las ventanas temporales en el sistema puede afectar solamente al segundo trmino, por lo tanto, la expresin final depende de la estrategia a seguir en el tratamiento de las ineficiencias. Si se distribuye con vehculos semi-llenos se produce un aumento de los envos, mientras que si se lo hace con vehculos llenos, posiblemente redunde en la generacin de tiempos muertos.

Clculo del nmero de paradas mediante un umbral de decisin

Al igual que la metodologa de clculo del nmero de envos, se considera un umbral de decisin basado en el tiempo de espera mximo de los vehculos. Ante una situacin de ineficiencia, el valor del umbral da como resultado que:

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

13

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo - Hi = 0. Se opta por eliminar los tiempos muertos enviando los vehculos semillenos, por ello, el aumento de paradas es producido por el incremento de los envos (Ei a partir de la Frmula [3]). - Hi = Tr+1. Se envan vehculos llenos y esperan siempre que sea necesario. El nmero de paradas est influenciado por el efecto de la ltima ventana temporal sobre Ei y una cantidad diaria equivalente a paradas de entrega (qi): Si = Ni + Ei + qi. El ltimo trmino representa los tiempos muertos generados por las situaciones de ineficiencia. El nmero de paradas es posible calcularlo mediante la Frmula [4] (Galvn, 2002), que tiene en cuenta el aumento de envos generado por la ltima ventana temporal (factor entre corchetes):
= Ni 1 + U max
m''

Si
Siendo,

mm' m' ir + r =1 r '=1

m''

ir'

X ir '+1 + Cir'

qi

[4]

qi
Dnde,

r ''=1

qir ''

r ''=1

eir'' t e ir'' .

[5]

r : Ventana de tiempo que cumple con 1a3, 2a3 o 3a3, qir : Paradas equivalentes de cada ventana temporal.

- 0 < Hi < Tr+1. Los vehculos se envan llenos o semillenos segn se produzca la ineficiencia dentro o fuera del umbral adoptado y el nmero de paradas (Si) se calcula considerando el efecto para cada caso en particular. Las configuraciones que cumplan con la condicin: Tr+1 -xr > Hi, generan un mayor nmero de paradas debido al aumento de la cantidad de envos; si Tr+1 -xr Hi, se debe analizar segn la Tabla III y si existe la ineficiencia, Galvn (2002) propone tratar los tiempos muertos como paradas equivalentes, qir (Frmula [5]).
Tabla III - Anlisis de las posibles ineficiencias para cuando Tr+1 xr Hi

Duracin Tr y Tr+1

Tr Tr+1

Tr > Tr+1

CLCULO DE LAS PARADAS EQUIVALENTES PARA Tr+1 - xr Hi Clculo de las Demanda Relacin entre Relacin entre Caso paradas equivalentes Nir y Nir+1 xr y Tr+1 xr, Tr y ir qir 2 No existe Ineficiencia Tr + xr ir 1a Nir > Nir+1 Tr+1 > xr A partir de Galvn 3 Tr + xr < ir (2002) ----1 Tr+1 xr No existe Ineficiencia 2 Tr + xr ir 2a Nir Nir+1 Tr+1 > xr A partir de Galvn 3 Tr + xr < ir (2002) ----1 Tr+1 xr No existe Ineficiencia 2 Tr + xr ir 3a Nir > Nir+1 Tr+1 > xr A partir de Galvn 3 Tr + xr < ir (2002)

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

14

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo

Flota de vehculos
El tamao de la flota mnima necesaria para servir la demanda de acuerdo con el nivel de servicio ofrecido es una importante variable en los costos de transporte. En la distribucin diaria, la ventana temporal de mayor demanda es representativa de la mnima cantidad de vehculos que deben servir simultneamente, pero la flota mnima del sistema depende tambin de la posibilidad de reutilizacin de los vehculos en varias ventanas. La distancia de la zona de reparto al almacn es una de las componentes determinantes de esta reutilizacin de los vehculos. La flota mnima define en muchos casos variables tales como el nivel de servicio a ofrecer, as como la estrategia a seguir respecto de la gestin de la flota (propia o externalizada). Por ejemplo, en Barcelona el sitio capraboacasa.com, tienda virtual del sector alimentacin ofrece ventanas temporales de entrega pero limita la demanda en cada una de ellas (Nir), o sea, los clientes slo pueden elegir entre las disponibles. El objetivo de esta estrategia es evitar la formacin de ventanas temporales con demanda superior a la capacidad de reparto de la flota disponible, pero sin duda disminuye el nivel de servicio al cliente. La flota mnima est definida por: la duracin (Tr); la distribucin de la demanda en las ventanas temporales (ir); el tiempo de reparto de la Umax (ir); y el tiempo necesario para que un vehculo, despus de repartir su carga, est nuevamente en condiciones de entregar en la misma zona (ir). Este ltimo debe tener en cuenta el tiempo de recarga en el almacn () y el de viaje (ida y vuelta) entre la zona y el almacn (2i): ir = + 2i / sir. El tiempo total de reutilizacin se puede adoptar como Rir = ir + ir. S el vehculo enviado en la ventana de tiempo r es afectado por una situacin de ineficiencia, el primer trmino de la frmula debe ser cambiado por el tiempo necesario para repartir la cantidad cir (Tr+xr unidades). El efecto de las ventanas de tiempo y el de reutilizacin de los vehculos, podran generar la necesidad de sobredimensionar la estructura logstica (vehculos, conductores, etc.).

Metodologa de clculo de la flota de vehculos

Si se considera que Tr < Rir Tr+Tr+1, la flota mnima (f) est definida por la demanda de envos de las dos ventanas de tiempo consecutivas ms desfavorables. El modelo analiza los volmenes acumulados de ventanas temporales consecutivas (de dos en dos), considerando que la distribucin comienza en la primera (r) con tantos vehculos como sta necesite (Eir). La expresin obtenida tiene en cuenta la demanda de cada ventana temporal y el ritmo de servicio de los vehculos, implcito en la cantidad de pedidos (Cir) que cada uno de ellos puede entregar durante Tr es calculada en la frmula [6]:

N ir Cir

N ir

N ir +1

N ir U max Cir

[6]

Cir +1

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

15

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo Segn Galvn (2002), si el volumen mximo est compuesto por la ventana de mayor tiempo (Nimax), el clculo se debe hacer de acuerdo con el anlisis de los volmenes anterior y posterior; pero si no est compuesto por Nimax, se debe incluir un clculo adicional para esta alternativa segn la Tabla IV:
Tabla IV - Clculo de la flota mnima cuando Tr < Rir Tr + Tr+1

CLCULO APROXIMADO DE LA FLOTA MNIMA CON Tr IGUALES Volmenes acumulados por Clculo con Relacin entre Clculo con Clculo con pares de ventanas temporales Nir + Nir+1 Nimax-1 y Nimax+1 Nimax + Nimax- Nimax + Nimax+1 Nir + Nir+1 > Nimx + Contigua Nir + Nir+1 Nimax + Contigua SI NO Nimax-1 Nimax-1 Nimax-1 Nimax-1

Nimax+1 < Nimax+1 Nimax+1 < Nimax+1

SI SI SI SI

NO SI NO SI

ESTUDIO DE CASOS EN EL SECTOR RETAILING EN ALIMENTACIN

Aplicacin del modelo al Caso de Barcelona
Galvn (2002) aplic el modelo a la distribucin de pedidos del sector de la alimentacin en un continuo urbano de aproximadamente 100 km2 que incluye la ciudad de Barcelona y su rea metropolitana conurbada confinada entre la Sierra de Collserolla y el mar, que incluye los distritos de Hospitalet de Llobregat, Cornell de Llobregat, Esplugues de Llobregat y Sant Adri de Bess. Este rea de estudio, definida por el recorrido de la Ronda del Litoral (cinturn costero) y la Ronda de Dalt (cinturn interior), tienen la coherencia funcional y la poblacin necesarias para evaluar el impacto del e-commerce sobre el entorno urbano de Barcelona. La renta familiar (RF) de los diferentes radios censales de la zona vara entre 1.730 /mes y 4.400 /mes, mientras que la poblacin con estudios universitarios, medios y/o superiores (NES) vara entre el 4% y el 38%.

Distribucin urbana de mercancas y velocidades de trfico

La estructura de la vialidad de la ciudad muestra una importante diversidad en cuanto a trazado geomtrico y dimensiones. El ancho medio de la vialidad de los distritos es de 8,3 m (1.300 km) y vara desde los 13 m en el Eixample (cuadrcula ortogonal diseada por Cerd en el siglo XIX) hasta los escasos 5,5 m de Ciutat Vella (casco antiguo). Segn el estudio de 8 zonas piloto de la Ciudad de Barcelona (Prointec, 1997), en sta haba un volumen mayor a 100.000 operaciones de carga y descarga (C/D) diarias y eran las responsables de un alto porcentaje de la ocupacin del viario. La ciudad necesitaba ms de 4.000 plazas de estacionamiento dedicadas exclusivamente a las operaciones de C/D, es decir, exista un dficit de plazas que representaba entre un 10% y un 15% del total necesario para las operaciones diarias.

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

16

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo Segn Galvn (2002), durante el ao 2000, en el mbito de estudio se realizaban aproximadamente 146.680 operaciones de carga y descarga por da. El primer periodo punta en la distribucin horaria se presentaba entre las 9:00h y las 14:00h y en l se destacaba un mximo absoluto de aproximadamente el 12% de las operaciones diarias (de 10:00h a 11:00h). El segundo periodo va de 16:00h a 19:00h y presenta un mximo relativo cercano al 50% del anterior (de 17:00h a 19:00h). De la comparacin entre Prointec (1997) y DOYMO (1991) surge que la cuota relativa de las operaciones de descarga acumuladas a lo largo del tiempo (90% del total de operaciones) han disminuido considerablemente para los periodos de 0:00h a 8:00h y de 8:00h a 11:00h. En el segundo periodo horario la disminucin es sin duda causada por la falta de espacio y condiciones necesarias para realizar una descarga acorde a las necesidades. Las empresas se van adecuando a las condiciones del entorno, ya que si no pueden descargar durante determinado horario lo hacen en los perodos valles. En este contexto una pendiente constante en el periodo 8:00h a 20:00h denotara una congestin del espacio pblico destinado a C/D, distribuida uniformemente a lo largo del da. La velocidad media de trfico, afectada por los altos niveles de congestin, vara entre 12,5 km/h (de 14:00h a 16:00h y de 18:00h a 22:00h) y 14,5 km/h (de 10:00h a 14:00h y de 16:00h a 18:00h). En los flujos de trfico de vehculos ligeros existe un efecto de atenuacin de las horas punta, similar al producido en la distribucin urbana de mercancas, derivado de los niveles de congestin en determinados periodos horarios.

Caractersticas del sector

El producto de este sector est conformado por un componente fsico (por ejemplo, un artculo en el anaquel del supermercado) y un componente de servicio que vincula a la empresa con el cliente (por ejemplo, reparto a domicilio segn determinadas ventanas temporales), por lo tanto, se lo debe ubicar dentro de las organizaciones mixtas que proveen bienes y servicios.

Caractersticas de los pedidos

Las caractersticas del pedido, as como de los productos que lo conforman, condicionan la estructura logstica necesaria para llegar al consumidor final y el nivel de servicio a ofrecer. Galvn (2002) propuso clasificar los pedidos de las tiendas virtuales en funcin de variables logsticas como, por ejemplo, el costo de mantenimiento de inventario, el costo de almacenamiento, el picking-packing y la demanda. En este aspecto, el pedido online del sector de la alimentacin, cuenta con caractersticas tan especiales que hacen que este canal de venta sea un verdadero desafo logstico para las empresas de e-commerce. ste est compuesto por un nmero alto de referencias (entre 40 y 50), que requieren diferentes condiciones de manipulacin (cadena de fro, tipo de packaging, etc.). El elevado nmero de referencias por pedido y el limitado tiempo disponible para la preparacin, genera la necesidad de que el cliente obligatoriamente, ante la falta de un

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

17

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo producto, acepte la posibilidad de sustitucin (sustituir por igual marca distinto tamao, sustituir por distinta marca igual tamao, etc.), o no. An con una alta tasa media de cobertura de cada artculo (TC), la tasa media ponderada del pedido tiene valores muy reducidos. Por ejemplo, si TC = 0,99, el 80% de los pedidos est compuesto por 40 artculos y el 20% restante con 20 artculos, la tasa media ponderada de cobertura sera 0,7. El pedido online tipo presentaba, en el ao 2002, un valor medio de 96 (72 para la venta tradicional), y estaba compuesto por una media de 6,5 unidades de manejo que, en el vehculo, representaban un volumen de aproximadamente 0,96 m3.

Caractersticas del servicio ofrecido al cliente

Los supermercados e-tradicionales en Barcelona, como Hipercor y Caprabo, procesan los pedidos en los centros comerciales y desde all los envan al domicilio de recepcin. El picking es realizado por un empleado que recorre las estanteras y coloca los productos en cajas de diferente color y tamao (segn el tipo de manipulacin). La ineficiente forma de realizar el proceso, da como resultado un rendimiento medio de 2 ped/h-persona y un coste de 7,5 /h (Sabri, 2001). En el mbito de estudio existe una importante diversidad de niveles de servicio al cliente, que va desde la posibilidad de elegir 1 de las 6 ventanas de tiempo de 2 horas que se extienden desde las 10:00h a las 22:00h, hasta aqullos que entregan a lo largo de un periodo de 12 horas (10.00h a 22.00h). Por otro lado, todos los e-tradicionales daban como alternativa la recogida del pedido en determinadas tiendas fsicas, pero no exista uniformidad en la poltica de cobro, ya que mientras unos cobraban 2 /pedido otros lo hacan de forma gratuita, asumiendo de esta forma los costos de picking en la tienda (muchas veces considerado como a costo marginal). Si bien no todas las compaas del sector ofrecen la alternativa de reparto en ventanas temporales seleccionadas por el cliente, se considera que ste sera el mnimo adecuado para que el canal de venta online gane cuota de mercado al canal tradicional. El servicio modelado coincide con el que el mayor supermercado virtual del mbito de estudio, capraboacasa.com, tena en el ao 2002: 5 tiendas preparadoras de pedidos que cubran sendas zonas de servicio con reas muy diferentes entre s que presentaban formas muy influenciadas por la existencia de vas rpidas; y entrega con 6 ventanas temporales de 2 horas entre las 10:00h y las 22:00h. La distribucin geogrfica de la demanda se realiz mediante un modelo gravitatorio que consideraba variables socio-econmicas como el nmero de hogares principales, la renta y el tamao familiar, el nivel de estudios superiores y el equipamiento de los hogares en tecnologas de la informacin y las comunicaciones (PCs, conexiones a Internet connection, etc.). La distribucin por barrios muestra los siguientes porcentajes de la demanda: el Eixample el 17,6% (RF = 2.977 /mes y NES = 24,6%); Sarri-Sant Gervasi el 16,8% (RF = 4.397 /mes y NES = 38,1%); la Ciudad de Hospitalet el 9,7%; Sant Mart el 8,7%; Les Corts el 8,5%; Horta-Guinard el 7,7%; y el resto con el 31%.

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

18

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo
Tabla V. Clculo de la flota mnima cuando Tr < Rir Tr + Tr+1

ESTRUCTURA LOGSTICA Y SERVICIOS OFRECIDOS POR CAPRABOACASA.COM Concepto Descripcin Observaciones a. Ventanas temporales de 2 horas (el cliente puede seleccionar de las que estn disponibles) b. Ventanas temporales de 6 horas c. Retiro en las tiendas 1. C. Comercial LIlla Centros 2. C. Comercial Amadeu Torner Comerciales preparadores 3. C. Comercial Moragues en el mbito 4. C. Comercial Antoni Costa i de estudio Cuixart (ao 2002) 5. C. Comercial Carretera de Cornell Vehculos Propios e identificados con la tienda electrnica (1 chofer y 1 acompaante por vehculo) Tiempo de carga en C. Comercial Variables de entrega Tiempo ocupacin plaza de estaciona
Ao 2002 (6 ventanas). En caso de estar disponible, desde las 10:00h a las 22:00h; Costo de entrega de 6 para pedidos < 90 y gratis para pedidos > 90 . Actual (4 ventanas). En caso de estar disponible, de 10:00h a 12:00h, de 14:00h a 16:00h, de 16:00h a 18:00h, de 20:00h a 22:00h; Costo de entrega de 6 para pedidos < 100 y 4 para pedidos > 100 . Ao 2002 (2 ventanas). De 10:00h a 16:00h y de 16:00h a 22:00h; Costo de entrega de 6 para pedidos < 90 y gratis para pedidos > 90 . Ao 2002 hasta la actualidad. Retiro en los 5 Centros Comerciales; Sin costo para el cliente. Zona. Superficie = 11,7 km2; Cuota de la Superficie Total = 13,5%; Cuota Demanda Total = 26,5%. Zona. Superficie = 27,3 km2; Cuota de la Superficie Total = 31,6%; Cuota Demanda Total = 26,7%. Zona. Superficie = 6,8 km2; Cuota de la Superficie Total = 7,9%; Cuota Demanda Total = 10,8%. Zona. Superficie = 25,9 km2; Cuota de la Superficie Total = 30,1%; Cuota Demanda Total = 27,4%. Zona. Superficie = 14,6 km2; Cuota de la Superficie Total = 16,9%; Cuota Demanda Total = 8,6%. Umax = 10 pedidos (11 m3). Capacidad mxima real = 6 pedidos (para evitar tiempos de picking en la plaza de descarga). 3 niveles de temperatura (productos refrigerados, congelados y secos). 5,3 min/pedido. i 12 min. (35% para el estacionamiento, pick-pack en el vehculo y desplazamiento desde la plaza hasta el portal del edificio y 65% para el transporte desde el portal del edificio hasta la puerta del cliente, y la recepcin y revisin del pedido por parte de ste). mbito de estudio. H media de edificacin = 3,9 pisos y porcentaje de ascensores = 29,3% del total Destino tipo del pedido online. H media = 2,2 pisos y Cuota de ascensores = 38% de la demanda

Servicios de entrega

Caractersticas fsicas
ST. JOAN DESP ST. JUST DESVERN

ESPLUGUES

5
CORNELL HOSPITALET

Horta Guinard Les Corts Sarri

3 4
Grcia

Nou Barris Sant Andreu

1 2

BARCELONA
Sants Montjic Eixample Ciutat Vella

Sant Mart

ST. ADRI BESS

EL PRAT DE LLOBREGAT

mbito de estudio Lmite zona de servicio

Centro de distribucin Vas rpidas

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

19

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo En funcin de esta cobertura y de los resultados del modelo de distribucin, se determin la existencia de tres zonas (1, 2 y 3) que sumaban el 80,6% del total y se repartan la demanda en cantidades casi iguales. Esto busca un equilibrio en la necesidad de recursos de los principales supermercados preparadores de pedidos, pero genera que la zona 1 tenga una superficie del 45% de las zonas 2 y 3 (1 > 2 3).

Caractersticas de la demanda
La significativa divergencia entre las previsiones de trasvase del mercado tradicional al e-commerce en general y del sector de la distribucin de mercancas en particular (entre 1% y 10%), implic la adopcin de un amplio espectro de escenarios de demanda. En funcin del nivel de ventas en el mbito de estudio (aproximadamente 7,34 M./da durante el ao 2001), el coeficiente de da punta y el importe del pedido tipo, el 1% de las ventas diarias medias de los supermercados representaba aproximadamente 916 pedidos. Los escenarios modelados contemplan demandas que varan entre 916 pedidos/da (1% de transferencia) y 9.160 pedidos/da (10% de transferencia) y, para cada una de estas cuotas de trasvase, 10 hiptesis de segmentacin de Mercado, que van desde la concentracin de las ventas en una sola empresa (I) hasta el reparto en diez empresas (X). A pesar de la imposibilidad de que se concentre el mercado en una sola empresa, el escenario I es necesario para mostrar el impacto de la atomizacin del sector sobre el sistema de distribucin. La hiptesis II (2 empresas con el 50% del mercado) muestra un probable reparto de mercado y representa la situacin ms desfavorable si existen slo dos e-tailer en el mbito de estudio. Para el escenario X, se ha considerado una hiptesis que reparte las ventas en 10 e-tailer, concentrando el 65% del mercado en las 3 principales (Xa) y otra que considera 10 empresas con igual cuota de mercado (Xb) y cubre el escenario de distribucin ms desfavorable desde el punto de vista urbano.

Resultados de la aplicacin del modelo

La modelizacin de dos capacidades mximas (real y nominal) de los vehculos cubre las estrategias que actualmente se utilizan para la distribucin en el mbito de estudio. Esta modelizacin permiti analizar los resultados desde dos perspectivas diferentes, la urbanstica y la empresarial. 1. Distancia local La distancia local, desde el punto de vista del impacto urbanstico, presenta una sensibilidad similar al aumento de la demanda como a la segmentacin del mercado. El aumento de distancia para un incremento del 1% al 10% de trasvase (abastecido por una sola empresa) es idntico que para el incremento de 1 empresa a 10 empresas en el escenario del 1% de trasvase (de 1-I a 1-Xb). Esto demuestra que la segmentacin del mercado debe ser tenida muy en cuenta en el anlisis de la distribucin urbana generada por el e-commerce. Por otro lado, la capacidad del vehculo no tiene incidencia sobre la distancia local.

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

20

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo La mayor distancia local por unidad transportada le corresponde a los escenarios 1-Xa y 1-Xb (10 empresas y trasvase del 1%) con 2,97 km/pedido y 3,25 km/pedido respectivamente. La estructura vial y la demanda generan una distribucin de la distancia local, en la cual Sarri-Sant Gervasi (Ki = ki 1,75 = 1,58) y el Eixample (Ki = ki 1,52 = 1,36) son los ms solicitados con el 13% y el 12% respectivamente. El tejido vial, tpico de los cascos antiguos, de Ciutat Vella (Ki = 2,26) hace que represente el 4,3% de la distancia, cuando la demanda slo es del 2,1%. 2. Rendimiento de los vehculos Para la capacidad real Umax = 6 ped, las ventanas temporales no presentan casi influencia sobre el rendimiento de la capacidad mxima, debido a que en general ir < Tr. Para la nominal Umax = 10 ped, las ineficiencias son significativas para bajas demandas y/o alta segmentacin del mercado, dando como resultado en estos casos que la distribucin se realiza en su gran mayora con vehculos semi-vacos. Las ineficiencias se observan claramente al comparar las modelizaciones, ya que mientras para Umax = 6 ped los rendimientos estn entre el 92% y el 100%, para Umax = 10 ped stos varan entre el 66% y el 97%. El ritmo de servicio supera los 8 pedidos por ventana temporal (2h), para altas demandas y baja segmentacin del mercado, pero desciende hasta menos de 5 ped/franja si estas condiciones no se cumplen. Este reducido ritmo de servicio es causado por la baja velocidad de trfico y los altos tiempos de entrega del pedido (tiempo de ocupacin de plaza, i). Considerando el tiempo necesario para acceder desde el centro de distribucin a la zona servida y el tiempo de recarga, el rendimiento neto de los vehculos es muy bajo an para demandas altas: para N = 9.160 pedidos y una sola empresa en el mercado (10-I), ste es de 5,2 pedidos/ventana para Umax = 6 pedidos y de 5,6 pedidos/ventana para Umax = 10 pedidos. Para niveles de demanda y segmentacin similares a las actuales (N = 916 pedidos y 4 empresas en el mercado, 1-IV), el rendimiento es de 4 pedidos/ventana para ambas Umax.

3,0 2,8 2,6

Rendimiento (ped/h)

2,4-2,6 2,2-2,4 2,0-2,2 1,8-2,0 1,6-1,8 10 7 Xa IX VIII VII VI V IV Hipte sis de reparto de
T ra s va se

2,4 2,2 2,0 1,8 1,6 1,4 1,2 1,0

III II mer cado 1 I 4

Figura 4 Rendimiento medio de los vehculos considerando la recarga en la tienda (Umax = 6 ped/vehculo) Fuente: Robust y Galvn (2005)

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

21

(%)

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo 3. Nmero de envos y distancia de acceso

El rendimiento para vehculos con Umax = 6 pedidos es, en general, muy superior que para vehculos con Umax = 10 pedidos, pero el nmero de envos tambin lo es en un porcentaje apreciable. Por ejemplo, si la demanda se mantiene en 916 pedidos (1% de trasvase) y se sigue utilizando la poltica de transportar como mximo 6 pedidos por vehculo, las empresas tienen que realizar entre un 51% y un 20% ms de envos que si utilizaran la capacidad nominal. La estructura logstica del supermercado virtual estudiado presenta supermercados demasiado alejados de la zona abastecida. Por ejemplo, la forma de la zona de servicio 2 y la lejana ubicacin de la tienda respecto de su centro de gravedad, implica que genere el 36% de la distancia de acceso total frente al 25% de la zona 1 (con similar demanda). El tiempo medio que necesita el vehculo para acceder, desde la tienda preparadora, a la zona de reparto es de 13,4 minutos. Para Umax = 6 ped/veh, la distancia de acceso media vara entre 0,94 km/pedido (altas demandas y/o baja segmentacin) y 1,04 km/pedido (bajas demandas y/o alta segmentacin), mientras que para Umax = 10 ped/veh, sta vara entre 0,58 km/pedido y 0,92 km/pedido. La distancia de acceso podra ser reducida mediante la adopcin de otra tienda de distribucin o con la reestructuracin de las zonas de servicio. Para bajos niveles de demanda, es posible realizar el picking-packing en las tiendas a coste marginal. Para altas demandas los centros deben ser dedicados y con tecnologa especfica para pequeos volmenes, por lo tanto, es necesario asumir una alta inversin inicial y elevados costos de funcionamiento. 4. Costos logsticos Segn Galvn (2002), la baja productividad de los actuales procesos de picking-packing en las tiendas slo se justifica por las bajas demandas existentes (menos del 1%), ya que permite a las empresas considerar estos costos como marginales. No obstante, los costos reales del servicio de entrega a domicilio eran de 17 /pedido, lo cual representa aproximadamente el 15% del monto medio de la compra domstica on-line. De este costo de distribucin total, el 78% (13,26 ) corresponde a la distribucin propiamente dicha (vehculo, conductor y acompaante). Si se tiene en cuenta que el margen de ganancia del sector no supera el 5% del valor de la venta y que en el mbito de estudio la entrega ms cara es de 6 /pedido (para rdenes de compra menores de 96 ), el e-logistics actual resulta muy poco sostenible para grandes niveles de demanda. Por otro lado, la necesidad de espacio en las tiendas (aproximadamente 1 m3/pedido) genera otro punto conflictivo para la estrategia de los e-tradicionales. 5. Demanda de plazas de carga y descarga La entrega de pedidos, con un tiempo medio de ocupacin de plaza cercano a los 12 min, genera una demanda de caractersticas similares a la actual, salvo en Les Corts (16 min), Sarri (18 min), la Ribera (23 min) y Balmes (6 min). En trminos generales el e-commerce de este sector genera, respecto de las operaciones de carga y descarga del ao 2000

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

22

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo (916 pedidos online sobre 146.860 operaciones/da), un aumento del 0,6% por cada punto porcentual que se trasvasa desde el comercio tradicional al on-line. Para un trasvase del 10% y teniendo en cuenta la deficiencia de plazas de carga y descarga detectada en Prointec (1997), el dficit total rondara el 20% de la demanda total del mbito de estudio. No obstante este ndice general, el e-commerce tiene una fuerte concentracin, tanto sobre el espacio fsico como sobre el temporal, ya que se acenta en determinadas zonas del mbito y franjas horarias del da. La entrega se concentra en los periodos de 10.00h a 12.00h y de 20.00h a 22.00h, y cada uno representa como mnimo el 30% de las operaciones diarias. El aumento de plazas en el periodo de mxima actividad de carga y descarga comercial (10:00h a 12:00h), vara desde cuotas superiores al 1% (Les Corts, Sarra-Sant Gervasi y Eixample) hasta el 0,1% (Ciutat Vella). Por ejemplo, en Sarri-Sant Gervasi con una renta familiar media de 4.400 /mes, un ancho medio de la infraestructura viaria de aproximadamente 6,5 m y 4.470 operaciones de 10:00h a 12:00h, la distribucin de un 1% de trasvase (desde el canal de venta tradicional al online) representa un incremento del 1,1% de las operaciones y una demanda adicional de plazas-h de 0,7% (con respecto al ao 2000).

Contraste con las prcticas actuales en los casos de Buenos Aires y de Mxico DF
Los supermercados en Buenos Aires ofrecen el servicio de pedidos por internet. Pero lo relevante, es que a partir de las compras presenciales, siempre se puede pedir entrega en domicilio, previo registro del cliente que recibe un cdigo que debe proveer al operador logstico en que se terceriza la entrega. Generalmente la oportunidad de entrega la define el operador logstico, y es a corto plazo; normalmente no puede negociarse una entrega diferida al atardecer o en la noche, para una compra realizada en la maana. La entrega en domicilio es gratuita en las cadenas Norte y en Disco. En el caso de Mxico DF, existe servicio del super-en-tu-casa con servicio normal del Grupo Walmart con base en su cadena de tiendas Superama (tiendas en el tejido urbano con un lay-out, incluido el estacionamiento de automviles y la zona de descarga de proveedores, inferior a la hectrea) , y con servicio normal y express de Comercial Mexicana con base en su cadena de tiendas Mega (estas son ms grandes, pero tambin estn en el tejido urbano) para entrega a domicilio pero slo para muy pocas subzonas de la ciudad y a partir de muy pocas tiendas ubicadas en zonas de altos ingresos o con alta densidad de ocupacin del suelo (zonas de apartamentos en edificio muy altos en barrios nuevos para familias con profesionales jvenes de altos ingresos); el antiguo ofrecimiento de atencin a todos los domicilios fue cancelado; es singular el hecho de que cuando el cliente est en proceso de inscripcin en el servicio al colocar su cdigo postal se le indica si hay o no el servicio y si existe, bajo cuales restricciones se ofrece; realmente el servicio que es actualmente ofrecido, pero tambin en slo algunas de las mismas tiendas donde se ofreca el servicio anterior, es de picking-packing de pedidos, pero el cliente debe venir a recoger su pedido, que se pre-factura y se carga a la tarjeta de crdito o se paga en efectivo en el momento de retirarlo. Los costos para el cliente en Mxico DF son bajsimos: formacin de pedido y retiro en tienda por 0,30 /pedido, entrega en domicilio por 3 /pedido (Antn, Lozano, Alarcn, Granados y Guarneros, 2009).

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

23

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo

CONCLUSIONES
La metodologa propuesta es adecuada para modelizar, con un volumen limitado de informacin y recursos informticos bsicos, un complejo problema como es el B2C. La buena sensibilidad del modelo al efecto de la introduccin de las ventanas temporales, queda demostrado en la cada del rendimiento de los vehculos ante una disminucin de la demanda. El buen ajuste de los rendimientos obtenidos a las mediciones realizadas in-situ en el caso de Barcelona, permiten corroborar que el modelo es una buena herramienta de evaluacin del e-logistics del B2C. Por medio del modelo desarrollado tambin es posible modelizar nuevos tipos de servicio de entregas como, por ejemplo, el de las e-sucursales. Las ventanas temporales incrementan significativamente la distancia diaria recorrida, debido al alejamiento temporal de los clientes y, algunas veces, a la imposibilidad de usar la capacidad mxima de los vehculos. Cuando la demanda tiene una distribucin variable, la distancia local aumenta con la suma de la raz cuadrada del porcentaje de demanda por ventana temporal. La segmentacin del mercado tiene un efecto similar al presentado por las ventanas temporales, ya que disminuye la densidad de puntos a visitar. Si el vehculo transporta ms pedidos que los que puede repartir en una ventana temporal, existe la posibilidad que aparezcan situaciones en las cuales surjan tiempos muertos hasta la reanudacin de la distribucin. La aparicin de estas ineficiencias genera un aumento de costos, ya sea por estar sin operar o por aumentar el nmero de envos necesarios. Un claro ejemplo del mayor nmero de envos se puede observar en los vehculos enviados para entregar en la ltima ventana temporal: an cuando su capacidad mxima sea superior slo podrn transportar la demanda de sta. En funcin de ello se puede concluir que es fundamental ampliar la duracin de las ventanas temporales de mxima demanda. Las situaciones de ineficiencia se dan en los casos en que existe una cada de la demanda entre dos franjas horarias consecutivas y, en menor grado, cuando hay una mejora en las condiciones de reparto (aumento de la velocidad de trfico, mayor facilidad de estacionamiento, etc.). Como resulta que para las empresas es fundamental acercar lo ms posible la localizacin del centro de distribucin a las zonas servidas y reducir el prolongado tiempo de recarga y de recepcin, para aumentar el bajo rendimiento de los vehculos, las tiendas fsicas de las e-tradicionales se transforman en CEDIS para la logstica del e-commerce, mejorando su competitividad frente a las e-empresas (sin tiendas fsicas). Ntese que la localizacin es una variable determinante en el tamao de la flota mnima necesaria y uno de los principales aspectos a tener en cuenta a la hora de adoptar el tipo de gestin de la flota (propia o externalizada). La disminucin del tiempo de reparto pasa por la posibilidad de cambiar la recepcin personal, por otro tipo de estrategia como el depsito del pedido en cajas (individual o compartida), que como ventaja adicional a las comentadas presenta la caracterstica de ubicarse en planta baja, reduciendo el tiempo de descarga y entrega. La gran cantidad de recursos necesarios y sus altos costos asociados, an para bajas demandas, hacen del sistema de distribucin a domicilio una alternativa poco viable, que se agrava considerablemente en el caso de ofrecer el elevado nmero de franjas horarias necesario para ganar cuota de mercado (Robust, Galvn y Lpez Pita, 2003).

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

24

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo

Segn los escenarios modelados para el caso de la ciudad de Barcelona, los vehculos tienen un rendimiento medio que no supera los 2,6 pedidos por hora de operacin, y que para los escenarios de demanda ms probables en el mbito estudiado (trasvases menores al 5% del canal tradicional) ste cae hasta aproximadamente 2 ped/veh-h. Si las empresas deciden que ningn vehculo debe esperar fuera de las tiendas, la utilizacin de los vehculos puede caer hasta aproximadamente el 65%. La distancia recorrida por pedido vara de 4 km/pedido a 1 km/pedido para escenarios del 1% y 10% respectivamente. Los gobiernos municipales y las agencias de planificacin local, deben anticiparse al impacto que la localizacin geogrfica y temporal del e-commerce, pueda traer sobre el actual modelo de distribucin urbana de mercancas. El impacto de los periodos punta del e-commerce es muy diferente, ya que el primer periodo (10:00h a 12:00h) coincide temporalmente con la actividad mxima de distribucin comercial, mientras que el ltimo (20:00h a 22:00h) se superpone con una actividad casi nula o residual. Ser necesario tomar medidas pro-activas en aquellas zonas con alta movilidad de mercancas, deficiencia de vialidad y rentas familiares altas, ya que podran ser fuertemente impactadas por la actividad de 10:00h a 12:00h. Un trasvase de slo el 10% del mercado tradicional al online, generara un dficit de plazas dedicadas a la carga y descarga, que en el caso de la ciudad de Barcelona rondara en un 20% de los estacionamientos actualmente existentes. Este dficit es insostenible urbansticamente, por lo tanto, se puede prever que este porcentaje sea lmite en ciudades de similares caractersticas. Los problemas de distribucin durante las ltimas horas del da podran ser causados por las restricciones de acceso a los vehculos privados en ciertas reas de la ciudad. La falta de servicios sin limitacin de demanda en sus ventanas temporales es sin duda la gran barrera para la consecucin de las cuotas de mercado previstas por los mercadotcnicos y/o empresas virtuales. El cliente objetivo se encuentra muy pocas horas en el domicilio y stas casi no coinciden con las de la distribucin: para servicios de 10:00h a 22:00h, en la primera y ltima ventana temporal. El xito de los gobiernos municipales y de las agencias de planificacin local en la gestin eficiente del e-commerce, podra pasar por la promocin de prcticas logsticas ms respetuosas con el medio ambiente. stas deben contemplar compartir las redes de distribucin, como puede ser la utilizacin de shared drop-off points gestionados por operadores logsticos urbanos. Obviamente las limitaciones a la pulverizacin de pedidos por e-commerce en el sector retailing de la alimentacin se est gestionando en los casos de contraste en Buenos Aires y en Mxico DF. En el primer caso, como las compras son ms presenciales, se trata en realidad de gestionar un envo a domicilio lo cual sin duda modula por no decir limita el nmero de pedidos a atender, adems la franja horaria la decide el operador logstico a la que debe adecuarse el cliente. En el segundo caso, el e-commerce sirve para procesar el pedido (picking-packing) porque el cliente hace la ltima milla, al estar obligado a retirarlo de la tienda: recurdese que el servicio se presta en las zonas de mayores ingresos donde la

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

25

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo propensin al e-commerce es alta; los bajos costos de mano de obra, en general personal eventual en la tienda, facilitaron la implantacin de esta modalidad en Mxico DF, aunque puede saturarse porque estos empleados compradores en el piso de venta, en ciertas ventanas temporales, estn empezando a congestionar los pasillos entre anaqueles... dnde se mueven los clientes presenciales!. Obviamente estas estrategias confirman los resultados de la aplicacin del modelo al caso de Barcelona: i) para bajos niveles de demanda, es posible realizar el picking-packing en las tiendas a coste marginal; ii) para altas demandas los centros deben ser dedicados y con tecnologa especfica para pequeos volmenes, por lo tanto, es necesario asumir una alta inversin inicial y elevados costos de funcionamiento (que como en Barcelona, tampoco estn dispuestos a afrontar las cadenas de supermercados lderes en Buenos Aires y en Mxico DF).

REFERENCIAS
Antn, J.P., A. Lozano, R. Hernandez, R. Alarcn (2007). New trends on physical distribution logistics in Mexico City metropolitan area. Proceedings of the 5th International Conference on City Logistics, Creta, Grecia. Antn, J.P., A. Lozano, R. Alarcn, F. Granados y L Guarneros (2009). Megapolitan physical distribution of goods: strategies for policies on logistical facilities location within the Central Region of Mexico. Proceedings of the 6th International Conference on City Logistics, Puerto Vallarta, Mxico. Daganzo, C.F. (1984). The length of tours in zones of different shapes. Transportation Research B, 18B:2, 135-145. Daganzo, C.F. (1987a). Modeling distribution problems with time windows: Part I. Transportation Science, 21:3, 171-179. Daganzo, C.F. (1987b). Modeling distribution problems with time windows. Part II: Two customer types. Transportation Science, 21:3, 180-187. Daganzo, C.F. (1999). Logistics systems analysis. 3rd Edition. Springer-Verlag. DOYMO (1991). Situacin de la carga y descarga de mercancas en el centro de Barcelona. Ajuntament de Barcelona, Barcelona. Galvn, D. (2002) Modelizacin del e-logistics para el B2C en mbitos urbanos, Tesis Doctoral, Escuela Tcnica Superior de Canales, Caminos y Puertos, Universitat Politcnica de Catalunya, Barcelona. PROINTEC (1997). Estudio metodolgico y desarrollo de proyectos sobre propuestas de mejora de la distribucin urbana y de las operaciones de carga y descarga para la distribucin de mercaderas en Barcelona. Ajuntament de Barcelona, Barcelona. Robust, F., C.F. Daganzo y R.R. Souleyrette (1990). Implementing vehcle routing models Transportation Research B, 24B:4, 263-286. Robust, F., J.M. Campos y D. Galvn (2000). Nace la Logstica urbana. Memorias del IV Congreso de Ingeniera de Transporte (4 CIT), Valencia. Vol. 2, 683-691. Robust, F., D. Galvn y A. Lpez Pita (2003). Modeling e-Logistics for Urban B2C in Europe. Actas (soporte magntico) del 82nd Transportation Research Board Annual Meeting. Washington, D.C.

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

26

Prcticas en distribucin y su efecto sobre la optimizacin de la logstica urbana GALVN, Dante; MARTNEZ LAINEZ, Clara; ANTN, Juan Pablo Robust, F y D. Galvn (2005). e-Logstics, Edicions UPC. ETSECCP, Universitat Politcnica de Catalunya, Barcelona. Sabri, F. (2001). e-Logistics. Notas del Seminario de Transporte. ETSECCP, Universitat Politcnica de Catalunya, Barcelona.

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

27