Optimización algorítmica para la distribución de productos de higiene

Abstract

Esta tesis aborda el problema de optimización en la distribución de productos de higiene para Clean Wipe, una pequeña empresa del sector de higiene y seguridad industrial. Se desarrolló e implementó un algoritmo de optimización personalizado para mejorar la planificación de entregas, considerando restricciones operativas como ventanas de tiempo, capacidad de carga de los vehículos y políticas de distribución de la empresa. Los resultados demuestran que la aplicación del algoritmo reduce significativamente la cantidad de viajes, optimiza la asignación de pedidos y disminuye los costos operativos. Se estima que la empresa podría reducir los costos de transporte hasta en un 36%. Si bien el modelo ofrece beneficios significativos, también presenta algunas limitaciones, como su dependencia de datos actualizados sobre la demanda. No obstante, este estudio sienta las bases para futuras investigaciones que podrían abordar estas limitaciones mediante la incorporación de modelos predictivos y técnicas de aprendizaje automático. Los hallazgos de esta tesis tienen aplicaciones directas en la gestión logística de empresas como Clean Wipe, proporcionando una herramienta para mejorar la toma de decisiones en la planificación de distribución.ENGLISH VERSION: This thesis addresses the optimization problem in the distribution of hygiene products for Clean Wipe, a small company in the hygiene and industrial safety sector. A customized optimization algorithm was developed and implemented to improve delivery planning, considering operational constraints such as time windows, vehicle load capacity, and the company’s distribution policies. The results demonstrate that applying the algorithm significantly reduces the number of trips, optimizes order allocation, and lowers operational costs. It is estimated that the company could reduce transportation costs by up to 36%. Although the model offers significant benefits, it also presents some limitations, such as its dependence on updated demand data. However, this study lays the foundation for future research that could address these limitations by incorporating predictive models and machine learning techniques. The findings of this thesis have direct applications in logistics management for companies like Clean Wipe, providing a tool to enhance decision-making in distribution planning.