01What it isQué es
ML route optimization combines a vehicle routing solver — which assigns stops to trucks and sequences them under capacity and time-window constraints — with machine learning models that predict travel and service times from real traffic and delivery history.
La optimización de rutas con ML combina un solver de ruteo de vehículos —que asigna paradas a camiones y las secuencia con restricciones de capacidad y ventanas de tiempo— con modelos de machine learning que predicen tiempos de viaje y de servicio a partir del tráfico real y del historial de entregas.
02Why it mattersPor qué importa
Distance, fleet size and on-time arrival are decided every morning in the routing plan, so small errors in assumed travel times compound across hundreds of stops. The vehicle routing problem has been a core operations research problem since it was first formulated for fuel delivery trucks (Dantzig and Ramser, 1959 — Management Science); what ML adds is realistic, time-dependent inputs, which matter most in congested cities like CDMX, Monterrey or Guadalajara.
La distancia, el tamaño de flota y la llegada a tiempo se deciden cada mañana en el plan de rutas, así que pequeños errores en los tiempos de viaje supuestos se acumulan en cientos de paradas. El problema de ruteo de vehículos es un problema central de la investigación de operaciones desde que se formuló para camiones de reparto de combustible (Dantzig and Ramser, 1959 — Management Science); lo que agrega el ML son entradas realistas y dependientes del horario, que importan más en ciudades congestionadas como CDMX, Monterrey o Guadalajara.
03How it is doneCómo se hace
1
Pick the right problem variant. Decide whether you face time windows, multiple depots or same-day dynamic orders before choosing a solver.
2
Feed it predicted times. Replace static average speeds with ML estimates of travel time by hour and of unloading time by customer.
3
Learn from drivers and results. Capture driver feedback on access and receiving constraints and compare planned vs. actual times every week.
1
Elige la variante correcta. Define si enfrentas ventanas de tiempo, múltiples depósitos o pedidos dinámicos del mismo día antes de elegir un solver.
2
Aliméntalo con tiempos predichos. Sustituye las velocidades promedio estáticas por estimaciones de ML del tiempo de viaje por hora y del tiempo de descarga por cliente.
3
Aprende de choferes y resultados. Captura la retroalimentación de los choferes sobre accesos y restricciones de recibo, y compara cada semana los tiempos planeados vs. reales.
04The concept in depthEl concepto a fondo
Route optimization with ML: from classical algorithm to real-time learning›
Route optimization for logistics distribution is a classic combinatorial problem (Vehicle Routing Problem — VRP) that has been solved with optimization algorithms (metaheuristics, integer linear programming) for decades. ML adds 3 dimensions that classical algorithms don't handle well: dynamic traffic time prediction, service time estimation at the customer, and learning of implicit operational constraints from drivers.
Types of route optimization problems›
Basic VRP: minimize total distance with vehicle capacity constraints. VRPTW (VRP with Time Windows): the customer has a time window for receiving. Complexity multiplies. MDVRP (Multi-Depot VRP): vehicles can depart from multiple warehouses — the omnichannel distribution problem. DVRP (Dynamic VRP): orders arrive in real time and the route is re-optimized dynamically. The most complex and most relevant case for last-mile e-commerce.
ML integration with VRP›
(1) Travel time prediction (ETT): ML predicts travel time on each route graph arc considering time of day, day of week, and current traffic conditions. This prediction improves the customer arrival time estimate. (2) Service time prediction: ML predicts how long unloading will take at each customer based on customer type, order volume, and history. (3) Learning from historical solutions: ML learns from past optimization solutions to generate higher-quality initial solutions (warm start) in the VRP solver.
Intermediate vs. Advanced›
Intermediate: manages routes generated by the optimization system; reports route deviations and incidents.
Advanced: designs the ML route optimization model for the distribution use case; implements DVRP with dynamic re-optimization; manages travel time and service time prediction models.
Advanced: designs the ML route optimization model for the distribution use case; implements DVRP with dynamic re-optimization; manages travel time and service time prediction models.
Optimización de rutas con ML: del algoritmo clásico al aprendizaje en tiempo real›
La optimización de rutas para la distribución logística es un problema combinatorio clásico (Vehicle Routing Problem, VRP) que se ha resuelto durante décadas con algoritmos de optimización (metaheurísticas, programación lineal entera). El ML agrega 3 dimensiones que los algoritmos clásicos no manejan bien: la predicción dinámica de tiempos de tránsito con tráfico, la estimación del tiempo de servicio en el cliente y el aprendizaje de restricciones operativas implícitas a partir de los choferes.
Tipos de problemas de optimización de rutas›
VRP básico: minimizar la distancia total con restricciones de capacidad del vehículo. VRPTW (VRP con ventanas de tiempo): el cliente tiene una ventana horaria para recibir; la complejidad se multiplica. MDVRP (VRP multidepósito): los vehículos pueden salir de varios almacenes, el problema de la distribución omnicanal. DVRP (VRP dinámico): los pedidos llegan en tiempo real y la ruta se reoptimiza dinámicamente. Es el caso más complejo y el más relevante para la última milla de e-commerce.
Integración del ML con el VRP›
(1) Predicción del tiempo de viaje (ETT): el ML predice el tiempo de viaje en cada arco del grafo de rutas considerando la hora del día, el día de la semana y las condiciones de tráfico actuales; esta predicción mejora la estimación de la hora de llegada al cliente. (2) Predicción del tiempo de servicio: el ML predice cuánto tardará la descarga en cada cliente según el tipo de cliente, el volumen del pedido y el historial. (3) Aprendizaje de soluciones históricas: el ML aprende de soluciones de optimización pasadas para generar soluciones iniciales de mayor calidad (warm start) en el solver de VRP.
Intermedio vs. Avanzado›
Intermedio: gestiona las rutas generadas por el sistema de optimización; reporta desviaciones e incidencias de ruta.
Avanzado: diseña el modelo de optimización de rutas con ML para el caso de uso de distribución; implementa DVRP con reoptimización dinámica; gestiona los modelos de predicción de tiempo de viaje y de tiempo de servicio.
Avanzado: diseña el modelo de optimización de rutas con ML para el caso de uso de distribución; implementa DVRP con reoptimización dinámica; gestiona los modelos de predicción de tiempo de viaje y de tiempo de servicio.
05In practiceEn la práctica
Dynamic route optimization has the highest ROI in high-density urban operations with high traffic variability›
In rural operations or with low traffic variability, the benefit of the dynamic optimization algorithm vs. well-designed fixed routes may be marginal.
Quality of real-time traffic data is the prerequisite for ETA accuracy›
An ETT model using real-time Google Maps traffic data is significantly more accurate than one using static historical traffic data.
Integrate driver feedback into the optimization model›
Drivers know route constraints not in the digital map (blocked streets, difficult-access yards, customers who don't receive before 9am). Driver feedback integrated into the model improves its accuracy.
Measure fuel savings, fleet utilization, and arrival time OTIF as the primary ROI KPIs›
These 3 KPIs quantify the financial and customer service impact of ML route optimization.
La optimización dinámica de rutas tiene el mayor ROI en operaciones urbanas de alta densidad con alta variabilidad de tráfico›
En operaciones rurales o con baja variabilidad de tráfico, el beneficio del algoritmo de optimización dinámica frente a rutas fijas bien diseñadas puede ser marginal.
La calidad de los datos de tráfico en tiempo real es el prerrequisito de la precisión del ETA›
Un modelo de ETT que usa datos de tráfico en tiempo real de Google Maps es significativamente más preciso que uno que usa datos históricos estáticos de tráfico.
Integra la retroalimentación de los choferes en el modelo de optimización›
Los choferes conocen restricciones de ruta que no están en el mapa digital (calles cerradas, patios de difícil acceso, clientes que no reciben antes de las 9 a.m.). Integrar su retroalimentación en el modelo mejora su precisión.
Mide el ahorro de combustible, la utilización de flota y el OTIF de hora de llegada como KPI principales de ROI›
Estos 3 KPI cuantifican el impacto financiero y en servicio al cliente de la optimización de rutas con ML.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: ML route optimization — B2B distribution company, 180 daily routes in CDMX
The company migrates from fixed weekly routes to dynamically ML-optimized routes.
The company migrates from fixed weekly routes to dynamically ML-optimized routes.
| Impact dimension | Fixed weekly routes (before) | Dynamic ML routes (after) |
|---|---|---|
| Total fleet distance traveled | Average distance per route: 184 km | Average distance per route: 142 km (−23% distance reduction) |
| Delivery window compliance (arrival time OTIF) | 62% of deliveries within the promised 2-hour window | 91% of deliveries within the window (dynamic ETT model predicts with real-time traffic) |
| Fleet capacity (customers served per vehicle per day) | Average: 18 customers/vehicle/day | Average: 24 customers/vehicle/day (+33% fleet utilization) |
Result: Fuel cost reduction: about −23%, in line with the distance reduction. Fleet: the same volume served with roughly 25% fewer routes and vehicles, thanks to higher utilization (18 → 24 customers per vehicle per day). Arrival time OTIF: 62% → 91% (+29 pp). Customer NPS: +12 points.
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: optimización de rutas con ML — distribuidora B2B, 180 rutas diarias en CDMX
La empresa migra de rutas semanales fijas a rutas optimizadas dinámicamente con ML.
La empresa migra de rutas semanales fijas a rutas optimizadas dinámicamente con ML.
| Dimensión de impacto | Rutas semanales fijas (antes) | Rutas dinámicas con ML (después) |
|---|---|---|
| Distancia total recorrida por la flota | Distancia promedio por ruta: 184 km | Distancia promedio por ruta: 142 km (−23% de distancia) |
| Cumplimiento de la ventana de entrega (OTIF de hora de llegada) | 62% de las entregas dentro de la ventana prometida de 2 horas | 91% de las entregas dentro de la ventana (el modelo dinámico de ETT predice con tráfico en tiempo real) |
| Capacidad de flota (clientes atendidos por vehículo por día) | Promedio: 18 clientes/vehículo/día | Promedio: 24 clientes/vehículo/día (+33% de utilización de flota) |
Resultado: Reducción del costo de combustible: alrededor de −23%, en línea con la reducción de distancia. Flota: el mismo volumen atendido con aproximadamente 25% menos rutas y vehículos gracias a una mayor utilización (de 18 a 24 clientes por vehículo por día). OTIF de hora de llegada: 62% → 91% (+29 pp). NPS de clientes: +12 puntos.
07How it is measuredCómo se mide
Route Optimization Savings % (total logistics cost reduction from ML route optimization)›
Route Optimization Savings % (total logistics cost reduction from ML route optimization)
(Logistics cost with fixed routes − Logistics cost with ML optimized routes) / Logistics cost with fixed routes × 100
Benchmark: 15–30% logistics cost reduction in distribution operations migrating from fixed to dynamically optimized routes
⚠️ 15–30% logistics cost reduction is a commonly cited range for migration from fixed routes to dynamic optimization. If savings are below 10%, it may indicate the operation was already well optimized manually — or the model is not correctly configured.
ETA Prediction Accuracy % (accuracy of model-predicted arrival time)›
ETA Prediction Accuracy % (accuracy of model-predicted arrival time)
(Deliveries within ±15 minutes vs. model-predicted ETA / Total deliveries in period) × 100
Benchmark: >80% of deliveries within ±15 minutes of the model-predicted ETA under normal traffic conditions
🔑 ETA accuracy is the most important customer experience metric for B2B distribution. A customer who knows the supplier arrives at 10:15am ±15 minutes can plan their receiving operation much more efficiently.
Ahorro por optimización de rutas % (reducción del costo logístico total por optimización de rutas con ML)›
Ahorro por optimización de rutas % (reducción del costo logístico total por optimización de rutas con ML)
(Costo logístico con rutas fijas − Costo logístico con rutas optimizadas con ML) / Costo logístico con rutas fijas × 100
Benchmark: 15–30% de reducción del costo logístico en operaciones de distribución que migran de rutas fijas a rutas optimizadas dinámicamente
⚠️ Una reducción de 15–30% del costo logístico es un rango citado con frecuencia para la migración de rutas fijas a optimización dinámica. Si el ahorro es menor a 10%, puede indicar que la operación ya estaba bien optimizada manualmente, o que el modelo no está configurado correctamente.
Precisión de la predicción del ETA % (exactitud de la hora de llegada predicha por el modelo)›
Precisión de la predicción del ETA % (exactitud de la hora de llegada predicha por el modelo)
(Entregas dentro de ±15 minutos del ETA predicho por el modelo / Total de entregas del periodo) × 100
Benchmark: >80% de las entregas dentro de ±15 minutos del ETA predicho por el modelo en condiciones normales de tráfico
🔑 La precisión del ETA es la métrica de experiencia del cliente más importante en distribución B2B. Un cliente que sabe que el proveedor llega a las 10:15 a.m. ±15 minutos puede planear su operación de recibo con mucha mayor eficiencia.
08What you would useQué se usa
📌 Route Optimization
Google OR-Tools / Timefold Solver (formerly OptaPlanner)›
Module: Open-Source VRP Solver + ML Integration
Widely used route optimization libraries for custom implementations; Google OR-Tools is among the most common in route optimization projects.
Widely used route optimization libraries for custom implementations; Google OR-Tools is among the most common in route optimization projects.
Circuit / Onfleet / OptimoRoute›
Module: SaaS Route Optimization + Driver App
SaaS route optimization platforms with ML for last-mile and B2B distribution.
SaaS route optimization platforms with ML for last-mile and B2B distribution.
📌 Optimización de rutas
Google OR-Tools / Timefold Solver (antes OptaPlanner)›
Módulo: Solver de VRP de código abierto + integración con ML
Bibliotecas de optimización de rutas ampliamente usadas para implementaciones a la medida; Google OR-Tools está entre las más comunes en proyectos de optimización de rutas.
Bibliotecas de optimización de rutas ampliamente usadas para implementaciones a la medida; Google OR-Tools está entre las más comunes en proyectos de optimización de rutas.
Circuit / Onfleet / OptimoRoute›
Módulo: Optimización de rutas SaaS + app para choferes
Plataformas SaaS de optimización de rutas con ML para última milla y distribución B2B.
Plataformas SaaS de optimización de rutas con ML para última milla y distribución B2B.
The bottom lineEn corto
The cheapest route is the one built on how long trips really take, not on how far the stops are on a map.
La ruta más barata es la que se construye con lo que realmente tardan los trayectos, no con qué tan lejos se ven las paradas en el mapa.
← PreviousAnteriorPredictive maintenance: ML models for asset failure predictionMantenimiento predictivo: modelos ML para predicción de fallas de activosNextSiguiente →Supplier risk scoring: ML models for supply chain risk intelligenceScoring de riesgo de proveedor: modelos ML para inteligencia de riesgo de SC
All D12 componentsTodos los componentes de D12D12 artifactsArtifacts de D12SCRA