{"id":17520,"date":"2025-08-19T18:26:25","date_gmt":"2025-08-19T18:26:25","guid":{"rendered":"https:\/\/www.revistalogistec.com\/index.php\/2025\/08\/19\/cuanto-impacta-el-repartidor-en-el-exito-de-un-e-commerce\/"},"modified":"2025-11-05T17:42:29","modified_gmt":"2025-11-05T21:42:29","slug":"cuanto-impacta-el-repartidor-en-el-exito-de-un-e-commerce","status":"publish","type":"post","link":"https:\/\/www.revistalogistec.com\/index.php\/2025\/08\/19\/cuanto-impacta-el-repartidor-en-el-exito-de-un-e-commerce\/","title":{"rendered":"\u00bfCU\u00c1NTO IMPACTA EL REPARTIDOR EN EL \u00c9XITO DE UN E-COMMERCE?"},"content":{"rendered":"

A pesar del avance tecnol\u00f3gico y del creciente uso de algoritmos e Inteligencia Artificial para optimizar rutas y tiempos de entrega, el comportamiento humano sigue siendo un eslab\u00f3n clave -y a veces impredecible- en la cadena log\u00edstica, especialmente en la \u00faltima milla. \u00bfCu\u00e1nto influyen factores como la experiencia o la disposici\u00f3n de los repartidores en la calidad del servicio?<\/p>\n

Ya sea en bicicleta, moto, autom\u00f3vil o cami\u00f3n, la figura del repartidor de \u00faltima milla es esencial upara cerrar con \u00e9xito la cadena log\u00edstica. Aunque hoy los algoritmos son capaces de definir rutas y asignaciones espec\u00edficas, una vez en terreno, las decisiones personales pueden marcar la diferencia.<\/p>\n

\u201cPodemos crear un excelente algoritmo matem\u00e1tico y proporcionarle al repartidor la ruta m\u00e1s eficiente, pero si \u00e9l no se ci\u00f1e a estas instrucciones o adopta otra forma de trabajar, es imposible conseguir un buen desempe\u00f1o log\u00edstico\u201d, se\u00f1ala \u00c1lvaro Echeverr\u00eda, CEO y cofundador de SimpliRoute.<\/p>\n

\"AlvaroEcheverr\u00eda se ha dedicado a investigar a fondo c\u00f3mo influyen las decisiones individuales del repartidor en la eficiencia operativa. Un an\u00e1lisis que sirvi\u00f3 de base para el desarrollo de Simplify, un algoritmo dise\u00f1ado para aprender del comportamiento real en terreno. La herramienta utilizada por empresas con alta demanda como Coca-Cola, Concha y Toro o Falabella, identifica patrones (como el nivel de adherencia a la ruta, el desempe\u00f1o por zonas o la satisfacci\u00f3n del cliente) y utiliza esa informaci\u00f3n para ajustar futuras asignaciones, buscando que la tecnolog\u00eda se alinee mejor con la forma en que los repartidores realmente operan.<\/p>\n

Desde Lleg\u00f3, empresa de distribuci\u00f3n, abastecimiento y \u00faltima milla que presta servicios a empresas del retail, salud y comercio electr\u00f3nico, tambi\u00e9n reconocen que el comportamiento humano sigue siendo un componente cr\u00edtico, incluso en entornos altamente tecnologizados. \u201cEl desempe\u00f1o que tiene el repartidor es muy determinante, porque impacta directamente en la experiencia del cliente final. Cada decisi\u00f3n que toma en terreno -sea seguir o no la ruta sugerida, gestionar tiempos de entrega o interactuar con el cliente- puede potenciar o afectar la percepci\u00f3n del servicio completo, impactando la venta futura de nuestros clientes\u201d, afirma Diego Schneuer, gerente comercial de Lleg\u00f3.<\/p>\n

Esta compa\u00f1\u00eda opt\u00f3 por implementar UNIGIS, una plataforma de gesti\u00f3n de transporte (TMS) que les permiti\u00f3 mejorar trazabilidad, cumplimiento de horarios y eficiencia operativa. \u201cGracias a esa herramienta, hoy tenemos sobre el 98\u202f% de nivel de servicio y podemos anticipar problemas o desv\u00edos en tiempo real. Pero eso no significa que el factor humano desaparezca: sigue siendo clave\u201d, agrega.<\/p>\n

LA EXPERIENCIA Y LA MOTIVACI\u00d3N CUENTAN<\/h3>\n

Adem\u00e1s del acceso a tecnolog\u00edas, la experiencia del repartidor puede convertirse en un factor determinante en la calidad del servicio log\u00edstico. Saber c\u00f3mo reaccionar ante imprevistos, conocer bien una zona o tener criterio frente a situaciones complejas pueden ser decisivos para una entrega exitosa\u2026 o una fallida. \u201cConductores m\u00e1s experimentados tienden a seguir mejor las rutas, pero tambi\u00e9n entregan m\u00e1s feedback, lo que ayuda a mejorar el proceso. Los menos experimentados dependen mucho de su conocimiento previo de la calle y eso puede condicionar la eficiencia\u201d, sostiene \u00c1lvaro Echeverr\u00eda.<\/p>\n

\"DiegoA juicio de Diego Schneuer, \u201cla experiencia se puede desarrollar desde dos \u00e1mbitos; a partir de la trayectoria personal en el rubro, pero tambi\u00e9n a partir de las capacitaciones que la empresa entrega al trabajador\u201d. En esa l\u00ednea, indica que en Lleg\u00f3, adem\u00e1s de formaci\u00f3n, realizan focus groups para recoger ideas y feedbacks. \u201cEllos (los repartidores y transportistas) conocen las dificultades del d\u00eda a d\u00eda y pueden aportar soluciones valiosas si los involucramos\u201d, se\u00f1ala.<\/p>\n

Los estudios emp\u00edricos han demostrado que los incentivos juegan un rol decisivo en el rendimiento y compromiso de los repartidores. Por eso, las empresas han comenzado a implementar distintos mecanismos para alinear los objetivos operativos con la motivaci\u00f3n de quienes est\u00e1n en la calle.<\/p>\n

Echeverr\u00eda coincide en que los incentivos son fundamentales para cerrar la brecha entre lo que propone el sistema y lo que ocurre en la realidad. Asimismo, sostiene que el tipo de contrato influye directamente en la performance del delivery. \u201cLos conductores que tienen menos dedicaci\u00f3n a tu ruta -por ejemplo, quienes trabajan de forma ocasional o por turnos- tienden a tener peor adherencia y menor rendimiento en el largo plazo\u201d, apunta. Por eso, adem\u00e1s del sistema de incentivos, llama a tener en cuenta factores como las condiciones contractuales y la estabilidad laboral.<\/p>\n

A ello hay que sumar variables como la familiaridad con la zona, la claridad de la informaci\u00f3n de entrega y aspectos log\u00edsticos como la carga horaria, el horario de almuerzo o las restricciones de acceso. Todo esto debe ser parte del dise\u00f1o algor\u00edtmico, si se quiere construir un sistema realmente eficiente, argumenta Echeverr\u00eda: \u201cMuchos esperan que el conductor haga todo lo que dice el software, pero la mayor\u00eda de las veces esos softwares no consideran sus preferencias al momento de hacer la ruta. \u00bfComo evitar que el conductor haga algo diferente de lo que le pedimos? que aprendamos de \u00e9l, sistematicemos ese aprendizaje y lo inyectemos de vuelta a los algoritmos. Ah\u00ed probablemente al conductor le va a hacer sentido la ruta que le dimos, porque supimos captar ese feedback. En ese punto hay harto espacio de mejora\u201d, recalca.<\/p>\n

Y aunque aclara que no existe una f\u00f3rmula \u00fanica que funcione siempre, es fundamental comenzar recopilando de mejor forma la informaci\u00f3n de la calle. \u201cHay una serie de criterios que pueden condicionar el desempe\u00f1o de los repartidores\/conductores, incluyendo las condiciones y la informaci\u00f3n de entrega, la geograf\u00eda de la zona, la jornada laboral y el horario de almuerzo, entre muchos otros. Para que la entrega sea exitosa, es la combinaci\u00f3n y correlaci\u00f3n positiva de todos esos criterios lo que mejor funciona\u201d, resume.<\/p>\n

Y es que, a pesar de los avances tecnol\u00f3gicos en la \u00faltima milla, el factor humano seguir\u00e1 presente, al menos por un tiempo. As\u00ed tambi\u00e9n lo cree Diego Schneuer: \u201chay nichos donde la automatizaci\u00f3n puede reemplazar al ser humano, pero en otros \u00e1mbitos, todav\u00eda su presencia es muy relevante. Un dron o un veh\u00edculo aut\u00f3nomo pueden complementar un servicio o quiz\u00e1s hacer entregas a domicilio de bajo valor, pero en segmentos con entregas de alta complejidad o valor, es dif\u00edcil. Un ejemplo: hay empresas (que venden muebles grandes y camas) que incluyen un peoneta que sube a los departamentos y ayuda a armar estos muebles. Ese servicio es muy valorado por el cliente final y ser\u00eda muy complejo reemplazarlo o eliminarlo\u201d, precisa.<\/p>\n

UN MODELO PREDICTIVO INTERNACIONAL<\/h3>\n

Desde el \u00e1mbito acad\u00e9mico, tambi\u00e9n hay esfuerzos por entender y modelar el comportamiento de los repartidores. Felipe Lagos, acad\u00e9mico de la Facultad de Ingenier\u00eda y Ciencias de la Universidad Adolfo Ib\u00e1\u00f1ez, lidera una investigaci\u00f3n que busca anticiparse a este tipo de decisiones, a trav\u00e9s de modelos de inteligencia artificial. Junto a su equipo, conformado por Ram\u00f3n Auad (Research Scientist en Amazon, EEUU) y Tom\u00e1s Lagos (University of Sydney, Australia), desarroll\u00f3 una soluci\u00f3n algor\u00edtmica que fue finalista del desaf\u00edo internacional TSL\u2013Meituan 2024.<\/p>\n

\"FelipeEste desaf\u00edo, explica Lagos, consist\u00eda en encontrar mecanismos eficientes para asignar pedidos a los repartidores que trabajan para Meituan, la mayor plataforma de compras para productos de consumo y servicios minoristas de China.<\/p>\n

\u201cEn Meituan, cada repartidor puede aceptar o rechazar los pedidos que se le ofrecen y nuestro estudio analiz\u00f3 estas preferencias, logrando cierta predictibilidad sobre c\u00f3mo se van a comportar estos repartidores y cu\u00e1nta demanda vamos a tener. Entre otros aspectos, el estudio identific\u00f3 que factores como la distancia al local de retiro y el n\u00famero de horas trabajadas afectaban negativamente la probabilidad de aceptaci\u00f3n de \u00f3rdenes, aunque tambi\u00e9n observamos un fuerte componente del propio repartidor; algunos son m\u00e1s selectivos que otros para aceptar pedidos\u201d, describe.<\/p>\n

Desde su experiencia y tras los resultados de su investigaci\u00f3n, Lagos coincide en afirmar que el factor humano no ha sido suficientemente abordado en el dise\u00f1o de soluciones log\u00edsticas. \u201cReci\u00e9n ahora est\u00e1 apareciendo en publicaciones cient\u00edficas y en las soluciones comerciales para la operaci\u00f3n log\u00edstica no suele verse este tipo de integraci\u00f3n, lo que claramente muestra una oportunidad de mejora en los negocios. En nuestro estudio para Meituan pudimos medir este efecto, probando soluciones que no toman en cuenta este factor y otras que s\u00ed, mostrando una significativa diferencia en la atenci\u00f3n de los pedidos\u201d, apunta.<\/p>\n

Los modelos desarrollados por el equipo de Lagos lograron predecir las preferencias de aceptaci\u00f3n de pedidos con un margen de error de solo 13 %, lo que demuestra que, si bien el comportamiento humano es complejo, s\u00ed es posible anticiparlo con un grado razonable de precisi\u00f3n.<\/p>\n

En cambio, predecir los tiempos de viaje y de servicio fue m\u00e1s dif\u00edcil, obteniendo tasas de error cercanas al 35%. \u201cAunque estos tiempos dependen parcialmente de los repartidores (podr\u00eda haber repartidores que se trasladan m\u00e1s r\u00e1pido que otros), lo m\u00e1s determinante fueron las condiciones de la ciudad\u201d, acota.<\/p>\n

El proyecto -que tambi\u00e9n analiz\u00f3 factores asociados a la demanda, el comportamiento de los clientes y los tiempos de preparaci\u00f3n de pedidos- extrajo conclusiones de gran valor para Meituan y \u201ceventualmente\u201d extrapolables al contexto chileno. \u201cNaturalmente, la magnitud y el efecto de cada uno de los componentes de la demanda y de los repartidores pueden ser distintos. Para un an\u00e1lisis de la situaci\u00f3n local se debe contar con datos generados por alguna plataforma que opere en Chile\u201d, precisa Lagos.<\/p>\n

A fines de octubre, este trabajo ser\u00e1 presentado en la conferencia de mayor relevancia en el \u00e1rea, INFORMS, al tiempo que el documento est\u00e1 en proceso de revisi\u00f3n en la revista de alto impacto, Transportation Science.<\/p>\n

BUENAS PR\u00c1CTICAS PARA ALINEAR TECNOLOG\u00cdA Y FACTOR HUMANO<\/h3>\n