Pid 00288584

Las tecnologías
más relevantes de
la logística 4.0
PID_00288584
Meritxell Bosch Garcia

Alexis Pérez Gómez
Ignasi Sayol Santamaria
Tiempo mínimo de dedicación recomendado: 5 horas

© FUOC • PID_00288584 Las tecnologías más relevantes de la logística 4.0
Meritxell Bosch Garcia Alexis Pérez Gómez Ignasi Sayol Santamaria
Ingeniera de Telecomunicación por Ingeniero industrial superior e inge- Ingeniero electrónico por la Univer-
la Universidad Politécnica de Cata- niero técnico en Informática de Sis- sidad Ramon Llull (URL) y de Tele-
luña (UPC), diplomada en Ciencias temas por la Universidad de Giro- comunicaciones por la Universidad
Empresariales, licenciada en Dere- na (UdG). MBA por ESADE con es- Politécnica de Cataluña (UPC). Inter-
cho y máster en Ciencia de Datos tancia en la Universidad de Texas national MBA por la Salle University
por la Universitat Oberta de Cata- en Austin-Red McCombs School of (Barcelona / Nueva York), PDD por
lunya (UOC). Ha trabajado desde Business. Profesor adjunto en la Uni- la IE Universidad (Madrid) y PDG
1998 en el ámbito de la consulto- versitat Oberta de Catalunya (UOC) por IESE (Barcelona). Colabora ha-
ría tecnológica y es colaboradora de desde 2015. Experiencia internacio- bitualmente con diferentes escue-
la UOC desde 2015. Ha sido miem- nal en Asia, Europa y Estados Uni- las de negocios en tareas docentes.
bro de la Junta del Colegio de Inge- dos. Ha trabajado durante diez años Actualmente, es empresario del sec-
nieros de Telecomunicación y de la como gestor de equipos para la ca- tor de la logística y de las nuevas
Asociación Catalana de Ingenieros. dena de suministro de HP Inc. Ha tecnologías; presidente de Inprous,
Actualmente, es consultora freelan- realizado varias publicaciones en in- una empresa dedicada a diseñar so-
ce dando servicios a diversas empre- novaciones tecnológicas en la logís- luciones tecnológicas para la logís-
sas del sector de la logística, del au- tica. tica con temperatura controlada;
diovisual y de la gestión de proce- miembro del Comité Ejecutivo de
sos, entre otras. Colaboradora de la PIMEC; presidente de PIMEC Logís-
Universidad Autónoma de Barcelona tica y del Clúster Logístico de Cata-
(UAB) y la Blanquerna, imparte cla- luña, y consejero independiente de
ses magistrales relacionadas con la varias empresas. Ha desarrollado su
tecnología aplicada al audiovisual. carrera profesional como alto direc-
tivo internacional en multinaciona-
les como Société Int. Telecom Ae-
ronáuticas (SI-TA), Bull y British Te-
lecom. Ha sido director general de
operaciones y accionista de CTC Ex-
ternalización, S. L. Escribe artículos
y realiza ponencias regularmente
sobre la problemática de la gestión
de las operaciones, las infraestructu-
ras logísticas, la innovación y el em-
prendimiento.
El encargo y la creación de este recurso de aprendizaje UOC han sido coordinados

por el profesor: Cristian Castillo
Primera edición: octubre 2022

© de esta edición, Fundació Universitat Oberta de Catalunya (FUOC)
Av. Tibidabo, 39-43, 08035 Barcelona
Autoría: Meritxell Bosch Garcia, Alexis Pérez Gómez, Ignasi Sayol Santamaria
Producción: FUOC
Todos los derechos reservados
Ninguna parte de esta publicación, incluido el diseño general y la cubierta, puede ser copiada,
reproducida, almacenada o transmitida de ninguna forma, ni por ningún medio, sea este eléctrico,
mecánico, óptico, grabación, fotocopia, o cualquier otro, sin la previa autorización escrita
del titular de los derechos.
Índice
Introducción............................................................................................... 5
Objetivos....................................................................................................... 6
1. Tecnologías avanzadas de la información.................................. 7

1.1. Cloud computing............................................................................ 7
1.2. Computación cuántica ................................................................ 9
1.2.1. La clave: los qbits .......................................................... 10
1.2.2. Aplicaciones de la computación cuántica en la
gestión de la supply chain............................................... 10
1.3. Big data......................................................................................... 11
1.4. Inteligencia artificial ................................................................... 13
1.4.1. Aprendizaje automático ................................................. 14
1.4.2. Aprendizaje profundo .................................................... 20
1.4.3. Aprendizaje por refuerzo ............................................... 22
1.5. Blockchain...................................................................................... 23
1.5.1. Origen ............................................................................ 24
1.5.2. Elementos básicos de la tecnología blockchain............... 24
1.5.3. Características clave de la tecnología de cadena de
bloques ........................................................................... 26
1.5.4. Tipos de cadena de bloques .......................................... 28
1.5.5. Escenarios de aplicación de cadena de bloques en el
sector de la logística ...................................................... 29
2. Smart warehousing............................................................................ 33
2.1. Equipamiento y tecnologías para reducir tiempos
improductivos ............................................................................. 35
2.2. Digitalización IoT, digital twins y realidad aumentada ................ 39
2.2.1. Sensórica ........................................................................ 39
2.2.2. ERP (enterprise resource planning) y WMS (warehouse
management system) ....................................................... 40
2.2.3. Realidad aumentada ...................................................... 40
2.2.4. Digital twins..................................................................... 43
3. Plataformas logísticas y la producción descentralizada......... 45

3.1. Impresión 3D .............................................................................. 46
3.1.1. La producción en 3D como ventaja competitiva .......... 47
3.1.2. Tecnologías 3D ............................................................... 48
3.2. Limitaciones y puntos de mejora ............................................... 51
3.3. Ejemplos de campos de aplicación en la producción
descentralizada ............................................................................ 52
4. Nuevas tecnologías aplicadas al transporte................................ 53

4.1. Vehículos autónomos / last mile (drones, robots de entrega) ..... 53
4.1.1. Drones ............................................................................ 53
4.1.2. Last mile delivery robot..................................................... 54
4.1.3. Autonomous vans.............................................................. 54
4.2. Platooning de camiones ............................................................... 55
4.3. Hyperloop....................................................................................... 57
5. Physical internet................................................................................. 59
5.1. ¿Qué es physical internet? ............................................................ 59
5.2. ¿Qué exige la implantación del physical internet? ....................... 60
Resumen....................................................................................................... 62
Bibliografía................................................................................................. 65
© FUOC • PID_00288584 5 Las tecnologías más relevantes de la logística 4.0
Introducción
El desarrollo de la logística 4.0 está vinculado a la aplicación extensiva de

la tecnología en la gestión de la cadena de suministro. La tecnología es el
elemento clave que la caracteriza.
Todas las tecnologías tienen un ciclo en cuanto a su aplicación, tardan un cier-

to tiempo en desarrollarse y en ser tecnologías de uso masivo en la industria.
En este módulo se analizan las tecnologías más importantes de la logística 4.0:

algunas ya se aplican a la industria, otras se aplicarán a medio plazo y otra
parte aún tardará bastante tiempo en estar totalmente desplegada a causa de
la implementación tan compleja que tiene.
Es imprescindible, para los profesionales de la cadena de suministro, familia-

rizarse con estas tecnologías y adquirir conciencia de su punto de desarrollo
para ser capaces de aplicarlas en el momento oportuno.
Solo las empresas y los profesionales que entiendan las claves de las tecnologías
de la logística 4.0 serán capaces de diferenciarse del resto y poder crear ventajas
competitivas para sobrevivir en el complejo entorno al que están sometidos.
Objetivos
Con este módulo se plantea al estudiantado la posibilidad de conocer las tec-

nologías de la logística 4.0 y el campo de aplicación que tienen para que logre
los objetivos siguientes:
1. Conocer mecanismos para superar las limitaciones actuales de la cadena de

suministro en cuanto a trazabilidad de envíos y manipulación de bienes,
relaciones contractuales entre los diferentes actores logísticos y gestión de
facturación de manera autónoma, inteligente y confiable.
2. Aprender metodologías para minimizar tiempos improductivos, reducir

tareas repetitivas manuales y aumentar la eficiencia operacional en los al-
macenes.
3. Conocer alternativas tecnológicas para la optimización de rutas, eliminar

obstáculos en la entrega de la última milla reduciendo el impacto me-
dioambiental y el coste, y aumentar la satisfacción de cliente.
4. Diversificar con tareas de alto valor añadido en plataformas logísticas co-

mo punto de manufactura final y la gestión descentralizada de toda la ca-
dena de suministro.
5. Identificar y aplicar nuevas tecnologías que aporten valor a la organización

a causa de la transversalidad y compatibilidad con la logística.
6. Conocer tecnologías que facilitan la previsión y anticipación de la deman-

da, adaptándose a las necesidades de un cliente cambiante en cuanto a los
requisitos de tipos de entrega.
1. Tecnologías avanzadas de la información
1.1. Cloud computing
El concepto de cloud computing, término anglosajón que se traduce como ‘in-

formática en la nube’ o ‘computación en la nube’, aparece cuando se cambia
el paradigma de la gestión de los recursos informáticos, cuando se deja de dis-
poner de un ordenador personal o un servidor propio ubicado en las instala-
ciones de la compañía y se pasa a externalizar como un servicio más.
A finales de siglo, las compañías tenían en propiedad y mantenían en instala-

ciones propias los servidores web o servidores de correo electrónico o servido-
res ofimáticos y repositorios de documentos corporativos.
La digitalización (dejar de trabajar con fax o papel para pasar al intercambio

de archivos, por ejemplo), la captura de datos (aparece el término big data),
la disponibilidad del acceso a internet desde cualquier lugar y la velocidad de
acceso cada vez mayor es lo que provoca el desarrollo más importante de la
informática en la nube.
El sector logístico es el de la descentralización por naturaleza, en el que los

clientes, los proveedores, los almacenes, los vehículos, etc., están distribuidos
por el mundo y a menudo son móviles. Cada uno de los participados tiene
sus necesidades de información y tienen sistemas informáticos propios, hete-
rogéneos y no necesariamente interoperables entre sí.
La informática en la nube aporta grandes ventajas, muy similares a cualquier

externalización de las inversiones:
• Reducción de costes y aumento de la productividad.

• Elasticidad y flexibilidad tecnológica. Incluso independencia tecnológica,
puesto que evita que una compañía quede atada a una tecnología o a un
sistema por culpa de las grandes inversiones que han supuesto.
• Cumplimiento de estándares y de interoperabilidad.
En cuanto a la seguridad, estos sistemas ofrecen más seguridad física (disponi-

bilidad e integridad de los datos), pero puede haber problemas de seguridad
en cuanto a protección de datos y privacidad.
La informática en la nube tiene tres ámbitos principales de prestación de ser-

vicios:
1) SaaS (software as a service, el ‘software como servicio’)
2) PaaS (platform as a service, ‘plataforma como servicio’)
3) IaaS (infrastructure as a service, ‘infraestructura como servicio’)
Es decir, el hecho de tener la computación en la nube permite poder contra- Programas en la nube
tar infraestructuras (servidores, principalmente) como un servicio en lugar de
El paquete ofimático de apli-
comprarlas; no tener que comprar licencias de programas para instalar en cada caciones de Google o de Mi-
ordenador de la compañía, sino conectarse para hacer uso de los programas crosoft Office son ejemplos de
programas en la nube.
en la nube y compartir un número de licencias simultáneas entre todos los
miembros de la compañía; poder usar plataformas de terceros para ofrecer ser-
vicios o productos propios.
Como es natural, el uso de informática en la nube aleja la capacidad de proce-

samiento de datos del usuario. A pesar de que son muchas las ventajas, tam-
bién es cierto que es mucho más rápida la gestión de datos en el propio orde-
nador (generan lo que se denomina latencia). Cuando aparecen las redes de
la IoT (internet of things, ‘internet de las cosas’) es cuando la arquitectura de
la computación en la nube ha de evolucionar para responder a las nuevas ne-
cesidades.
En un servicio IoT, se dispone de sensores inteligentes que se conectan direc-

tamente a la nube para transmitir los datos capturados. En este entorno, la la-
tencia que provoca una computación en la nube puede suponer un problema.
Aparece entonces la necesidad de acercar la capacidad de procesar la infor-

mación tanto como sea posible a los sensores. Una necesidad de gestión que
no requiere grandes capacidades de procesamiento, pero sí mucha velocidad.
Aparece la denominada edge computing o ‘informática de frontera’. Esta capa
permite realizar un procesamiento simple (normalmente solo una captura y
un enrutamiento hacia capas superiores), pero en tiempo real y de grandes
volúmenes de datos simultáneos.
Habitualmente, entre la capa de la nube y la capa de frontera se localiza una

capa denominada fog layer (‘capa niebla’), en la que está la fog computing (‘in-
formática niebla’), que consiste en una capa intermedia en la que la capacidad
de procesamiento de los datos es mayor, pero mantiene cierto grado de disper-
sión. En estos nodos que pueden ilustrarse como agrupaciones de datos prove-
nientes de la capa frontera, se permite efectuar tareas de análisis básico, puesto
que todavía nos encontramos en un entorno con datos no muy extensos. En
la capa en la nube es donde se puede efectuar el almacenamiento de los datos
y aplicar técnicas de procesamiento habituales de los datos masivos (big data).
Figura 1. Procesamiento de datos de la IoT industrial
Fuente: elaboración a partir de Ram et al. (2019)
1.2. Computación cuántica
Cuando hablamos de computación� cuántica, hacemos referencia a

una disrupción respecto a las tecnologías de computación actuales. El
límite de capacidad de proceso de los ordenadores actuales viene dado
por la capacidad de integración de los transistores, que son el elemento
básico.
El hecho de conseguir cada vez transistores más pequeños, 300 veces más pe-
queños que un glóbulo rojo, por ejemplo, tiene un límite físico, dado que a
partir de un tamaño los efectos cuánticos en los átomos de los que se compo-
nen los transistores harán inviable su funcionamiento.
Los ordenadores cuánticos aparecen para eliminar esta frontera, permiten

construir ordenadores con una capacidad de proceso casi infinita si lo compa-
ramos con los actuales.
Cuando hablamos de computación cuántica, nos referimos a un sistema de

computación que aprovecha las propiedades de superposición y entrelaza-
miento que tienen las partículas cuánticas para desarrollar toda su potencia.
Las ventajas principales de las máquinas cuánticas respecto a los supercompu-

tadores actuales son dos: por un lado, la capacidad de proceso muy superior;
por otro, el consumo energético mucho más bajo.
A pesar de que la computación clásica continuará siendo dominante durante

los próximos años, no cabe duda de que la computación cuántica permitirá
impulsar muchos campos de conocimiento en la logística o la ciencia médica,
por ejemplo.
1.2.1. La clave: los qbits
Los sistemas informáticos actuales basan su capacidad de proceso y almace-

namiento de datos en los bits. Los bits no son sino transistores que pueden
tener un estado binario 0 o 1. Por eso, como hemos visto antes, cuanto más
transistores puedas poner por unidad de superficie, más capacidad de proceso
tendrás.
A diferencia de los anteriores, los computadores cuánticos aprovechan los fe-

nómenos propios de la mecánica cuántica (superposición y entrelazamiento)
para manipular información, basándose en bits cuánticos o qbits (se usan qbits
en lugar de bits). Los qbits son partículas subatómicas, como electrones y fo-
tones. Dado que son partículas subatómicas, tienen las propiedades cuánticas
de superposición y entrelazamiento, que son la base de su potencia.
1.2.2. Aplicaciones de la computación cuántica en la gestión de

la supply chain
La enorme capacidad de cálculo de los ordenadores cuánticos provoca que los

podamos aplicar de manera extensiva a la gestión de la cadena de suministro.
Veamos a continuación algunas aplicaciones.
Machine learning
En el caso de la gestión de la cadena de suministro, es especialmente impor-

tante el análisis de datos, prever qué querrán nuestros clientes para poder an-
ticiparnos a ello. No hay mejor logística que la que empieza antes de que el
cliente nos pida el producto. La aplicación al comercio electrónico ya es una
realidad, y empresas como Amazon basan su éxito en esto. Este uso se está
extendiendo por todos los ámbitos de la cadena de suministro, aprovisiona-
miento de materias primas y semielaborados, predicción de cuellos de botella
de las redes logísticas, etc.
Gracias a la implantación progresiva de sensores a lo largo de la supply chain,

la IoT, empezamos a tener unas cantidades enormes de datos, y de ahí que sin
los computadores cuánticos será complejo analizar un universo tan grande de
datos. Son definitivamente la solución para todos estos análisis.
Optimización de procesos logísticos
Existen tantos procesos logísticos complejos que, para modelizarlos y optimi-

zarlos, nos obligan a manejar un número casi infinito de variables. Procesos
que van desde la organización de rutas de entrega o previsión de demanda
hasta la gestión del complejo physical internet del que hablamos en este mó-
dulo teórico y que se convertirá en un elemento clave en la optimización de
la logística internacional.
Solo usando la potencia de los ordenadores cuánticos podremos afrontar la re-

solución de estos problemas tan complejos que presentan innumerables per-
mutaciones y combinaciones.
1.3. Big data
Podemos definir el big data, término anglosajón que suele traducirse

como ‘datos masivos’, como un conjunto de datos tan grande que no
es posible gestionarlo con sistemas convencionales.
Dado que las tecnologías y herramientas de software han ido evolucionando,

el término también se ha tenido que ir adaptando.
Este término surge a principios de siglo, fruto de la aparición de la capacidad

de obtención de grandes cantidades de información. Campos como la genética
o la astronomía generan tal cantidad de datos que, junto con los procesos de
digitalización, incrementan los volúmenes de datos almacenados.
Es cierto que las tecnologías, el hardware y el software han ido evolucionando:
• Nuestros dispositivos personales (principalmente, ordenadores y teléfonos

móviles) cada vez nos ofrecen una mayor capacidad de datos. Tener orde-
nadores con Tb de disco duro y teléfonos móviles de 128 o 256 Mb ya no
es extraordinario.
• La memoria RAM de estos dispositivos nos permite abrir bases de datos (en
Excel, por ejemplo) de centenares de miles de valores sin problema.
Pero la capacidad de generar volúmenes de datos cada vez más grandes au-
menta a una velocidad más alta: por ejemplo, las películas ya se almacenan y
consumen en 4K, y las cámaras de los móviles capturan imágenes con calida-
des cada vez mejores. Todas estas mejoras de la calidad se traducen en archivos
de mayor volumen.
Adicionalmente, todos los procesos que antes se registraban manualmente o

en papel o no se registraban ahora sí que crean un rastro digital. La digitali-
zación ha facilitado la aparición de datos donde antes no había y de tipos di-
ferentes. Ya no solo se almacenan cifras o textos. Los datos ahora pueden ser
imágenes 3D, interacciones en una red social, un expediente médico..., cual-
quier tipo de datos estructurados o no estructurados.
Los datos masivos no solo se caracterizan por su volumen, sino también

por su tipología diversa.
Esto ha provocado que haya habido que modificar el modo como se almace-
nan. Hemos pasado de sistemas de bases de datos centralizadas y relacionales
con estructuras cerradas a sistemas de bases de datos descentralizadas NoSQL
capaces de almacenar datos no estructurados.
Pero lo importante no es disponer de un volumen de datos enorme, sino ex-

traer el conocimiento que se esconde tras estos.
Inicialmente, los datos masivos eran manipulados de manera específica para

resolver problemas concretos. Pero gradualmente los datos se convirtieron en
una materia prima que era actualizada y reutilizada para construir modelos
que permitían dar respuestas de manera continua.
En la actualidad, los datos son un activo más de las grandes compañías y han
provocado la aplicación de nuevas políticas empresariales.
(1)
Aparecen nuevos términos, como data-driven,1data-governance, la ‘gobernanza Término que podríamos traducir
como ‘impulsado por los datos’.
de los datos’, y nuevos perfiles profesionales como el data-owner, el ‘propietario
de los datos’.
Se habla de un enfoque�impulsado�por�los�datos (data-driven) cuando una

empresa decide que su toma de decisiones estratégicas esté basada en el análisis
y la interpretación de los datos.
Se habla de la gobernanza�de�los�datos (data-governance) cuando nos referi-

mos a todas las medidas y protocolos que toma una empresa o entidad para
asegurarse de que estos datos sean realmente activos y se puedan usar como
palanca de crecimiento de la empresa.
Un propietario�de�datos (data-owner) es el nuevo papel aparecido como adap-

tación del de product owner, el propietario del producto, que tradicionalmente
tenía en una empresa aquella persona responsable del desarrollo de un pro-
ducto o de una gama de productos.
1.4. Inteligencia artificial
La inteligencia artificial (IA) aparece a mediados del siglo pasado como

una disciplina que intentaba emular la inteligencia natural (la que tene-
mos los humanos) en computadoras. A pesar de que es evidente que el
cerebro humano no es igual que una computadora, ambos son sistemas
de procesamiento de objetos abstractos mediante un conjunto de reglas.
En los humanos, estas reglas a veces se aplican de manera incluso involuntaria,

pero no dejan de ser reglas.
Por este motivo, inicialmente, los sistemas de IA querían lograr que las compu-
tadoras resolvieran problemas matemáticos o que jugaran al ajedrez, pero no
son los únicos campos en los que la IA puede trabajar.
Por lo tanto, actualmente, la IA se basa en la creación de programas informá- Test de Turing

ticos para que un computador ejecute una serie de acciones y siga una serie de
Alan Turing ideó el test de Tu-
reglas. Esta es una de las definiciones que se ha dado, de hecho, de la IA. Pero ring, en el que se consideraba
la IA ha sido definida de maneras muy diversas. que si una computadora se po-
día comportar de tal manera
que no se pudiera distinguir
del comportamiento de un hu-
Durante muchos años, la inteligencia artificial se ha usado para resolver pro- mano, es que la computadora
era inteligente.
blemas avanzados de cálculo complejo en los que se disponía de unos modelos
o representaciones ya definidos y reglas que había que cumplir, como: calcular
rutas posibles entre dos puntos y detectar la más corta, ordenar secuencias de
datos siguiendo un orden concreto, etc.
La existencia de enormes cantidades de datos ha provocado que exista una

nueva rama de la IA que trabaja en el ámbito del aprendizaje, es decir, algorit-
mos informáticos que aprenden a partir de la experiencia o de los datos.
Ejemplo
Un sistema sencillo de inteligencia artificial sería cuando en un programa de gestión de

correo electrónico le introducimos una regla para que todos los correos que provengan
de una dirección concreta se guarden en una carpeta concreta. Por ejemplo, que todos
los correos que provengan de un cliente se guarden en una carpeta con el resto de las
cuestiones de un cliente.
Figura 2. Diagrama de los aprendizajes que incluye la inteligencia artificial
Fuente: elaboración propia
Un sistema de aprendizaje automático permite que el programa identifique

que siempre que recibimos un correo de una determinada dirección se guarde
en una carpeta concreta, de modo que cuando recibamos el próximo correo,
se nos sugiera guardarlo en esa carpeta.
Parte de la innovación en el sector de la logística tiene relación con el concepto

de smartwarehousing. La mayor parte de los conceptos y procesos y mejoras
que se engloban dentro de este concepto tienen que ver con la digitalización,
con la obtención de datos y con una gestión más eficiente de los recursos y
que, por lo tanto, de una manera u otra, hacen uso de la inteligencia artificial.
1.4.1. Aprendizaje automático
El aprendizaje automático, por lo tanto, permite descubrir sus propias reglas.

Ya no necesita que se le den las reglas concretas que ha de aplicar, sino que se
le puede pedir que detecte las reglas por sí solo.
El aprendizaje automático también resulta útil cuando no somos capaces de

generar las reglas que las computadoras han de seguir. Por ejemplo, las reglas
para jugar al ajedrez son más o menos complejas, pero se pueden representar
en un algoritmo que un ordenador entienda. Aunque los humanos son capa-
ces de distinguir un gato de un perro, no es fácil de explicar en lenguaje in-
formático.
En estos casos, es más útil facilitar miles o millones de fotografías etiquetadas

como imágenes de gatos y miles o millones de fotografías etiquetadas como
imágenes de perros y dejar que la computadora cree sus propias reglas con los
patrones que consiga generar.
Ha aparecido el concepto�de�datos�etiquetados, que permite dividir el apren-

dizaje automático en estos grandes bloques:
• Aprendizaje� supervisado. Es aquel por el que se facilitan al ordenador

datos etiquetados.
• Aprendizaje�no�supervisado. Es aquel en el que no se dispone de datos
etiquetados.
Aprendizaje supervisado
En el supuesto que hemos puesto de ejemplo, los datos tienen una etiqueta
gato o perro, de modo que el algoritmo aprende a generar un modelo para
diferenciar gatos y perros. Pero podría haber tenido como etiqueta la raza y
habría aprendido a diferenciar las razas de los animales.
Es decir, se considera aprendizaje supervisado cuando al ordenador se le pide

resolver un problema pero ya se le proporcionan datos en los que se le da la
respuesta a la pregunta que queremos que nos responda o al problema que
pretendemos que resuelva.
Se denomina supervisado porque estas etiquetas nos permiten evaluar la cali-

dad del modelo que se crea.
Cuando tenemos datos etiquetados, estos se pueden separar en un conjunto

de entrenamiento y un conjunto de test.
Los datos de entrenamiento se usan para que el modelo aprenda y elabore un

modelo.
Una vez generado el modelo, se elimina la etiqueta del conjunto de test y se

le aplica el modelo. De este modo, comparando el resultado que ha ofrecido
el modelo con la etiqueta real, podemos evaluar su porcentaje de acierto.
Figura 3. Proceso para analizar la bondad de un modelo
El aprendizaje supervisado se utiliza habitualmente para llevar a cabo princi-

palmente dos tipos de algoritmos:
1)�Clasificación. Consiste en generar un modelo capaz de determinar a cuál

de las clases pertenece una observación. Uno de los ejemplos es el que se indi-
caba antes de clasificar imágenes de gatos o perros. Una de las características
principales es que las etiquetas de estos datos son discretas, es decir, pueden ser
valores cualitativos. Pueden ser valores numéricos pero delimitados, de modo
que sean, de hecho, clases.
Ejemplo de clasificación
• Determinar a la vista de los datos de un cliente si comprará un servicio o no.

• Determinar la calidad del vino, con valores del 0 al 9, a partir de sus características
organolépticas.
• Identificar si una seta es venenosa o no a partir de la forma del sombrero y el color
de las diversas partes de este.
Si simplificamos el caso de la determinación de la tipología de setas, lo podre-

mos ilustrar.
Figura 4. Ejemplo de modelo de clasificación
En un ámbito logístico, se pueden encontrar métodos de clasificación en casos

como los siguientes:
• Determinar el número de muelles de carga que hay que poner en funcio-

namiento para atender la demanda prevista del día.
• Reconocer automáticamente la matrícula de un vehículo para autorizar el
acceso al almacén (leer e identificar los números y las letras de una matrí-
cula).
• Clasificar los paquetes por destino leyendo la etiqueta.
• Determinar la mejor ruta/sistema de transporte para un envío.
2)�Regresión. La característica principal de los modelos de regresión es que

el resultado del modelo es un valor continuo. En este caso, la etiqueta no es
una categoría, sino un valor numérico continuo. Un ejemplo habitual de estos
sistemas es, por ejemplo, determinar el valor de un inmueble a partir de otros
parámetros, como la superficie, la fecha de construcción, el barrio, la altura

del piso, etc. Si solo se determina el valor a partir de dos variables, podremos
grafiarlo.
Figura 5. Ejemplo de modelo de regresión
Las aplicaciones en logística son muy similares a las de clasificación, pero con
resultados numéricos continuos en lugar de valores concretos y limitados. Por
ejemplo, en lugar de determinar la mejor ruta para un envío, un método de
regresión nos podría resolver el problema de cuánto tiempo se prevé que tarde
un paquete en ser entregado. O cuántos metros lineales de almacén estarán
ocupados de media este mes, o cuántos pedidos se servirán de un producto
en un año, o cuántos días faltan para quedarnos sin existencias de cierto com-
ponente.
Hay modelos de regresión muy complejos que son capaces de modelar proce-
sos temporales, y se puede prever el número de billetes de avión que se vende-
rán en un día concreto (teniendo en cuenta el mes del año, el día de la semana,
etc.), por lo tanto, se pueden hacer previsiones de pedidos de ciertos productos
e incluso cuando depende de la época del año o las campañas (Black Friday,
Semana Santa...). Estas compras siempre tienen impacto en la necesidad de
servicios logísticos.
En estos algoritmos supervisados (clasificación y regresión) se puede evaluar,

como hemos visto, la calidad del modelo que hemos creado.
En el caso de los problemas de clasificación, usan el grupo de datos de test

para evaluar el grado de acierto. A pesar de que existen diferentes métricas,
habitualmente empleadas para determinar la bondad del modelo, la más ha-
bitual es la exactitud (accuracy).
En un sistema de clasificación binario, el más básico, tener una exactitud del

50 % es un mal sistema, dado que no es mejor que un sistema aleatorio (si
echamos una moneda al aire y siempre determinamos que saldrá cara, la pro-
babilidad de acertar es del 50 %). Los modelos, por lo tanto, se consideran
buenos cuando superan el 50 %, pero el objetivo se suele marcar a partir del
90 o 95 % de exactitud. Naturalmente, la exigencia en la bondad del modelo
depende mucho de su ámbito de aplicación. No es lo mismo un entorno de-
portivo, en el que queremos acertar quién ganará un partido, que un entorno
médico, en el que debemos determinar la evolución de una enfermedad.
En el caso de los problemas�de�clasificación, no se puede usar la métrica de la

exactitud, ya que son valores continuos. En este tipo de problemas también se
dispone de muchas métricas diferentes para evaluar los modelos, pero todos
tienen como objetivo calcular el error numérico que se comete.
Recordemos que en la regresión, como en la clasificación, tenemos etiquetas y

para elaborar el modelo hemos reservado una serie de datos para poder hacer
el test (o evaluación) del modelo. De manera que podemos calcular el error
con una fórmula básica:
Error = Valor real − Valor predicho
Dado que serán muchos valores, en realidad la métrica empleada sería el error
medio.
Pero como de esta manera errores muy grandes por exceso se compensarían
con errores muy grandes por defecto por culpa del signo de la ecuación, se
suele usar el error cuadrático medio (mean square error, MSE) o el error absoluto
medio (mean absolute error, MAE), que en ambos casos eliminan el problema
del signo del error.
Si en el caso de los problemas de clasificación el objetivo es encontrar un mo-

delo con exactitud del 100 %, en los problemas de regresión el objetivo es
conseguir un error de cero.
Aprendizaje no supervisado
A menudo, el problema que nos encontramos no nos permite disponer de

etiquetas. Es el caso de los problemas de agrupamiento. El término anglosajón
es clustering.
En estos casos, queremos determinar los patrones comunes que tienen las ob-
servaciones. A veces, sabemos el número de grupos que queremos crear y a
veces ni siquiera sabemos el número de grupos óptimo.
Por ejemplo, podríamos intentar analizar a los clientes para saber qué dife-
rentes tipologías (grupos) de clientes podemos diferenciar para que el departa-
mento de marketing pueda diseñar campañas para cada uno de ellos. Si sim-
plificamos el problema usando solo como parámetros el volumen de ventas
y el número de productos vendidos, podríamos ilustrarlo como aparece en el
gráfico.
Naturalmente, en un problema real el número de parámetros es mucho más

grande y se convierte en un gráfico de n-dimensiones en el que no se pueden
visualizar agrupaciones tan fácilmente.
En este caso, no hay posibilidad de evaluar los resultados porque no hay una
etiqueta considerada correcta para cada caso. En estos problemas, la dificultad
radica en saber el número óptimo de grupos que identifiquen y dividan las
observaciones de la manera más adecuada posible.
Figura 6. Ejemplo de modelo de agrupamiento
En el ámbito logístico, es evidente que se pueden clasificar los clientes usando

estos algoritmos, pero también se pueden resolver problemas como la ubica-
ción de los materiales en un almacén en función de su rotación o peligrosidad
o fragilidad.
También, naturalmente, se pueden agrupar los destinos para crear mejores ru-
tas de transporte, sobre todo en servicios de entrega de última milla.
1.4.2. Aprendizaje profundo
El aprendizaje automático nos permite resolver problemas tanto supervisados

como no supervisados con decenas de atributos (características de cada ele-
mento) y con miles de observaciones. Los atributos y las observaciones equi-
valen a las columnas y las filas de datos de los que se dispone.
En los ejemplos anteriores, hemos simplificado algunos para poderlos ilustrar,

pero el precio de un inmueble puede depender no solo de los metros cuadra-
dos y la antigüedad del edificio, sino que se podrían obtener decenas de pará-
metros: altura del piso (planta en la que se ubica), orientación (norte, sur, este,
oeste o una combinación de los puntos anteriores), número de habitaciones,
número de baños, terraza o balcón, ascensor, disponibilidad de servicios (fi-
bra, gas...), etc.
En la mayoría de los problemas en los que hay parámetros numéricos o ca-

tegóricos, se dispone de muy diversas técnicas que permiten encontrar una
solución que nos ofrezca un nivel de error muy bajo o un nivel de exactitud
muy alto.
Pero a menudo los patrones son demasiado complejos para ser resueltos con
estas técnicas. Los casos más habituales son los que incluyen imágenes. En
estos casos, las técnicas que habitualmente se aplican para resolver los proble-
mas con aprendizaje automático no son suficientemente potentes para detec-
tar patrones en una imagen.
La irrupción, entre otras, de las redes neuronales permitió profundizar en la

determinación de conceptos abstractos y complejos que definen los modelos
y los patrones necesarios para resolver los problemas planteados. La manera
de resolver estos problemas consiste en dividir la información para resolver
patrones parciales para después reagruparlos y encontrar estos modelos más
complejos.
A pesar de que el aprendizaje profundo incluye otros modelos de aprendiza-

je, lo cierto es que podemos, para simplificar, considerar que el aprendizaje
profundo se desarrolla principalmente aplicando diferentes tipologías de re-
des neuronales.
Se denominan redes�neuronales por la configuración que tienen.

Figura 7. Ejemplo esquemático de red neuronal
Estas redes neuronales permiten profundizar en el aprendizaje de los modelos

y han facilitado grandes avances en varios ámbitos:
• Determinar la presencia de una enfermedad a partir de una radiografía o

una resonancia magnética.
• Sistema de avisos de impacto en automoción.
• Sistemas de reconocimiento de voz.
Con redes neuronales, se pueden resolver problemas de clasificación, de regre-

sión o de agrupamiento. Se pueden resolver, por lo tanto, problemas etique-
tados o no etiquetados.
En el sector logístico, los problemas que se pueden resolver con aprendizaje

profundo son los más complejos. Actualmente, ya se está usando el aprendi-
zaje profundo para determinar: rutas de transporte, los tiempos de aprovisio-
namiento de componentes para la fabricación (para reducir el tiempo y volu-
men de almacenamiento y a la vez impedir una ruptura de almacenaje y la
parada de la línea de producción) y el momento de entrega de un producto al
usuario final (su paquete será entregado mañana entre las 10 y las 11 horas).
Incluso dentro de un almacén se puede determinar la mejor ruta para que el

operario agrupe los materiales para una salida, o determinar en tiempo real
en qué ubicación hay que posicionar una entrada para evitar recolocaciones
posteriores. También los sistemas que utilizan el reconocimiento de voz, la
realidad aumentada y similares tienen su origen en algoritmos de aprendizaje
profundo.
El aprendizaje profundo requiere mucha más información para poder entrenar

los modelos. La robótica y la digitalización interna de los almacenes alimen-
tará nuevas fuentes de datos que permitirán crear modelos de optimización
de todos los procesos.
1.4.3. Aprendizaje por refuerzo
El aprendizaje por refuerzo es una nueva aproximación a la resolución de pro-

blemas con inteligencia artificial. Sería una tercera tipología de problemas, si
lo vemos desde la perspectiva de la supervisión.
Hemos visto que en el aprendizaje automático hay dos categorías principales:

los problemas en los que hay un aprendizaje supervisado, y los problemas que
resolver con aprendizaje no supervisado.
Y estos problemas se podían resolver con métodos y algoritmos más o menos

simples, o bien con redes neuronales si son más complejos.
El aprendizaje por refuerzo es una tercera categoría porque, si bien de alguna

manera están supervisados, no se dispone de una etiqueta como las que hemos
visto antes.
En el aprendizaje por refuerzo, el universo del problema tiene dos elementos

principales: un agente y un entorno. El agente, simplificando, es el ordenador,
y el entorno es donde se desarrolla el problema.
Y a cada instante tenemos tres datos o parámetros: una acción, un estado (u

observación) y una recompensa.
De este modo, el aprendizaje por refuerzo tiene cierta similitud con la manera
como los humanos aprenden: a base de ensayo-error.
En cada momento, el agente efectúa una acción y el entorno responde con la

situación en la que se encuentra (un estado o una observación) y una recom-
pensa.
De este modo, el agente aprende cuál ha sido la consecuencia de cada acción

en cada estado. Y si la recompensa ha sido favorable, aprende que esta acción
es la correcta cuando esté en este estado.
Juegos de Atari
Esta metodología es la que se aplicó para hacer que un ordenador jugara a juegos de Atari
hasta obtener marcadores similares a los que obtienen los humanos.
El agente es capaz de simular centenares y miles de partidas, de manera que acaba apren-
diendo cuál es la mejor jugada en cada momento. En todos los casos, el objetivo es ma-
ximizar la recompensa.
Figura 8. Elementos de un sistema de aprendizaje automático
Cuando el aprendizaje por refuerzo incorpora el uso de redes neuronales, nos

encontramos en el marco del aprendizaje por refuerzo profundo (deep reinfor-
cement learning).
Estos sistemas son los que se emplean para resolver problemas, como la con-
ducción autónoma, que puede tener un enorme impacto en el sector logístico
(como en el caso del platooning para largas distancias o los nuevos sistemas de
entrega de último kilómetro con drones, robots o furgonetas autónomas).
1.5. Blockchain
Blockchain es la capa de confianza y eficiencia que necesita internet, y

se caracteriza por tres elementos clave:
1) Construcción de una red fiable, un notario eficiente y descentraliza-

do.
2) Uso de contratos inteligentes (smart contracts), que supone la ejecu-

ción fehaciente de un workflow (‘flujo de trabajo’). Debe quedar claro
que no hablamos de la digitalización de los contratos.
3) Capacidad de usar tokens. Este concepto permite hacer micropagos

entre diferentes plataformas mediante monederos virtuales.
Es la tecnología que ha resuelto el problema de generar transacciones fiables

por medio de una base de datos distribuida. Su aplicación dentro del entorno
empresarial significa un nuevo paradigma para crear relaciones centradas en
la transparencia, confianza y seguridad.
1.5.1. Origen
El concepto de computación distribuida que está detrás del término blockchain

(‘cadena de bloques’) proviene de la década de 1990, y no es un concepto
nuevo. No fue hasta aproximadamente 2009 cuando Satoshi Nakamoto creó el
bitcoin e introdujo el concepto de blockchain para crear un sistema de registro
(Ledger) que se mantiene por un consenso anónimo.
Este origen marca la tecnología desde el inicio. En primer lugar, hay que decir
que todavía es un misterio saber quién es Satoshi Nakamoto, si es una persona,
un colectivo..., no se sabe realmente quién está detrás de la creación de los
bitcoins. Una de las opciones más plausibles es que Satoshi Nakamoto sea el
pseudónimo de Craig Steven Wright, un informático australiano, al menos
parece que es lo que él afirma, pero no está del todo claro. Seguramente, se trata
de varias personas vinculadas de alguna manera a él, que formó el colectivo
que lo desarrolló y que todavía conserva un porcentaje importante de bitcoins;
y gracias a la valoración de la criptomoneda ya es una de las personas más
ricas del mundo.
El segundo punto importante es que esta tecnología distribuida se usó por pri-
mera vez para crear una criptomoneda, el bitcoin. Por esta razón se ha asimi-
lado durante muchos años la tecnología blockchain a bitcoin, cuando se trata
solo de una aplicación.
Hasta el año 2014 la tecnología estuvo totalmente vinculada al mundo finan-

ciero, con la aparición de otras muchas monedas digitales, la creación de casas
de cambio, el aumento exponencial de la especulación a causa de una valora-
ción muy volátil, etc. En 2014 aparece el concepto contratos inteligentes (smart
contracts), que abre de par en par la posibilidad de usar la tecnología en otros
muchos entornos, como puede ser el mundo de las operaciones y de la logís-
tica.
1.5.2. Elementos básicos de la tecnología blockchain
Tal y como hemos comentado antes, existen tres elementos que dan la poten-
cia que tiene la tecnología. Analicémoslos a continuación.
Red confiable
Sea cual sea el tipo de cadena de bloques, en una red de este tipo, la infor-
mación se almacena en forma de transacciones en un registro distribuido. La
transacción se parte en bloques, se encripta, se concatena con el anterior, se
replica y se distribuye por la red. De manera que cada nodo de la red tiene copia
del registro en el que están todas las transacciones que ha gestionado la red.
Dado que está replicado en tantos lugares, la información no se puede modi-

ficar en un nodo, ya que el resto vería el cambio y volverían al estado inicial.
Por lo tanto, la red actúa como un «notario» para cada transacción, haciendo
que la información no se pueda alterar sin que la red lo sepa.
Este proceso de validación de la transacción está abierto a todos los nodos de la

red en una cadena de bloques pública, es lo que se denomina «minar». En una
red bitcoin, por ejemplo, quien mina la transacción se lleva una recompensa
en forma de criptomonedas. Este proceso supone un consumo energético in-
menso, dado que hay millones de nodos en la red compitiendo.
Por eso una red como bitcoin es muy poco eficiente: dado que todo el mun-
do puede participar en el proceso, el rendimiento es de pocas transacciones
validadas por segundo.
Contratos inteligentes (smart contracts)
Lo primero que hay que decir es que un smart contract supone la ejecución
fehaciente de un diagrama de flujo (workflow); no son contratos mercantiles
digitalizados.
Al final, son los diagramas de flujo de procesos operacionales de toda la vida,

programados, automatizados y ejecutados sin intervención humana. De este
modo, se encargan de gestionar el enlace entre dos o más partes de manera
segura, eficiente y escalable. Trabajan por medio de códigos ejecutables en la
cadena de bloques para facilitar, efectuar y hacer cumplir un acuerdo. Rigen
el intercambio de información o de bienes entre particulares o empresas, su
cumplimiento es verificado automáticamente por la red y se ejecuta y hace
cumplir por sí mismo, sin intermediarios ni mediadores.
Por lo tanto, esto hace referencia a un programa informático que facilita de

manera digital la verificación, el control y la ejecución de un acuerdo prede-
terminado. Estos contratos se ejecutan mediante una plataforma de cadena
de bloques, que procesa todas las transacciones sin intermediarios. Al igual
que los contratos tradicionales, en los contratos inteligentes se definen reglas
y sanciones en torno a un acuerdo y hacen cumplir automáticamente estos
parámetros.
Es seguramente el elemento básico que da aplicabilidad de cadena de bloques

en el mundo de las operaciones y la gestión de la cadena de suministro. Su-
pondrá grandes beneficios, con el poder de convertir los acuerdos y las rela-
ciones tradicionales en una automatización efectiva, segura y digital.
Token
El token puede representar cualquier tipo de bien fungible y negociable.
Es la representación digital de cualquier activo, el derecho de propiedad de

una casa, el contrato de un jugador de baloncesto, las acciones de propiedad
de una empresa, una moneda electrónica, etc.
Por lo tanto, este concepto permite hacer micropagos entre diferentes plata-
formas mediante monederos virtuales. Su aplicación en marketplaces es clave,
dado que facilita la compraventa de bienes y servicios sin intermediarios, de
manera sencilla y transparente.
Su aplicación evidente son las criptomonedas, que no dejan de ser una repre-
sentación digital de un activo que se guarda en un monedero electrónico y
con el que se puede negociar, con un valor que fluctúa.
Tenemos casos de uso de cadena de bloques en los que los token son centrales;
otros, en los que la base son los contratos inteligentes, y aplicaciones en las que
usamos los dos elementos. Aquí es donde reside la potencia de la tecnología,
su casi infinita capacidad de crear casos de uso.
En la figura 9 podemos ver un amplio abanico de aplicaciones de la tecnología.
1.5.3. Características clave de la tecnología de cadena de bloques
Las aplicaciones de cadena de bloques pueden tener uno de los mayores im-
pactos en la industria logística, especialmente en la gestión de la cadena de
suministro (supply chain), ideal para un proceso global y descentralizado co-
mo son las supply chain. Esta tecnología permite crear flujos de trabajo más
eficientes, por eso la gestión de la cadena de suministro es una de las aplica-
ciones más importantes.
Veamos las características principales que hacen que la cadena de bloques sea
ideal:
1)� Transparencia� de� datos. Cada parte interesada recibe acceso controlado
a un conjunto de datos compartidos, creando una única fuente de verdad.
Todos los participantes de la cadena tienen la confianza de que están usando
el conjunto de datos más reciente, preciso y fiable.
Debe haber mecanismos adicionales para garantizar que los registros almace-
nados sean fiables, a prueba de falsificaciones y provenientes de una fuente
verificable.
Figura 9. Aplicaciones de la tecnología blockchain
Fuente: elaboración a partir de M. Van Niekerk. (21 de febrero de 2018). Blockchain in practice. Slideshare. https://
www.slideshare.net/settlemint/blockchain-in-practice
2)�Seguridad. Los registros o bases de datos tradicionales generalmente pro-

porcionan una capa de seguridad que, una vez violada, permite acceder a to-
dos los datos almacenados.
En un sistema basado en cadena de bloques, los mecanismos de seguridad ase-

guran que las transacciones y los mensajes individuales estén firmados crip-
tográficamente. La información está encriptada, troceada y replicada en mu-
chos nodos.
Esto garantiza una seguridad y una gestión de riesgos efectiva para hacer frente
a los altos riesgos actuales de piratería, manipulación de datos y compromiso
de datos.
3)�Gestión�de�activos. Se puede usar para gestionar la propiedad de activos

digitales y facilitar las transferencias de activos digitales (tokens). Por ejemplo,
se puede usar para rastrear la propiedad de títulos (títulos de propiedad o cer-
tificados de diamantes) y derechos (derechos de autor y derechos minerales).
Los tokens se pueden usar como certificados de propiedad, licencias de softwa-

re, acciones de una sociedad, programas de recompensa, acceso para alquilar
coches, entradas para conciertos, pagar peajes, crowdfunding, representar ele-
mentos físicos en plataformas de negociación digitales, etc.
4)�Ejecución�automatizada�de�diagramas�de�flujo. Esta es quizá la caracte-

rística más importante cuando hablamos del uso de la cadena de bloques en
el mundo de las operaciones empresariales, y en concreto de la supply chain.
Los contratos inteligentes son diagramas de flujos implementados mediante

un programa informático de ejecución automática. Podéis hacer cumplir au-
tomáticamente, sin decisión humana, las reglas acordadas por las partes in-
teresadas y los pasos del proceso.
Son totalmente autónomos. Cuando se cumplen las condiciones del contra-

to, las acciones previamente especificadas y acordadas tienen lugar sin inter-
acción humana.
Esta funcionalidad abre el uso de la cadena de bloques a un gran número de

usos corporativos, especialmente en el mundo de la logística.
Para cada tipo de aplicación pondremos el foco en algunas de estas cuatro

propiedades básicas. Por lo tanto, un punto importante es saber que cadena de
bloques no es un concepto uniforme; hay muchas tecnologías e implementa-
ciones que podemos hacer de la tecnología dependiendo del foco que ponga-
mos en alguna propiedad. A continuación, hablaremos de los tipos de cadena
de bloques que existen y qué características tienen.
1.5.4. Tipos de cadena de bloques
Cuando se habla de cadena de bloques siempre vienen a la cabeza los bitcoins.

A pesar de que es la aplicación más conocida, no deja de ser una más de las
implementaciones que se puede hacer de la cadena de bloques, por cierto, muy
poco eficiente si queremos hacer un uso empresarial de esta.
A pesar de que existen diferentes tipos, tienen características�comunes que

definen todas las tecnologías de la cadena de bloques, como el hecho de ser un
registro distribuido; la gestión para transacciones; la división de las transaccio-
nes en bloques, y la encriptación. Por otro lado, hay una variedad de opciones
y flexibilidad a la hora de decidir cómo se administra la red, los participantes
o los grados de descentralización y transparencia. Estas variables dan origen a
los diferentes tipos de cadena de bloques. En función de la aplicación, debe-
mos elegir la que usaremos.
Tipos de sistemas de cadena de bloques:
• Cadena�de�bloques�pública (acceso abierto, transparencia total, sin ad-

ministradores). Ejemplos: Bitcoin, Etherium, Monero, Dash, Litecoin.
• Cadena�de�bloques�privada (acceso controlado, transparencia limitada,
administrador único). Ejemplos: MOMX, Blockstack, Multichain, NDL
(neutral distributed ledger), NEM, Hyperledger Fabric, Ripple...
• Cadena�de�bloques�federada�o�de�consorcio (enlaza cadenas de bloques
privadas, más de un administrador, modelo de gran potencia para uso cor-
porativo). Ejemplos: R3 (bancos), EWF (energía), B3i (aseguradoras).
• Blockchain�as�a�Service�-�BaaS (IBM, Amazon, Microsoft...). En BaaS, los
proveedores ponen a disposición sus nodos, pero debes llevar a cabo tú
el desarrollo de la solución tecnológica. Esto no está al alcance de todo

el mundo.
En el entorno corporativo, y más específicamente para las operaciones y la

supply chain, la hoja de ruta del despliegue de la cadena de bloques se está
iniciando con la utilización de tecnologías de cadenas de bloques privadas que
seguramente acabarán consorciándose a la larga en entornos en los que haya
sinergias. Tal y como han llevado a cabo bancos, aseguradoras y empresas de
energía.
1.5.5. Escenarios de aplicación de cadena de bloques en el sector

de la logística
Hay muchos ejemplos concretos de implementación de tecnología de cadena

de bloques en el mundo de la supply chain. A continuación, se detallan algunos
casos de uso particularmente interesantes:
Marketplace eficiente y desintermediado. Ejemplo: contratación

de servicios logísticos
Hay un gran número de proyectos en los que se está implementando un mo-

delo de negocio desintermediado, basado exclusivamente en la cadena de blo-
ques, para dar una respuesta eficiente al modelo ya clásico de marketplace de
contratación de servicios logísticos.
1)�Nuevo�enfoque:
• De marketplace a plataforma web inteligente en línea.

• No hay subasta para cada contratación. Lo que hace la plataforma es rea-
lizar un proceso de cotización automático del servicio de acuerdo con el
contrato marco definido con anterioridad con los operadores logísticos, en
el que se definen las características. Los transportistas están homologados
y verificados previamente por la plataforma.
• La plataforma envía de manera automática la petición de servicio a los
transportistas que tienen mejor ubicación para dar el servicio, indicando
origen, destino, precio, tipo de carga, etc. Los transportistas tienen una
aplicación desde la que pueden aceptar el servicio, y el primero que lo
acepta es quien se lleva la carga.
• Se genera un contrato inteligente por cada transacción; así, tenemos un
seguimiento del momento de la carga, la ubicación del transportista, etc.
2)�Valor�añadido de la cadena de bloques en el modelo de negocio:
• Se trata de un modelo de negocio basado exclusivamente en la cadena de

bloques.
• Dado que conseguimos eliminar intermediarios, imposibilitamos la tercia-

rización de servicios (solo el transportista que acepta el pedido es quien
realiza el servicio).
• Un punto muy importante es conseguir eliminar las disputas que se crean
normalmente en relación con la trazabilidad, la ubicación, el tiempo de
espera, etc.
• La información es inviolable.
Aumento de la eficiencia en procesos logísticos. Ejemplo: gestión

y transporte marítimo
Según muchas fuentes consultadas, podemos decir que, a pesar de la CO-

VID-19, el transporte marítimo todavía representa el 90 % del comercio mun-
dial. La industria del transporte marítimo es crucial para mantener un grado
suficiente de importación y exportación de mercancías. Sin esto, el apoyo de
la economía moderna sería imposible.
Hoy en día, todo este proceso es complejo y poco eficiente, con controles
aduaneros en su origen y destino, tiempo de espera, enorme volumen de do-
cumentación involucrada... Todo esto porque nadie se fía de nadie: según ex-
plica el puerto de Róterdam, para enviar un simple contenedor de Asia a Euro-
pa se necesitan más de treinta documentos físicos diferentes y hay más de diez
entidades implicadas. Toda esta ineficiencia origina retrasos en el transporte,
echa a perder los productos perecederos, etc.
La cadena de bloques es la solución, aunque no será fácil, ya que hay muchas

partes afectadas y muchos actores que viven de la ineficiencia del proceso,
pero el camino ya se ha iniciado.
Figura 10. Situación actual de importación/exportación del transporte internacional
Fuente: elaboración propia a partir de información del puerto de Róterdam

Figura 11. Situación de futuro aplicando cadena de bloques
Fuente: elaboración propia a partir de información del puerto de Róterdam
Gestión eficiente y segura de las cadenas de suministro. Ejemplo:

sector aeroespacial. Fabricación y acoplamiento de aeronaves
La fabricación de elementos complejos, como pueden ser los aviones o la au-

tomoción, por ejemplo, implica la gestión de una cadena de suministro mu-
chas veces distribuida en todo el mundo y en la que hay que controlar muchos
parámetros; miles, en muchos casos.
El hecho de no tener una visión veraz y actualizada en tiempo real de lo que

hacen nuestros proveedores nos origina muchos problemas. No sabemos si
realmente disponen de las existencias que hemos pactado, si los procesos se
hacen cumpliendo los estándares de calidad esperados, etc. Muchas veces de-
bemos esperar al final del montaje para validar el funcionamiento global, lo
que provoca errores de funcionamiento, repetir trabajos y, al final, pérdida de
servicio a nuestros clientes.
La capacidad que nos da la cadena de bloques, mediante la utilización de sus

contratos inteligentes, es enorme. Podemos mapear el diagrama de proceso de
la producción global programándolo en el contrato inteligente e implemen-
tándolo en una red de cadena de bloques segura. Dependiendo del proceso,
controlaremos cosas diferentes; hay posibilidades infinitas.
La unión de la IoT (sensórica) y la cadena de bloques posibilita visualizar en

tiempo real toda una cadena de suministro por compleja que sea y nos permite
anticiparnos a los problemas, implementando planes B o lo que sea necesario
para no cortar nuestra cadena.
Lo que hacemos es programar el diagrama de flujo del proceso operacional,

incorporando los controles que queramos, y lo mejor de esto es que está au-
tomatizado y se ejecuta sin intervención humana.
Ejemplo de caso de uso
A continuación, se expone un ejemplo de caso de uso en el sector aeroespacial, en el que

asegurar la calidad de la producción de las diferentes partes que integran la estructura de
un avión es clave para garantizar la seguridad y eficiencia del proceso global.
Figura 12. Control de la cadena de suministro del sector aeroespacial, aplicando la cadena de
bloques

2. Smart warehousing
La logística 4.0 se postula como herramienta indispensable para reducir

los costes operativos de las cadenas de suministro vía reducción de ex-
ceso de material, reducción de tiempos improductivos y mejora de efi-
ciencia operacional con efectos favorables en calidad/nivel de servicio
de cara al cliente final.
Para evolucionar de una cadena de suministro convencional a otra inteligente

(smart), habrá que eliminar las barreras entre las diferentes áreas funcionales
y crear una cadena de suministro continua, en cuanto a cómo se gestiona la
información de la demanda. Para esto, será necesario:
• La incursión de nuevos procesos y mecanismos de consenso en la inter-

pretación, el tratamiento de datos y el planteamiento de hipótesis. Es im-
perativa una única predicción interdepartamental, a diferencia de la ac-
tualidad, en la que cada unidad de negocio aplique diferentes criterios en
función de reportes o maneras de entender su actividad, haciendo variar
previsiones e hipótesis entre departamentos (finanzas, ventas, operacio-
nes, I+D).
• Sobre esta base sólida y común de información reciente, hay que aplicar
una analítica avanzada de autoaprendizaje para recibir recomendaciones
de ajuste de productividad y gestión de distribución adaptadas a los cam-
bios continuos de la demanda. Incluso permitir la predicción del compor-
tamiento errático, estacional y afectado por acontecimientos externos, de
la demanda y también del estado de los proveedores, para optimizar el
inventario y, en consecuencia, la producción y las decisiones de abasteci-
miento de materia prima.
• La inversión en tecnología y robotización: se necesitarán mejoras median-

te nuevas tecnologías que reduzcan los tiempos improductivos y que per-
mitan una agilidad para ejecutar según la información de los recomenda-
dores del sistema integral. De hecho, en la actualidad, el uso de demanda
con cierto decalaje es consecuencia de los numerosos tiempos improduc-
tivos que caracterizan las cadenas de suministro y de las que resulta el co-
nocido lead time (‘tiempo de entrega’). En un escenario ideal, en el que el
tiempo de entrega fuera mínimo o nulo, permitiría recibir información de
demanda inmediata para una producción también inmediata (just in time).
Figura 13. Confluencia de información de la cadena de valor de una cadena de suministro para
habilitar la gestión remota y el concepto de smartwarehousing
Fuente: F. Tao, Q. Qi, A. Liu y A. Kusiak. (Julio de 2018). Data-driven smart manufacturing. Journal of Manufacturing Systems,
48(Part C), 157-169. https://doi.org/10.1016/j.jmsy.2018.01.006
Por lo tanto, para dotar de inteligencia los almacenes, las inversiones necesa-
rias deberán concurrir en dos fases paralelas:
• Inversión en equipamiento y tecnologías para reducir tiempos improduc-

tivos.
• Digitalización de estos para poder optimizar la gestión remota e incorpo-
ración ágil e inmediata para adaptarse a cambios de demanda y disrupcio-
nes.
Figura 14. Proceso concurrente de transformación digital mediante la inversión en

equipamiento físico y su digitalización para extraer datos y poder gobernarse remotamente
Fuente: elaboración a partir de A. Jenkins. (10 de diciembre de 2020). Warehouse Automation Explained: Types, Benefits&
Best Practices. Oracle Netsuite. https://www.netsuite.com/portal/resource/articles/inventory-management/warehouse-
automation.shtml
2.1. Equipamiento y tecnologías para reducir tiempos

improductivos
La recogida de bienes, la manipulación, tanto en el inbound como en el alma-

cén y punto de manipulación final, se ve expuesta a tiempos improductivos,
puesto que hay exceso de intervención manual, lo que implica margen de
error en tareas repetitivas.
Estas tareas son mejorables con tecnologías que permiten esta manipulación y
que, con una total sincronía con el sistema de gestión integral, puede suponer
mejoras operacionales significativas.
A continuación, se detallan tecnologías que hay que considerar para sofisticar

la transformación de los almacenes según sus características y necesidades:
1)�Goods-to-person�(GTP). Incrementa la eficiencia y reduce congestiones en

los casos en los que el personal deba acceder a ubicaciones para obtener el in-
ventario. Mediante sistemas automatizados de elección, transporte de rodillos
y elevadores verticales, el trabajador ha de pedir solo el material y esperar su
recepción en el mismo punto en el que lo haya solicitado. Esta innovación
puede doblar e incluso triplicar la velocidad de picking en un almacén.
Figura 15. Ejemplo de sistema goods-to-person
Fuente: Daifuku. https://www.daifuku-logisticssolutions.com/es/solution/function/manual-picking/goods-to-person.html
2)�Automated�storage�and�retrieval�systems�(AS/RS). Son sistemas de trans-

porte de material, manipuladores y transportadores para pequeños lotes o ba-
jas cantidades de inventario. Óptimo para espacios reducidos donde es difícil
acceder o haya que facilitar la inventorización de productos.
Figura 16. Ejemplo de sistema AS/RS
Fuente: IGZ The SAP Engineers. (2014). Innovative shuttle warehouse management with SAP EWM/MFS (SAP Extended Warehouse
Management/SAP Material Flow System). https://www.igz.com/en/current-events/news/innovative-shuttle-warehouse-
management-with-sap-ewmmfs/
3)�Automatic�guided�vehicles�(AGV). Consiste en vehículos de seguimiento

vía sensores que se guían mediante tiras magnéticas en el pavimento o cablea-
do. Su campo de aplicación son almacenes amplios en los que no hay flujos
de personas, ya que su paso podría interferir en el movimiento de los robots
que siguen tareas automatizadas por los caminos trazados.
Figura 17. Ejemplo de sistemas AGV
Fuente: Movexx. (4 de abril de 2019). 9 Ways Automated Guided Vehículos Make Goods Transportation Efficient. https://
movexx.com/9-ways-that-automated-guided-vehicles-make-goods-transportation-efficient2/
4)�Autonomous�mobile�robots�(AMR). A diferencia de los AGV, los AMR per-

miten desplazarse vía GPS, con lo que rompen la dependencia de sistemas de
cableado/guiado, y por lo tanto tienen un campo de aplicación más amplio,
con múltiples ventajas; rutas alternativas a las ubicaciones cambiantes del flu-
jo de personal u otorgar más flexibilidad, ya que se pueden programar rutas
para adaptarse a nuevos layouts de almacén.
Figura 18. Ejemplo de sistemas AMR
Fuente: Maxon Group. (28 de mayo de 2020). Intralogistics: AGV vs. AMR. Robotics Tomorrow. https://
www.roboticstomorrow.com/article/2020/05/intralogistics-agv-vs-amr/15279
5)�Pick-to-light�y�put-to-light. Mediante este sistema de luces vinculado a la

disposición de inventario y reactivo a las peticiones de los escáneres de códi-
go de barras, se puede ubicar rápida y fácilmente el inventario que se ha de
recoger, lo que reduce errores en el proceso de búsqueda y acceso, tanto en la
recogida como en el almacenamiento.
Figura 19. Ejemplo de sistema pick-to-light y put-to-light
Fuente: Elion. ¿Qué son los sistemas Pick to Light? https://www.elion.es/tecnologias/p2l/
6)�Voice�picking�and�tasking. Mediante el reconocimiento de voz, este sistema

sugiere rutas para acceder al inventario que se busca. Esta ayuda permite al
trabajador concentrarse en las tareas y el entorno para garantizar su propia
seguridad, además de aumentar la eficiencia a la hora de ir a buscar y recoger
el inventario.
Figura 20. Ejemplo de sistema voice picking y voice tasking
Fuente: News: Lucas and Fetch Partnership. https://www.lucasware.com/voice-directed-warehousing/
7)�Automated�sortation�systems. Mediante el uso de tecnologías complemen-

tarias, como RFID, escáneres de código de barras y sensorización por recono-
cimiento visual/cámaras, cuando se combinan con el transporte lineal, por
ejemplo, rodillos y actuadores en este lineal, estos sistemas permiten bifurcar
y derivar los bienes durante su recorrido a través del almacén y, consecuente-
mente, acercar al lugar adecuado el inventario de manera automática.
Figura 21. Ejemplo de sistema automated sortation
Fuente: Bastian Solutions. Improve Inventory Reliability and Shipping Accuracy with Automated Sortation. https://
www.bastiansolutions.com/solutions/technology/sortation/
2.2. Digitalización IoT, digital twins y realidad aumentada
Los entornos inteligentes de la industria 4.0 combinan la inclusión de

inteligencia artificial y la gestión descentralizada de entornos operacio-
nales que disponen de elementos robotizados, automatizados y senso-
rizados, y de los cuales, por lo tanto, se pueden extraer datos en tiempo
real.
2.2.1. Sensórica
Las diferentes máquinas o dispositivos con sensorización se pueden co-

municar entre sí bajo protocolos de gobernanza en marcos de trabajo
(software virtual) para gestionar la operativa del almacén de manera re-
mota.
Aun así, además de la excelencia operacional, estos datos permiten velar por
un mantenimiento pasivo, proactivo y autónomo de todo el equipamiento, y
reducir de este modo tiempos improductivos por fallos inesperados.
La extracción de datos en los diferentes nodos de la cadena de suministro

puede consistir en diferentes tipos. Según la naturaleza del nodo que hay que
tratar, se pueden encontrar los sensores siguientes como elementos pasivos
de información:
• Almacén: con el objetivo de reducir pérdidas y daños. Tipo de sensor:

control de la iluminación, temperatura, ubicación de productos, compro-
baciones de seguridad, entrada y salida de mercancías, necesidad de man-
tenimiento en la maquinaria y robots.
• Flota�en�ruta: conocer con exactitud el estado de los vehículos (encen-

dido, en movimiento, parado), optimización de rutas, recorridos hechos,
velocidad por operación, detección de fallos, niveles de combustible.
• Estado�del�material�transportado: conocer en todo momento si el estado

de la mercancía es óptimo y pactado con el transportista para garantizar
su integridad hasta la entrega. Sensores empleados: temperatura de la cá-
mara del medio de transporte en uso, vibración de los productos frágiles,
cambios de presión, etc.
• Servicio�de�entrega: conocer todas las particularidades de la entrega pun-

to a punto, información muy valiosa para mejorar continuamente el pro-
blema de la última milla: tiempo de entrega, tiempo de descarga.
2.2.2. ERP (enterprise resource planning) y WMS (warehouse

management system)
Los dos, ERP y WMS, son softwares de planificación de la organización y

producción, y ofrecen una solución integral de las operaciones, el abas-
tecimiento y la entrega de materiales de acuerdo con la capacidad de
producción/operación disponible.
Mediante estos sistemas, se puede disponer de una manera centralizada de to-

da la información relevante del almacén desde la perspectiva de operaciones,
teniendo la visión completa de las celdas de trabajo, reportes específicos, es-
tadísticas y capacidad de planificación cuidadosa y en tiempo real.
La diferencia principal entre ERP y WMS radica en las herramientas destinadas

a la gestión del sector logístico que caracterizan WMS, como procesos de cross-
docking, gestión de etiquetas y empaquetado según producto o configuración
de workflows en picking, mientras que ERP se limita a funciones de control de
inventario de manera agregada.
2.2.3. Realidad aumentada
Podríamos definir la realidad� aumentada como la extensión de per-

cepción de nuestro entorno mediante la adhesión de capas digitales con
información complementaria. Estas capas pueden ser visuales, sonoras
en combinación de imágenes reales, interacción con el entorno y vir-
tualizaciones en 3D sobre el entorno real que visualizamos.
Figura 22. Realidad aumentada en gestión de inventario en un almacén
Fuente: Konradin Industrie. (25 de febrero de 2019). Das Ende der klobigen Datenbrillen. https://industrieanzeiger.industrie.de/
technik/das-ende-der-globigen-ar-brillen/
La realidad aumentada permite mejorar la operativa en la manipulación de

bienes reduciendo tiempos improductivos a la vez que optimizando los espa-
cios, dado que permite tener acceso inmediato y actualizado a la carga de los
circuitos por los que los operarios de almacén han de circular e interaccionar
para manipular los bienes, lo que permite recibir recomendaciones dependien-
do de la naturaleza de lo que haya que hacer. Hay muchos casos� de� uso� y
aplicación de esta tecnología:
1)�Instrucciones�durante�la�manipulación. Este campo de aplicación resulta

de especial relevancia para el operario que desplaza el bien por un almacén
recibiendo información de ubicación, destino, contenido, peso, etc. Mediante
imágenes sobreimpresionadas sobre la misma ruta que ve el operario, este sis-
tema puede alertar al trabajador con instrucciones de manipulación del bien
de acuerdo con su contenido y así asegurar su integridad y trazabilidad en el
ámbito de sistemas para operaciones futuras.
Figura 23. Realidad aumentada para la visualización de características de inventario almacenado
Fuente: Cybrain. Adobe Stock. https://stock.adobe.com/es/images/industry-4-0-warehouse-logistics-packages-dispatching-

and-delivery-concept-mobile-phone-with-augmented-reality-showing-the-orders-labels-on-cardboard-boxes-at-racks-in-
storage/133542160
2)�Carga�y�utilización�de�espacios�para�el�transporte�(contenedores,�camio-
nes). Mediante el histórico de datos de cargas acumuladas en el espacio que
rellenar para su transporte, y las características de los productos ya almacena-
dos, se pueden recibir propuestas de reordenación considerando características
geométricas, peso y requisitos de los bienes acumulados que transportar para
incrementar el factor de compactación de la cabina y optimizar la mercancía
total que transportar.
3)�Gestión�aduanera�y�envío�internacional. Permite visualizar si los bienes

que transportar cumplen las regulaciones de importación y exportación de la
ruta en curso cruzando sus certificados vigentes, características intrínsecas de
los bienes cruzándolos con nuevos requisitos o nuevos certificados. Un cruce
de información en tiempo real que puede agilizar los trámites y las gestiones
en aduanas y fronteras y reducir ineficiencias temporales que repercuten en
los tiempos de entrega.
4)�Elección�y�disposición�de�material�en�almacén. Similar al light picking,

mediante proyecciones en el almacén real, permite identificar visualmente
dónde se puede recoger físicamente o depositar reduciendo los márgenes de
error y favoreciendo la inmediatez de la operativa en almacén.
Figura 24. Realidad aumentada para recibir propuesta de rutas y ubicación de material en un
almacén
Fuente: PCM_ADMIN. (3 de mayo de 2019). The warehouse of the future is getting closer. MHD Supply Chain News. https://
mhdsupplychain.com.au/2019/05/03/warehouse-future-augmented-reality/
5)�Gestión�dinámica�de�tráfico. Permite también, mediante proyecciones y

a modo de navegación, modificar y alertar al trabajador sobre qué ruta debe
seguir dentro de un almacén para evitar zonas congestionadas y reducir su
tiempo improductivo en tiempo real.
6)�Entrega�de�última�milla. Con equipos de visualización de realidad aumen-

tada, el transportista ya no necesita recordar lo que previamente ha compro-
bado en su dispositivo GPS, y durante el acceso a la vivienda puede ver proyec-
tado en todo momento hasta dónde debe avanzar para proceder a la entrega o
en qué zona específica debe depositar el bien en modo de GPS impresionado
en su campo de actuación a medida que avanza el trayecto.
Figura 25. Realidad aumentada para la optimización de rutas y mejora de la problemática de la

última milla
Fuente: A. Boyle. (26 de agosto de 2019). Amazon lays out a technology to guide delivery agents with augmented reality. Geek
Wire. https://www.geekwire.com/2019/amazon-lays-technology-guide-delivery-agents-augmented-reality/
2.2.4. Digital twins
Cuando se conjuga la sensorización y la información extraída de sen-

sores con la planificación que agregan los sistemas WMS de toda la ca-
dena de suministro, se permite abordar un nivel superior como si se
tratara de una última capa de gobernanza heurística de toda la cadena
de suministro.
Usando la información capturada con los WMS y los sensores, se pueden crear
réplicas digitales para simular operaciones y crear escenarios hipotéticos. Apli-
cando la demanda en tiempo real para ver el impacto en rendimiento, costes
que tendrían distintas propuestas de planes de producción/gestión y poder
elegir la más favorable para ejecutarla desde el propio entorno.
Permite, en definitiva, sin la necesidad de paradas de actividad en el almacén,

identificar la mejor utilización de espacio y eficiencia de uso; evaluar cómo las
inversiones de automatización impactarían en la eficiencia y productividad;
experimentar con escenarios de planificación en campañas intensivas, como
el Black Friday; mejorar la ubicación de referencias demandadas; simular el
movimiento de productos y rutas óptimas para reducir el consumo energético
de los dispositivos móviles, y reducir las zonas con más congestión del almacén
en casos de pandemia, etc.
Figura 26. Ejemplo de solución comercial para la simulación de mejora de rutas para preservar
la distancia de seguridad en situación de pandemia y prever el posible impacto en el
rendimiento operacional del almacén
Fuente: Ipolog https://www.ipolog.ai/en/

3. Plataformas logísticas y la producción

descentralizada
El paradigma de industria 4.0 acompaña también la visión de desplazar la ma-

nufactura centralizada a entornos de producción descentralizados.
Muchos productores conviven con la incertidumbre de qué quieren realmen-

te los clientes finales. Esta falta de conocimiento deriva en previsiones de de-
manda mal atendidas, lo que provoca, en la producción centralizada, expo-
nerse a un exceso de inventario, cuya venta puede suponer ambos extremos:
forzar descuentos para vender a coste o la muerte por éxito de no poder satis-
facer una demanda mal dimensionada.
Posicionar la producción cerca del punto de entrega final otorga una flexibili-
dad que permite dirigir ambas limitaciones; adaptarse a las necesidades reales
con agilidad e, indirectamente, reducir pérdidas gracias a que se intenta anti-
cipar esta demanda supuesta.
Estas tecnologías añaden un tercer grado de sofisticación, y es que puede ajus-

tarse la configuración del producto final independientemente de la dimensión
del lote de producción. En resumen, puede evitar planificaciones muy avan-
zadas para poder compensar tiempos improductivos de la cadena de valor,
desde la manufactura hasta la entrega en punto final, y evitar y reducir así
la exposición al efecto bullwhip, que una producción centralizada posee inhe-
rentemente y es transversal a toda la cadena de suministro.
Las empresas que desarrollan y producen bienes también se ven expuestas a

curvas de vida de producto mucho más cortas y con grados elevados de diver-
sificación de producto con necesidad incluso de un alto grado de personali-
zación del producto acabado. Y se ven con la necesidad de tener que acomo-
darse ágilmente a lo que el cliente pide en cantidad y tipo tan rápido como
sea posible.
En este sentido, reducir distancias desde la producción hasta la entrega puede

implicar un ahorro de tiempo significativo. Esto puede suponer que los alma-
cenes logísticos sean un elemento clave de la descentralización de la produc-
ción y se posicionen como claro emplazamiento de manufactura descentrali-
zada para muchas empresas.
Poder considerar los centros logísticos como punto de manufactura descen-

tralizada conllevará unos requisitos�de�transformación�organizativa:
• Disponibilidad de la información clave del proceso productivo en tiempo

real (desde el diseño hasta la demanda que satisfacer).
• Inversiones en IoT, y especializaciones en tareas que otorguen la flexibili-

zación de producción en su punto final de la cadena de suministro. Por
ejemplo, la impresión 3D.
Sin embargo, recordemos que el negocio principal de las empresas logísticas

no es la manufactura, pero sí que pueden ser un emplazamiento clave para
principales productores. Mediante la implementación de los requisitos ante-
riores, las plataformas logísticas pueden convertirse en centros de servicio de
alto valor añadido que pongan a disposición de productores este último nodo
de producción más cerca del cliente final.
Por lo tanto, es imperativa la digitalización de estos nodos de producción para

poder ser gestionados y supervisados de manera remota, virtualizando la pro-
ducción vía digital twins, WMS...
Por otro lado, también será necesario un cierto grado de especialización de los
almacenes en el uso de estas nuevas tecnologías y servicios, como la gestión
de calidad del producto acabado, para poder seguir los requisitos y estándares
de las empresas productoras.
Este es un nuevo modelo de negocio y servicio de gran valor añadido en las

marcas que quieren producir su propiedad intelectual, ya que podrían reducir
significativamente la velocidad de llegar al mercado con sus productos, sin
incurrir en grandes inversiones.
3.1. Impresión 3D
Las tecnologías de conformación por superposición de capas (additive manu-

facturing) han experimentado una progresión exponencial junto al ecosistema
de proveedores de materiales que lo rodea; estos materiales son muy diversos y
de propiedades muy avanzadas y ajustadas a este tipo de manufactura. Como
resultado, la tecnología de impresión en 3D ha descubierto un abanico muy
amplio de campos de aplicación y, en consecuencia, de productos que confec-
cionar de una manera más eficiente, provechosa y con economías de escala
superior a las ofrecidas por las primeras aproximaciones de esta tecnología.
Originariamente, el potencial de esta tecnología se presentaba en unidades de

procesamiento individuales con fines de prototipado en 3D, con un producto
final que tenía limitaciones funcionales dependiendo de la forma geométrica
que quisiera llegar a tener y de los pocos materiales con los que podía traba-
jar. Aun así, el tiempo necesario para confeccionar una unidad de producto
acabado era un factor delimitante para poderla considerar sustitutiva de otros
procesos de manufactura en entornos industriales. Por estas limitaciones tan
graves no se la podía considerar una tecnología en entornos de producción
a gran escala.
Con el paso del tiempo, la tecnología ha avanzado para poder dar el paso a
producciones de mayor volumen y ofrecer intangibles operacionales muy in-
teresantes, como la eliminación de tiempos improductivos en cambio de mol-
des con cero pérdidas de material teniendo un impacto medioambiental nulo.
También han avanzado las necesidades de descentralización de la producción
para posicionar las empresas no solo en cuanto a productividad de manufac-
tura, sino también en cuanto a resiliencia en situaciones críticas en las que una
producción centralizada implicaría la parálisis de la actividad empresarial.
Por lo tanto, es el momento de que las compañías empiecen a considerar nue-

vos modelos de negocio y estrategias para maximizar las oportunidades inhe-
rentes a la impresión 3D y a la vez poder adoptarla antes que los competido-
res con unas más que contrastadas garantías por el estado de madurez que en
ciertos campos de aplicación tiene esta tecnología.
3.1.1. La producción en 3D como ventaja competitiva
Los avances que posicionan esta tecnología como una ventaja competitiva
por su impacto positivo en la productividad son los siguientes:
• Velocidades de proceso más elevadas en disposición de polvo (materia pri-

ma), eliminando tiempos improductivos.
• Más precisión en la elaboración de formas gracias a los avances en los
cabezales de impresión.
• Tiradas de producción masivas por el hecho de haber ampliado la zona de
trabajo (el área de impresión cubre decenas y centenares de piezas).
• Descentralización de producción y gestión remota. La capacidad tecnoló-
gica y, a la vez, la posibilidad de variar el producto que producir, ajustán-
dose a las necesidades de cada momento, permiten acercar el punto de
manufactura al cliente final.
Figura 27. Ejemplo de macroplanta de producción 3D con posibilidades de gestión remota
Fuente: Jamie D. (5 de diciembre de 2017). ECO3D November: The latest economic news in 3D Printing. 3D Natives. https://
www.3dnatives.com/en/eco3d-november-041120174/
Desde un punto de vista de la cadena de suministro, el punto más próximo al

cliente final puede ser la red logística de hubs previa a la entrega del producto.
Empieza así una oportunidad estratégica y de transformación para el sector
logístico como un elemento de diversificación de los servicios que se ofrecen
en los almacenes, lo que permite a las empresas para las que distribuyen pro-
ductos al tener un smart manufacturing digitalizado al final de su cadena de
suministro, lo que habilita la entrada en la industria 4.0.
Por otro lado, hay empresas que no están interesadas en descentralizar la pro-
ducción y todavía pueden experimentar un impacto positivo por la adopción
de la impresión 3D en su manufactura centralizada.
La manufactura por adición de capas permite reducir enormemente la comple-

jidad del proceso de producción, puesto que tiene múltiples ventajas respecto
de las técnicas de formación habituales, como hacer formas muy complejas
que los moldes en la actualidad no permiten. Estas formas son optimizadas
en cuanto al uso de menos material a pesar de permitir a la pieza realizar la
misma función.
Reducir la cantidad de material implica una reducción de peso y, en conse-

cuencia, una reducción de costes logísticos y huella de CO2, ya que se mueve
más producto o la misma cantidad con menos peso.
3.1.2. Tecnologías 3D
Hay toda una serie de tecnologías 3D:
1)� Selective� laser� sintering� (SLS). Un rayo láser o fuente de calor incide en
capas de polvo, las funde repasando la forma del producto que conseguir ca-
pa por capa. Cuando se enfríe, y en función de la temperatura y velocidad
empleadas en el proceso de enfriamiento, el producto tendrá las propiedades
mecánicas que más se ajusten a las que se requieran en el campo de aplicación
para el que se ha diseñado.
Figura 28. Funcionamiento de la tecnología SLS de impresión en 3D
Fuente: G. Gong, J. Ye, Y. Chi, Z. Zhao, Z. Wang, G. Xia, X. Du, H. Tian, H. Yu y C. Chen. (Noviembre-diciembre de 2021).
Research status of laser additive manufacturing for metal: a review. Journal of Materials Research and Technology, 15, 855-884.
https://doi.org/10.1016/j.jmrt.2021.08.050
Figura 29. Producto en proceso de impresión 3D mediante tecnología SLS
Fuente: BK CNC Machining & Processing. Selective Laser Sintering (SLS). https://www.bkcnc.com/our-services/rapid-prototype-
service/selective-laser-sintering-sls/
2)�Fused�deposition�modeling�(FDM). Un cabezal extrude un filamento de ma-

terial fusionado, normalmente plástico, capa por capa. Las uniones entre capas
se muestran más débiles que en las otras tecnologías; por lo tanto, el campo
de aplicación no puede ser muy exigente y suele dejarse para el prototipado.
Figura 30. Funcionamiento de la tecnología FDM de impresión en 3D
Fuente: Cabot. Performance Solutions for Additive Manufacturing. Fused Deposition Modeling (FDM). https://
additivemanufacturing.cabotcorp.com/fdm.html
Figura 31. Producto en proceso de impresión 3D mediante tecnología FDM
Fuente: E. Grames. (9 de septiembre de 2020). FDM 3D Printing – Simply Explained. All3DP. https://all3dp.com/2/fused-
deposition-modeling-fdm-3d-printing-simply-explained/
3)�Stereolithography�(SLA). Un rayo láser se desplaza por una piscina de polí-

mero en estado líquido (resina). Cuando el láser contacta con el material, se
solidifica y queda al descubierto la parte confeccionada mediante el avance
de una plataforma con movimiento vertical que permite la finalización del
producto con su movimiento.
Figura 32. Funcionamiento de la tecnología SLA de impresión en 3D
Fuente: Y. Hongyi, J. Wang y S. Mi. (2018). Photo Processing for Biomedical Hydrogels Design and Functionality: A Review.
Polymers, 10(1). https://doi.org/10.3390/polym10010011
Figura 33. Producto en proceso de impresión 3D mediante tecnología SLA
Fuente: 3D Sourced. (26 de junio de 2021). SLA vs DLP vs LCD 3D Printing: Which Is Best? https://www.3dsourced.com/3d-
printing-technologies/sla-vs-dlp-3d-printing/
3.2. Limitaciones y puntos de mejora
Cada tecnología tiene una serie de inconvenientes que se pueden ver acentua-
dos en función del material que se use y el diseño de la pieza objetivo. Estos
son los principales retos técnicos y de negocio por los que la tecnología de im-
presión en 3D todavía no es un claro sustituto de las técnicas convencionales
de manufactura y posprocesamiento (forja, extrusión, mecanizado...):
• Tipos de material y capacidad de impresión multimaterial.

• Velocidad de procesamiento y calidad resultante.
• Compromisos y acuerdos de garantía entre diseñador o punto de produc-
ción 3D; ¿quién responde por una parte que se ha roto, el diseñador que
facilita el documento digital para imprimir o el punto externalizado de
producción en 3D?
• Propiedad intelectual; qué protocolos se requieren entre terceros para ga-
rantizar la seguridad y no difusión de los archivos digitales que producir.
• Retornos de inversión cuestionables por los elevados precios de impresora,

material y equipo de escaneado.
3.3. Ejemplos de campos de aplicación en la producción

descentralizada
Bajo la propuesta de valor de descentralizar, la producción en centros logísticos

de la última milla como servicio a productores remotos, existen los siguientes
campos y oportunidades:
• Impresión de piezas de repuesto en sector automovilístico, electrodomés-

ticos, etc.
• Industria de componentes individualizados/customizables, por ejemplo,
prótesis o piezas en las que el molde es inviable por la complejidad de la
pieza que se debe realizar o es muy costoso.
• Regionalización y aplazamiento, cuando el grupo principal del producto
se puede llevar de producción centralizada y en la última milla se puede
procesar y adaptar al cliente local.
• Tiendas de acceso libre de cliente final: permitir con el equipo 3D capaci-
dad de impresión en cliente final, imprimir sus productos, ya que en casa
no tienen acceso a este equipamiento.
4. Nuevas tecnologías aplicadas al transporte
La combinación de múltiples avances en robótica aplicados al transpor-

te, el progreso en sistemas de ubicación tanto en radios reducidos como
en distancias globales mediante GPS/satélites y, por último, la elevada
sofisticación en algoritmos de inteligencia artificial que permiten cruzar
comportamiento autónomo con toma de decisiones basada en big data
permiten dotar de autonomía absoluta a diferentes dispositivos para el
desplazamiento y la entrega al cliente final.
En función del campo de aplicación y las características del producto que

transportar, podremos encontrar diversas soluciones.
4.1. Vehículos autónomos / last mile (drones, robots de entrega)
Como se ha explicado antes en el apartado de tecnologías para reducir tiempos

improductivos de almacenes, los AGC y AGV son actores reconocidos para la
mejora operacional de ineficiencias en el campo de automatización en alma-
cenes. Sin embargo, tienen una fuerte dependencia del guiado dentro de la in-
fraestructura en la que se utilizan mediante coordenadas locales o sistemas de
cableados y magnéticos. Afortunadamente, la evolución tecnológica en otros
medios ha permitido extender su campo de aplicación dándoles autonomía
con una evolución a los denominados autonomous mobile robots (AMR), de los
que se derivan diferentes tipologías según el uso.
4.1.1. Drones
Uno de los problemas principales en la última milla (last mile) es el tiempo de

entrega estimado y su fiabilidad, y es que los repartidores pueden tener impe-
dimentos en ruta que derivan en el no cumplimiento del tiempo de entrega
prometido, pese al seguimiento en tiempo real que puede hacer el cliente.
Los drones tienen el potencial de reducir los tiempos de entrega, dado que
se trata de envíos directos al cliente final que optimizan la ruta y evitan las
entregas intermedias del transportista que potencialmente arriesgan el cum-
plimiento de los tiempos acordados. Por otro lado, esta tecnología requiere
inversiones iniciales en equipamiento, pero es amortizable en tiempos redu-
cidos a causa de los bajos costes operativos y de mantenimiento, lo que reduce
la dependencia de tareas manuales y con claras mejoras en cuanto al impacto
medioambiental.
4.1.2. Last mile delivery robot
Concepto parecido a los drones, pero vía terrestre. De especial interés para
el sector, en entregas en recintos como campus, comunidades y vecindarios,
especialmente en ciudades donde la congestión de tráfico y las limitaciones
de espacio para aparcar dificultan la entrega de última milla a transportistas.
Figura 34. Sistema de entrega mediante delivery robots
Fuente: E. O’Brien. (29 de noviembre de 2019). Options for Deploying Last-Mile Delivery Robotics Systems. Robotics Business
Review. https://www.roboticsbusinessreview.com/cro/options-for-deploying-last-mile-delivery-robotics-systems/
4.1.3. Autonomous vans
Es una evolución de medio de transporte habitual, como furgonetas o vehícu-

los medios, con la particularidad de que tienen una autonomía plena y con
tecnologías complementarias para actuar como nodo logístico final. Concu-
rren en esta múltiples tecnologías para la gestión integral de las tareas de re-
cogida y entrega, por ejemplo, algoritmos de control en tiempo de recogida,
cálculo automático en la gestión del espacio de almacenamiento de transporte,
entrega desde el propio vehículo mediante drones o robots de entrega, cálculo
ideal de rutas de entrega desde el almacén central, entrega desde la furgoneta
como punto de recogida para clientes próximos, etc.
Figura 35. Sistema de entrega mediante autonomous vans
Fuente: A. Nieoczym, J. Caban, A. Dudziak y M. Stoma. (31 de enero de 2020). Autonomous vans - The planning process of
transport tasks. Open Engineering. https://doi.org/10.1515/eng-2020-0006
Figura 36. Proporción de inversión en sistemas robotizados y autónomos en la cadena de

suministro durante el 2021
Fuente: Z. Li. (31 de enero de 2022). How Can Mobile Robotics Impact the Future Logistics Industry? IDTechEx. https://
www.idtechex.com/en/research-article/how-can-mobile-robotics-impact-the-future-logistics-industry/25789
4.2. Platooning de camiones
Como hemos ido comentando varias veces, la logística tiene como objetivo
principal aumentar su eficiencia. Esto implica ser multimodal y usar el medio
de transporte más eficiente en cada caso, en función de la distancia, las infra-
estructuras disponibles, etc.
Dentro del transporte terrestre, el transporte por carretera, con camiones, es

con mucho el sistema más empleado. Este sistema irá migrando hacia solu-
ciones más óptimas, como el ferrocarril, por ejemplo, a la vez que intentará
aumentar su eficiencia cuando sea el sistema de transporte que debamos usar
si no tenemos alternativa.
La tecnología es imprescindible para conseguir este objetivo, por lo que siste-

mas como el platooning de camiones se están desarrollando como una herra-
mienta para conseguir una reducción del consumo de combustible y una re-
ducción de las emisiones de CO2, y hacer más segura la conducción.
Si analizamos el tráfico de camiones de las carreteras en todo el mundo, po-

demos ver el enorme volumen de camiones que circulan por estas, y todos
son sistemas individuales con conducción humana. Existen grandes tramos
de rutas por los que circulan y que comparten todos.
Lo que significa platooning es, mediante la tecnología, ser capaces de en-

lazar camiones que van por la misma ruta, creando lo que denomina-
mos un tren�de�camiones. Este conjunto de camiones enlazados tienen
una aerodinámica mejor que todos por separado, y además se consigue
reducir consumo energético y la huella de carbono.
El camión que lidera el tren de camiones dirige al resto, de modo que el resto
de los conductores pueden descansar y esto hace más segura la conducción.
Además, los camiones pueden entrar y salir del tren cuando quieran, lo que
permite una gran flexibilidad: pueden hacer tramos comunes y después des-
viarse para hacer cada uno un tramo diferente.
Cabe señalar que esta tecnología no implica que los camiones sean de con-
ducción autónoma, este es un elemento que se puede incluir en un futuro.
A la hora de aplicar platooning, es fundamental aplicar tecnologías de encrip-

tación y cadena de bloques para evitar acciones de piratas informáticos que
puedan interferir en las comunicaciones entre camiones. La seguridad y priva-
cidad tienen que ser máximas, puesto que cuatro o cinco camiones enlazados
forman un sistema con un tonelaje muy elevado.
Como otras tecnologías en desarrollo, será muy importante la legislación de

cada país para aplicarlo.
Figura 37. Diagrama de platooning
Fuente: D. Duan. (23 de noviembre de 2017). Truck Platooning: The Band of Semi-Trailers. Labroots. https://www.labroots.com/
trending/chemistry-and-physics/7405/band-semi-trailers-truck-platooning
4.3. Hyperloop
Las tecnologías de transporte siempre luchan contra dos elementos que frenan
la eficiencia: la fricción y la resistencia al aire.
Estos dos elementos provocan que debamos usar combustibles de todo tipo
para superarlos, lo que genera consumos elevados y actualmente, en muchos
casos, un consumo enorme de CO2.
El objetivo del hyperloop es tratar de minimizar al máximo estos dos ele-

mentos, introduciendo el concepto de túnel de vacío (vactrain, en inglés).
El concepto vactrain teóricamente elimina estos obstáculos mediante el
uso de trenes que levitan magnéticamente en tubos evacuados (sin aire)
o parcialmente evacuados, y permiten velocidades de miles de kilóme-
tros por hora.
Esta tecnología, que requiere unas inversiones muy elevadas pero que garan-
tiza una eficiencia enorme, ya se está usando para el transporte tanto de pasa-
jeros como de mercancías.
Proyecto en Arabia Saudí
Como todos los sistemas de transporte, hay que ver el entorno en el que se puede aplicar
más fácilmente. Por este motivo, uno de los primeros proyectos se desarrolla desde el
puerto de Jeddah, en Arabia Saudí, hasta su capital, Riyadh.
Estamos hablando de una distancia de 951 km por el desierto que, si se hace en coche,
son 9 h y 20 min; en avión, 1 h y 35 min, y si la haces en el hyperloop que está constru-
yendo Virgin, 1 h y 13 min. Y pueden coexistir en el mismo vactrain el transporte de
contenedores de mercancías desde el puerto hasta la ciudad y de pasajeros, con posibles
paradas intermedias como La Meca.
En este escenario, el desierto, no tener necesidad de paradas intermedias y capacidad de

inversión, el hyperloop será un sistema que resolverá muchos problemas de transporte en
un futuro.
Figura 38. Vagón hyperloop
Fuente: B. Wang. (21 de julio de 2017). Elon Musk NY to DC hyperloop could break ground later this year. NextBigFuture. https://
www.nextbigfuture.com/2017/07/elon-musk-ny-to-dc-hyperloop-could-break-ground-later-this-year.html
Figura 39. Foto tramo hyperloop
Fuente: Future Labs. (Enero de 2016). 2016’s Top 12 Game-Changing Tech Stories. https://medium.com/future-labs/2016s-
top-12-game-changing-tech-stories-f42edc4b1815
5. Physical internet
Si queremos continuar creciendo a la vez que cumplimos los objetivos me-

dioambientales, debemos ser más eficientes en nuestros procesos industriales
y logísticos; operacionales, en definitiva.
Uno de los problemas que tiene la logística es su ineficiencia. Si analizamos el

transporte internacional, podemos ver que un volumen muy grande de con-
tenedores que se mueven, especialmente los de frío, no están optimizados, no
viajan llenos. Este fenómeno se da en todos los modos de transporte y es clave
tratar de que sea más eficiente.
5.1. ¿Qué es physical internet?
Definir qué es physical internet no es fácil. Si tenemos en cuenta cuál es

su objetivo, se comprende la complejidad, puesto que se quiere llegar a
un objetivo muy ambicioso: crear un sistema logístico que sea global,
abierto, eficiente y sostenible. Es decir, conseguir optimizar la red de
transporte internacional, evitando ineficiencias.
Para entender qué es, podemos hacer una analogía con la internet de los datos.
En la internet de los datos, cuando queremos enviar un mensaje de un emisor
a un receptor, lo que se hace es descomponer el mensaje en partes, y cada parte
se encapsula en un contenedor de datos normalizado, los conocidos paquetes
que define el protocolo. Estos paquetes se envían por la red internet global,
compuesta por muchos enrutadores, de modo que cada paquete puede circular
por diferentes rutas.
Lo que controla el protocolo de red global es que todos los paquetes, viajen
por donde viajen, se reencuentren en el receptor. El receptor desencapsula el
paquete y recupera el mensaje original.
De este modo nos comunicamos por internet, hagamos lo que hagamos, un

correo electrónico, una videoconferencia o lo que sea.
La idea de physical internet es la misma: si queremos enviar un volumen de

mercancías de un emisor a un receptor, lo que hacemos es repartir la mercancía
en diferentes contenedores estándares que define physical internet. Este «repar-
to» en contenedores se realiza de manera inteligente para optimizar la red de
transporte. Los contenedores pueden viajar idealmente por rutas diferentes,

pero al final deben reencontrarse en el destino para asegurar que la mercancía
llegue íntegra.
La gestión de toda esta complejidad requiere contenedores estándares inteli-

gentes de diferentes tamaños para optimizar los envíos y una inteligencia de
red que permita sincronizar toda la complejidad.
En la figura 40 podemos ver cómo son estos contenedores y cómo encajan

entre sí. Queda claro que la modularidad es un elemento clave para conseguir
la eficiencia del sistema.
Figura 40. Ilustración de la modularidad de los contenedores π unitarios y compuestos
Fuente: elaboración a partir de Sophiegalizot. (2022). Illustrating the modularity of unitary and composite π-containers [imagen].
Wikipedia. https://en.wikipedia.org/wiki/physical_internet
5.2. ¿Qué exige la implantación del physical internet?
Conseguir implantar un modelo tan complejo como el physical internet exige

lo siguiente:
• Poner de acuerdo a todas las partes que participan en el transporte inter-

nacional para evolucionar hacia una red abierta e interoperable. Una red
global confiable por las partes que se adapte en función de los cuellos de
botella que vayan produciéndose. En este sentido, la aplicación de cade-
na de bloques parece imprescindible para garantizar esta confianza de las
partes.
• Disponer de hardware (contenedores inteligentes) para poder implemen-

tarlo. Estos contenedores deben ser compatibles con todo el volumen in-
menso de contenedores ya en funcionamiento. Es un aspecto fundamen-
tal para salvaguardar las inmensas inversiones realizadas.
• El diseño de los productos deberá cambiar necesariamente con el tiempo

para adaptarse a las dimensiones de los nuevos contenedores modulares.
• Necesidad de una capacidad de computación inmensa para sincronizar los

millones de contenedores que se moverán por la red. En este sentido, la
aplicación de la computación cuántica es imprescindible para garantizarlo.
Resumen
La logística 4.0 está estrechamente relacionada con la tecnología. El uso y la

aplicación de las tecnologías permiten optimizar y mejorar la cadena de sumi-
nistro y aportar nuevos valores añadidos.
En este módulo, hemos podido hacer una revisión de las tecnologías actuales
y futuras, dividiendo la información en tres grandes bloques.
En primer lugar, se han podido conocer las principales tecnologías avanzadas

de la información que participan en la logística, ya sea directamente o como
apoyo de otras técnicas o tecnologías. Es decir, las herramientas principales de
las que disponemos, empezando por la informática en la nube, que permite
externalizar los sistemas informáticos como un suministro más. Esto facilita la
elasticidad y flexibilidad tecnológica (las empresas no se atan a ningún sistema
informático ni a la obsolescencia del hardware) y permite la interoperabilidad
con clientes y proveedores.
En contraposición, la computación cuántica es un salto cualitativo imparable

en cuanto a capacidad de computación y permitirá llevar a cabo los análisis
complejos que se necesitarán, más adelante, con la completa digitalización
de los procesos. La computación cuántica es la garantía de que las nuevas tec-
nologías que se prevé que se podrán desarrollar en el futuro sean realmente
implementables.
El concepto de big data, en cambio, es más intangible. El big data no es, de

hecho, una tecnología o una técnica, pero se usa como paraguas para referirse
a la enorme cantidad de información y de datos que una compañía (no solo
en el sector logístico) empieza a tener. El big data está muy vinculado a la
inteligencia artificial y el sector de la logística tiene tanto potencial como en el
resto de los sectores: su aplicación permite mejoras sustanciales en la gestión
de los procesos preexistentes y la definición y el desarrollo de nuevos procesos.
Para cerrar el apartado de tecnologías, hemos realizado un extenso recorrido

por la cadena de bloques porque resuelve un problema muy importante: la
seguridad o la confianza en la información que se almacena en la nube en un
entorno de datos masivos.
Una de las aplicaciones principales de las tecnologías se lleva a cabo en los al-
macenes. Y por este motivo el segundo bloque del módulo se dedica al análi-
sis de los almacenes inteligentes (smart warehousing) y cómo las tecnologías se
aplican para conseguir dos objetivos principales: la reducción de los tiempos
improductivos y la digitalización de los procesos para poder optimizarlos.
Para reducir los tiempos improductivos, los almacenes disponen de nuevas

equipaciones que optimizan, principalmente, los procesos de preparación de
pedidos (denominado habitualmente con el término anglosajón picking) y de
almacenamiento. Estas tecnologías están muy representadas en forma de ro-
botización de procesos que hasta ahora se efectuaban de manera manual.
Por su parte, existe la digitalización, que permite, por ejemplo, tener la infor-
mación para poder efectuar una gestión remota optimizada y aplicar inteli-
gencia artificial.
Otra de las áreas en las que la tecnología ha permitido mejorar la logística es

en el ámbito de la producción, y esto es lo que se trata en el bloque siguiente
de este módulo. Una producción más próxima al punto de entrega permite
ajustarla mejor: ni excesos de fabricación que crean existencias innecesarias
y reducción de beneficios, ni escasa fabricación que no permite cubrir la de-
manda y obtener el máximo de ingresos.
Una producción descentralizada no es siempre posible, pero las impresoras 3D

pueden permitirlo en un enorme rango de productos y aportar a la logística
un gran valor añadido, si se pueden convertir los almacenes en puntos de
fabricación.
Los dos últimos apartados del módulo forman el último bloque: las novedades
tecnológicas aplicables al transporte. Por un lado, la utilización de diversos
tipos de vehículos autónomos para la entrega de la última milla. Suponen
una enorme mejora en servicio y optimizan las entregas, pero implican un
esfuerzo importante de computación y de aplicación de inteligencia artificial
para determinar rutas y permitir que conduzcan de manera autónoma.
También se han descrito novedades tecnológicas, como el platooning, como

tren de camiones, o el concepto de hyperloop, basado en el transporte a alta
velocidad usando la potencia de un túnel de vacío.
Finalmente, hemos dedicado un espacio a la physical internet, que es la que

traslada al mundo físico la misma estrategia de transporte de paquetes que
se usa en internet. En lugar de paquetes digitales transportando datos, son
paquetes físicos transportando mercancías.
Esta tecnología actualmente es incipiente y teórica, porque requiere disponer

de contenedores inteligentes, sensorizados, adaptables... y con unas necesida-
des de procesamiento de datos que solo será posible con computación cuán-
tica.
Bibliografía
Benítez, R. y Ventura, C. (2018). Intel·ligència artificial avançada (segunda edición). Universitat
Oberta de Catalunya.
Bosch Rué, A., Casas Roma, J. y Lozano Bagén, T. (2019). Deep learning: principios y fundamen-
tos. Editorial UOC.
Casas Roma, J., Nin Guerrero, J. y Julbe López, F. (2019). Big data: análisis de datos en entornos
masivos. Editorial UOC.
Casas Roma, J. (2019). Introducción al big data. Universitat Oberta de Catalunya.
Chandrasekar, R. (2020). Siemens Canada: Digital Transformation. Ivey Publishing.
Córcoles Briongos, C., Peña López, I. y Serrano Balaguer, I. (2020). Cloud computing. Univer-
sitat Oberta de Catalunya.
D’Aveni, R. A. (2018). The 3-D Printing Playbook. Harvard Business Review.
DHL Trend Research. (2016). 3D Printing And The Future Of Supply

Chains. https://www.dhl.com/global-en/home/insights-and-innovation/thought-leaders-
hip/trend-reports/3d-printing-and-the-future-of-supply-chains.html
Evgeniy. (2021). How to Use Augmented Reality in Logistics. Altamira. https://gbksoft.com/

blog/how-to-use-augmented-reality-in-logistics/
García Ruiz, R. (2016). Big data. Universitat Oberta de Catalunya.
Holweg, M., Lawson, B. y Pil, F. K. (2019). How Digital Fulfillment Is changing Manufactu-
ring. Harvard Business Review.
Hunsaker, T. y Youngdahl, W. E. (2018). Intel: AI and Industry 4.0 Strategy. Thunderbird School
Of Global Management.
Indigo WMS Solutions. (2020). 8 ways a digital twin can add value in the warehouse – using
WMS data. Manufacturing & Logistics IT. https://www.logisticsit.com/blog/2020/03/19/8-
ways-a-digital-twin-can-add-value-in-the-warehouse-%E2 %80 %93-using-wms-data/
Jenkins, A. (2020). Warehouse Automation Explained: Types, Benefits and Best practi-
ces. Netsuit. https://www.netsuite.com/portal/resource/articles/inventory-management/wa-
rehouse-automation.shtml
Mayer-Schönberger, V., Cukier, K. e Iriarte Jurado, A. (2013). Big data: la revolución de los datos
masivos. Turner.
Ram Jagannath, U., Saravanan, S. y Kanimozhi Suguna, S. (2019). Applications of the Internet
of Things with the cloud computing technologies: a review. En Al-Turiman, F. (ed.). Edge
Computing (pp. 71-89). Springer.
Solistica. (2018). IoT y su aplicación en la logística [Infografía]. Solistica. https://

blog.solistica.com/iot-y-su-aplicacion-en-logistica

Pid 00288584

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pid 00288584

Cargado por

Copyright:

Formatos disponibles

Las tecnologías

Meritxell Bosch Garcia

Tiempo mínimo de dedicación recomendado: 5 horas

Meritxell Bosch Garcia Alexis Pérez Gómez Ignasi Sayol Santamaria

El encargo y la creación de este recurso de aprendizaje UOC han sido coordinados

Primera edición: octubre 2022

1. Tecnologías avanzadas de la información.................................. 7

3. Plataformas logísticas y la producción descentralizada......... 45

4. Nuevas tecnologías aplicadas al transporte................................ 53

El desarrollo de la logística 4.0 está vinculado a la aplicación extensiva de

Todas las tecnologías tienen un ciclo en cuanto a su aplicación, tardan un cier-

En este módulo se analizan las tecnologías más importantes de la logística 4.0:

Es imprescindible, para los profesionales de la cadena de suministro, familia-

Con este módulo se plantea al estudiantado la posibilidad de conocer las tec-

1. Conocer mecanismos para superar las limitaciones actuales de la cadena de

2. Aprender metodologías para minimizar tiempos improductivos, reducir

3. Conocer alternativas tecnológicas para la optimización de rutas, eliminar

4. Diversificar con tareas de alto valor añadido en plataformas logísticas co-

5. Identificar y aplicar nuevas tecnologías que aporten valor a la organización

6. Conocer tecnologías que facilitan la previsión y anticipación de la deman-

1. Tecnologías avanzadas de la información

1.1. Cloud computing

El concepto de cloud computing, término anglosajón que se traduce como ‘in-

A finales de siglo, las compañías tenían en propiedad y mantenían en instala-

La digitalización (dejar de trabajar con fax o papel para pasar al intercambio

El sector logístico es el de la descentralización por naturaleza, en el que los

La informática en la nube aporta grandes ventajas, muy similares a cualquier

• Reducción de costes y aumento de la productividad.

En cuanto a la seguridad, estos sistemas ofrecen más seguridad física (disponi-

La informática en la nube tiene tres ámbitos principales de prestación de ser-

1) SaaS (software as a service, el ‘software como servicio’)

2) PaaS (platform as a service, ‘plataforma como servicio’)

3) IaaS (infrastructure as a service, ‘infraestructura como servicio’)

Como es natural, el uso de informática en la nube aleja la capacidad de proce-

En un servicio IoT, se dispone de sensores inteligentes que se conectan direc-

Aparece entonces la necesidad de acercar la capacidad de procesar la infor-

Habitualmente, entre la capa de la nube y la capa de frontera se localiza una

Figura 1. Procesamiento de datos de la IoT industrial

Fuente: elaboración a partir de Ram et al. (2019)

1.2. Computación cuántica

Cuando hablamos de computación� cuántica, hacemos referencia a

Los ordenadores cuánticos aparecen para eliminar esta frontera, permiten

Cuando hablamos de computación cuántica, nos referimos a un sistema de

Las ventajas principales de las máquinas cuánticas respecto a los supercompu-

A pesar de que la computación clásica continuará siendo dominante durante

1.2.1. La clave: los qbits

Los sistemas informáticos actuales basan su capacidad de proceso y almace-

A diferencia de los anteriores, los computadores cuánticos aprovechan los fe-

1.2.2. Aplicaciones de la computación cuántica en la gestión de

La enorme capacidad de cálculo de los ordenadores cuánticos provoca que los

En el caso de la gestión de la cadena de suministro, es especialmente impor-

Gracias a la implantación progresiva de sensores a lo largo de la supply chain,

Optimización de procesos logísticos

Existen tantos procesos logísticos complejos que, para modelizarlos y optimi-

Solo usando la potencia de los ordenadores cuánticos podremos afrontar la re-

1.3. Big data

Podemos definir el big data, término anglosajón que suele traducirse

Dado que las tecnologías y herramientas de software han ido evolucionando,

Este término surge a principios de siglo, fruto de la aparición de la capacidad

Es cierto que las tecnologías, el hardware y el software han ido evolucionando:

• Nuestros dispositivos personales (principalmente, ordenadores y teléfonos

Adicionalmente, todos los procesos que antes se registraban manualmente o

Los datos masivos no solo se caracterizan por su volumen, sino también