advanced analytics solution: case: less-than …

TRANSPORT REVENUE MANAGEMENT

(OPTIMAL PRICING)

ADVANCED ANALYTICS SOLUTION:

MACHINE LEARNING + OPTIMIZATION

CASE: LESS-THAN-TRUCKLOAD (LTL)

TRANSPORT NETWORKS

Ing. Jesús Velásquez-Bermúdez, Dr. Eng. Chief Scientist DecisionWare - DO Analytics

[email protected]

mailto:[email protected]

TRANSPORT REVENUE MANAGEMENT CASE: LESS-THAN-TRUCKLOAD (LTL) TRANSPORT NETWORKS

1


1. INTRODUCCIÓN

1.1. SISTEMA DE SOPORTE DE DECISIONES OPCHAIN-TSO

El Sistema de Soporte de Decisiones OPCHAIN-TSO reúne coherentemente todas las soluciones

informáticas desarrolladas por DW en diferentes aéreas de aplicación la programación matemática al sector transporte, está integrado por los siguientes modelos matemáticos de optimización:

▪ OPCHAIN-TSO-PORT: operaciones portuarias, asignación de muelles y grúas a buques ▪ OPCHAIN-TSO-SEA: ruteo de buques y coordinación de actividades industriales

▪ OPCHAIN-TSO-FISH: procesos de pesca

▪ OPCHAIN-TSO-RAIL: time tabling (horarios) en ferrocarriles ▪ OPCHAIN-TSO-WASTE: recolección de residuos sólidos

▪ OPCHAIN-TSO-CASH: trasporte de efectivo y de valores ▪ OPCHAIN-TSO-VRP: ruteo urbano de procesos de acopio/distribución

▪ OPCHAIN-TSO-DGO: distribución de gasolinas entre terminales y estaciones de servicio

1.2. VALOR ECONÓMICO AGREGADO POR LAS MATEMÁTICAS

El paper The Computer-Based Mathematical Modeling is the Greatest Invention of All Times

presenta el valor agregado por las matemática, is aplicadas a procesos sistemas técnico-socio-económicos.

https://www.linkedin.com/pulse/computer-based-mathematical-modeling-greatest-all-times-velasquez/

1.3. REVENUE MANAGEMENT

La siguiente tabla presenta algunas de las principales aplicaciones de Analítica Avanzada &

Optimización en el sector transporte y en otras industrias.

FROM LONG TERM PLANNING TO OPERATIONAL SCHEDULING

OPTIMIZATION-BASED APPLICATIONS FOR INDUSTRIES

FINANCIAL

SERVICES

UTILITIES, &

ENERGYTELECOM MULTIPLE/OTHERTRAVEL &

TRANSPORTATIONINDUSTRIAL

Revenue/Yield

Management

Asset Optimization

▪ Fleet Assignment

▪ Depot & warehouse

location

▪ Network design

▪ Vehicle & Container

Loading

▪ Vehicle Routing &

Delivery Scheduling

▪ Yard, Crew, Driver &

Maintenance

Scheduling

• Portfolio Optimization

• Portfolio In-Kinding

• Trade Crossing

• Loan Pooling

• Product / Price

Recommendations

• Unit Commitment

• Supply Portfolio Planning

• Power Generation

Scheduling

• Distribution Planning

• Water Reservoir mgt

• Mine Operations

• Timber Harvesting

• Workforce Scheduling

• Advertising Scheduling

• Marketing Campaign

Optimization

• Revenue/Yield Management

• Appointment & Field Service

scheduling

• Combinatorial Auctions for

Procurement

• Network Capacity Planning

• Routing

• Adaptive Network

Configuration

• Antenna and Concentrator

Location

• Equipment and Service

Configuration

• Production Planning &

scheduling

• Inventory Optimization

• Supply Chain Network

Design

• Shipment Planning

• Truck Loading

• Maintenance Scheduling

Fuente: © 2009 IBM Corporation


2

Dentro de estas aplicaciones vale la pena destacar las aplicaciones relacionadas con Revenue

Manangement (RM, también conocidas como Yield Management o como Optimal Pricing).

Si requiere una definición de RM se puede citar a Robert Gross (en su libro Revenue Management for Market Domination): “The Application of disciplined tactics that predict consumer

behavior al the micro market level and optimize product availability and price to maximize revenue growth”.

RM es una de las aplicaciones de software de analítica avanzada (sofisticadas matemáticamente) que hacen posible optimizar los precios (“inmediatamente”) para garantizar la verosimilitud de los ingresos

proveyendo una contribución importante a las ganancias de las empresas.

Si se desea estimar el impacto económico de RM se puede recordar la experiencia de la primera línea

aérea de bajo costo, PEOPLE Express, que en 1985 fue la empresa de mayor crecimiento en USA, y que en septiembre de 1986 entró en bancarrota, debido a que American Airlines implementó una nueva

versión de su software de RM, lo que hizo manifestar a Donal Burr, CEO de PEOPLE Express: “What you don’t know about Revenue Management could kill you”.

Este documento describe el la solución al problema de Revenue Management de un operador de redes de transporte LTL (Less-Than-Truckload).

2. LESS-THAN-TRUCKLOAD (LTL) TRANSPORT SERVICES

A continuación, se analiza el servicio de trasporte denominado, en inglés, como: Less-Than-Truckload

(LTL) Trucking (“Carga Menor que un Camión Completo” o “Carga Parcial”). Como referencia para

describir el sistema se ha tomado la Tesis Doctoral de Hejazi Behrang, “Dynamic Decision Making for Less-Than-Truckload Trucking Operations”, University of Maryland, 2009; varios textos e

imágenes han sido extraídos de dicho documento.

2.1. THE MARKET

El mercado de servicios de transporte es muy amplio, uno de ellos es el denominado LTL que permite

a los despachadores de carga utilizar servicios de transporte utilizando parcialmente la capacidad de carga de un camión.

LTL se puede definir como un mercado online global para los servicios de transporte de envíos. Las

personas y los negocios anuncian artículos que necesitan enviar en una variedad de categorías, como

artículos del hogar, mascotas, barcos, o equipo industrial pesado, y los transportistas pujan para poder llevar el artículo. Hasta hace un tiempo los envíos menores a un camión (LTL) eran vistos como un

problema.


3

2.1.1. LTL TRUCKING SERVICE Una red LTL, está conformada por empresa de transporte con una flota de camiones, que atiende es

una secuencia de solicitudes de entrega (recibidas ya sea por teléfono, fax o internet) dentro de una región

La recogida, en el sitio de carga, mueve las mercancías/articulos al terminal de origen y posteriormente

el reparto mueve la carga al sitio de destino. A través de la red LTL, los envíos son trasladados, largas

distancias, desde la terminal (HUB) de origen hasta la terminal de destino, utilizando tracto-camiones de remolques. En USA, los camiones LTL transportan embarques (ordenes de carga) que pesan de 100

a 10.000 libras (mayoría de ellos son menos de 1000 libras), lo que implica que la capacidad en peso del camión está a medio llenar, ya que un camión puede cargar entre 30.000 y 50.000 libras, por lo

tanto, un camión puede transportar un promedio de 20 a 30 envíos que pueden tener diferentes orígenes

y destinos. Por esta razón, los envíos necesitan consolidarse en algunos HUBs.

2.1.2. LTL TRUCKING NETWORK

Una red LTL consta de las siguientes entidades:

▪ Carga (Load): está asociado al problema de recolección y entrega local, del sitio de carga a un

terminal de la red LTL. No se tiene en cuenta en la red LTL ya que se asume hace parte de otro proceso.

▪ End-of-Line (EOL): Es el origen o el destino de la carga. Por lo tanto, para cada extremo de la

línea terminal es el HUB (centro) más cercano al sitio de carga/descarga el que se considera como

el origen o el destino de las cargas.

▪ Break-Bulk (HUB): Terminal donde se realiza la descarga, la clasificación y la carga de un camión a otro, Los HUBs conectados a una determinado punto de primario se denominan "satélites"

▪ Terminal (HUB): Terminal donde se realiza la descarga, la clasificación y la carga de un camión a otro, Los HUBs conectados a una determinado punto de primario se denominan "satélites"

Source: Hejazi Behrang, “Dynamic Decision Making for Less-Than-Truckload Trucking Operations”, Doctoral Thesis, University of Maryland, 2009

End-of-Line

Break-Bulk Hub

Truck

Load


4

2.1.3. LTL LINE OPERATIONS NETWORK

Debido a las restricciones (reglas de negocio o limitaciones regulatorias) el tiempo de conducción no puede exceder XX horas (en USA 11 horas).

Los nodos de la red de operaciones son puntos en los que la tripulación del camión es relevada por otra

tripulación. Cuando el volumen de envío entre dos terminales es alto, la compañía puede ofrecer un "servicio directo" entre dos HUBs: los camiones son cargados completamente en el HUB origen y

completamente descargados en el HUB destino. Este servicio generalmente implica un funcionamiento

periódico con camiones viajando varias veces por semana. Para frecuencias bajas, algunos envíos pueden experimentar retrasos inaceptablemente prolongados esperando la salida del camión.

2.1.4. LTL LOAD PLANNING NETWORK

Es importante determinar las parejas de HUBs en las que transportador debe ofrecer servicio directo; puesto que un servicio directo entre dos terminales puede abarcar varios enlaces de la red de

operaciones de la línea, por lo tanto, se requiere la planificación de la carga de red.

En principio, la planificación de la carga de red se concentra en determinar los enlaces que conectan

cada HUB con otro HUB. El problema en el nivel estratégico y táctico de la planificación es determinar cuáles utilizar.

PLANNING NETWORKOPERATIONS NETWORK

LESS-THAN-TRUCKLOAD (LTL): NETWORK

2.1.5. LTL USA MARKET SEGMENTATION Para esto se toma como referencia el mercado norteamericano. La ATA (American Trucking Association

Fundación) propone la siguiente segmentación:

▪ Larga Distancia (Long-Haul Carriers): Los portadores de larga distancia se refieren generalmente como transportadores LTL nacionales y generalmente ofrecen cobertura total de los

Estados Unidos (USA). En USA, generan aproximadamente el 38% de los ingresos totales de sector

LTL.

▪ Super-Regional Carriers: operan redes de HUBs agrupados en una región. En USA, generan aproximadamente el 30% de los ingresos totales del sector LTL.


5

▪ Regional Carriers: Estos operadores se centran en movimientos de carga durante la noche y se

centran en movimientos directos de carga entre los HUBs sin paradas intermedias. En USA, generan

aproximadamente 27% por ciento de los ingresos del sector LTL.

2.2. LOS OPERADORES DE LA RED

A continuación, se analiza el proceso de negocios de un operador de una red LTL, para propósitos de este documento se asume que el operador corresponde a un bróker independiente (LTL-EXPRESS).

PROBLEMA DE ASIGNACIÓN DEL BROKER

LTL-EXPRESS

BROKER

DEMANDA OFERTA

75%

100%

100%

100%

0% 100%

70%

0%

65%

100%

Despacho CapacidadUtilizada

Desde el punto de vista del bróker, el problema de selección de solicitudes (RSP, Request Selection Problem) consiste en escoger las demandas de servicio de transporte más rentables, para rutas directas

de largo recorrido o para múltiples rutas de recogida y entrega; esto también puede incluir determinar el precio de oferta para las peticiones o aceptar una oferta del transportador previamente pactada en

un convenio de largo plazo.

La selección de solicitudes (RS) juega papel vital para optimizar los ingresos del broker. Esto es

particularmente obvio teniendo en cuenta la intensa competencia en el mercado del transporte, que no permiten market-shares muy altos.

Durante las últimas décadas, el segmento de transporte LTL ha sido afectado seriamente, por la mayor

competencia y la reducción de mercado, demostrado por el hecho de que el total de los ingresos en el

segmento de la industria LTL bajó el 21% entre 2008 y 2009 en Estados Unidos. Esto conlleva a que es esencial para los proveedores de servicios logísticos prestar más atención en su gestión de ingresos en

el entorno competitivo actual.

2.3. TOMA DE DECISIONES

A continuación, se analiza el proceso de toma de decisiones de un operador LTL, relacionado con la

selección de solicitud de transporte LTL basado en precios dinámicos en un ambiente de tiempo-real (vía call center o internet (PIcuyas funciones se resumen en:

1. Aceptar o realizar ofertas de precios a cobrar a los generadores/despachadores de la carga. Las

peticiones LTL se caracterizan por: i) el destino, ii) la cantidad/peso/volumen y iii) el tiempo de


6

entrega. El bróker propone precio a cobrar a las solicitudes y las aceptadas por los despachadores

estas se asignarán a las compañías transportadoras.

2. Aceptar o realizar ofertas de precios a pagar a los transportadores. En los HUBs de carga originales

(OLH, Original Load Hub), los transportadores LTL obtienen: i) las solicitudes de transporte (por internet u otro medio similar), ii) el intercambio/ajuste solicitudes ya firmes, tratando de capturar

los beneficios de las economías de escala. La asignación se realiza de acuerdo con un criterio óptimo (por ejemplo, al precio más bajo aceptado por un transportador). Este mecanismo de subasta debe

basarse en la solución más eficaz/eficiente para asignar las solicitudes y es responsabilidad del

bróker.

3. Asignar los camiones, la carga a trasportar y las rutas a seguir para presar sus servicios. El bróker es responsable de planificar la atención de los servicios de transporte. Esto implica simular el

despacho de camiones de acuerdo con: las rutas a seguir, la mercancía a transportar y los momentos

de entrega.

El proceso de asignación en el OLH es dinámico y estocástico. Como resultado, el bróker debe proponer precios dinámicos a las diferentes solicitudes para maximizar su beneficio en la medida que cambia el

ambiente del mercado LTL. El tiempo de “market-clearing” de las demandas y de las ofertas es corto y

debe realizarse muchas veces a lo largo del día.

3. MODELING FRAMEWORK

El modelamiento matemático tiene dos partes:

1. Debe garantizar la factibilidad del plan de despacho planificado, es decir debe cumplir con: i) las

restricciones físicas del sistema (por ejemplo, los tiempos de viajes) y ii) las reglas del negocio (por ejemplo ventanas de atención, reglamentación, … ).

2. Como objetivo debe maximizar la ganancia del bróker mediante la combinación de solicitudes

atendidas, en una y/o en múltiples rutas, basado en una estrategia de precios dinámica. El bróker

puede ser una empresa independiente, o ser propiedad de uno o varios empresas transportadoras. En el caso de empresa independiente, la función objetivo debe reflejar los ingresos del bróker

(Revenue Management).

En el caso de propiedad de un transportador, o de una cooperativa, de transportadores, el problema de selección de solicitudes (RS) da lugar a actividades de transporte colaborativo. En este caso dos

o más transportadores se deben analizar como intercambiar peticiones de forma tal de maximizar la

ganancia de la “coalición” lo que implica al menos dos aspectos adicionales que deben decidir los miembros de la bróker: i) como repartir la carga y ii) como repartir, de una manera justa y estable,

las ganancias derivadas de la cooperación. En este caso son útiles los conceptos relacionados con el Valor de Shapley (propios de la Teoría de Juegos) entre agentes cooperativos, de amplio uso en la

repartición de costos, o de beneficios, en casos de desarrollo de infraestructura/operación común

que benefician a múltiples agentes.

En adelante solo se analizará el caso de un bróker que actúa independientemente, como un medio para balancear el mercado.

3.1. LA RED LTL

El modelamiento de la red LTL corresponde a una red de transporte regional, en el que hay que sincronizar:

i) Rutas a despachar el día de la planificación (aquí y ahora)


7

ii) Rutas previstas para los próximos días

iii) Asignación de tripulaciones (conductores) a los vehículos.

LESS-THAN-TRUCKLOAD (LTL) MATHEMATICAL MODELING

DYNAMIC PLAN OF TRAVELS


La planificación del despacho no solo incluye la asignación de los vehículos cargados; también se deben planificar el envío de camiones vacíos para traer carga desde los puntos generadores de carga a los

HUBs consumidores de la carga. Adicionalmente, el ruteo puede incluir la separación de los “cabezotes”

de los “tráileres”, ya que en muchos casos el cabezote puede viajar sin remolque. Un punto adicional, son las características de los vehículos (cabezotes y trailers) que pueden tener restricciones de acuerdo

con la carga que trasportan y/o los sitios que visitan y/o las rutas que transitan.

LESS-THAN-TRUCKLOAD (LTL) MATHEMATICAL MODELINGDYNAMIC PLAN OF TRAVELS


Para ser sólido, el proceso decisorio implica que al seleccionar una solicitud RS en un OLH se debe analizar qué es lo que podría pasar en los siguientes OLHs, simulando cual es la decisión en el próximo

destino que va a pasar. Esto se llamaría decisión de múltiples etapas, que extiende el modelo de fijación

precios de una sola ruta a múltiples rutas. Por lo tanto, el problema de transporte implica múltiples viajes


8

(con asignación de cantidades y de rutas) que representan las solicitudes; a partir de la asignación se

determinan los costos de viaje y los beneficios esperados. Se deben tener en cuenta restricciones como:

▪ Ventanas de atención de recibo y de despacho (time-windows). ▪ Tiempo de llegada de vehículos en viaje.

▪ Restricciones en las solicitudes LTL de acuerdo con el tipo de vehículo. ▪ Análisis simultáneo de transacciones en múltiples hub (OLH).

▪ Análisis de colaboración entre los participantes.

Por lo tanto, un modelo realista para participar en el mercado LTL debe ser de gran escala y estará

basado en modelos fundamentales como el VRP (Vehicle Routing Problem) y el TSP (Travel Salesman Problem), incluyendo variaciones de acuerdo con el estado del arte y representativas del mundo real

(por ejemplo, tiempos de viaje dinámicos dependientes de la hora de salida).

Este modelaje no se contempla con detalle en este documento, simplemente se asume que se resume

en un conjunto de ecuaciones (xR) = 0 que deben incluirse en el modelo de pricing para tener una

solución coherente; xR representan las variables de routing.

Para conocer más sobre los modelos de transporte desarrollados por DecisionWare se sugiere al lector leer:

▪ OPCHAIN-TSO: Optimization of Complex Transport Systems

https://www.linkedin.com/pulse/logistics-operations-optimization-ports-ships-systems-jesus-

velasquez/

3.2. FREIGHT DEMAND MODELING

Los tipos de carga que han de fluir en la red LTL son

▪ Bulk (coal, oil, gas, ores, minerals, sand and gravel, agricultural) ▪ General Merchandise (supermarket grocery)

▪ Specialized Freight (automobile, chemicals) ▪ Small Package

A mediano-largo plazo la demanda de transporte de carga en camiones LTL es una demanda derivada, esto quiere decir que a partir de la demanda agregada de transporte entre un origen un destino se debe

realizar un proceso para determinar “exactamente” las cantidades que se transportarán en los diferentes modos de trasporte disponibles. Esta demanda en fundamental para decidir acerca del diseño de la red

LTL. EN este tipo de modelaje son importantes los aspectos micro/macro económicos que son los que

determinan las cantidades que equilibran el mercado de bienes transportados entre dos regiones.

El siguiente diagrama resume el proceso a seguir.

https://www.linkedin.com/pulse/logistics-operations-optimization-ports-ships-systems-jesus-velasquez/



9

Economic ActivityGrowth Factor

Gravity

Input-Output

Production

Consumption

Flows

Logistics

Choices

Origin-Destination

Flows

Demand

Network

Assignment

FREIGHT MODELING FRAMEWORK

Adicionalmente, las decisiones de los múltiples agentes (productores, distribuidores mayoristas, consumidores, trasportadores, proveedores de servicios logísticos) que participan en el proceso afectan

la demanda multimodal de demanda de servicios de transporte.

Las opciones logísticas afectan el costo del trasporte y por ende hacen parte de la formulación de un

modelo de demanda de mediano/largo plazo: i) envío tamaño/frecuencia, ii) opción de unidad de carga (contenedor, plataforma, refrigerados); iii) formación de rutas (consolidación y distribución, entregas

varias paradas, procesamiento por lotes), iv) ubicación de centros de consolidación y distribución, v) modos de transporte (por carretera, ferroviario, marítimo, aéreo) y los vehículos disponibles y iv)

programación de despacho.

FORECASTING FREIGHT DETAILED ORIGIN DESTINY FLOWS

LOGISTICS CHOICES

Shippers Characteristics

Shipment,

Commodity,

Mode Attributes

Logistics

Cost

Transport Mode

Choice

LatentVariables

Latent

Variables

Model

Ejemplos de modelos de costos de modo de trasporte incluyendo una variable latente como es la

percepción de calidad (Perceived Quality):

Truck Cost =


10

− 0.138 + (Transportation cost ) + 0.372( Distance) − 0.811( Delivery time reliability)

− 4.35( Equipment usability ) − 0.0980(Value/ton )

+ 0.456 [(In transit stock holding cost) + 0.169(Safety stock costs) +1.65(Loss and damage)] − 0.769(Perceived Quality)

Rail Cost =

(Transportation cost ) − 0.811( Delivery time reliability ) − 4.35( Equipment usability ) + 0.456 [(In transit stock holding cost) + 0.169(Safety stock costs ) +1.65(Loss and damage)]

− 0.769(Perceived Quality)

Intermodal Cost =

1.64 + (Transportation cost) − 0.811( Delivery time reliability) − 4.35( Equipment usability )

+ 0.456 [(In transit stock holding cost ) + 0.169(Safety stock costs ) +1.65(Loss and damage)]

− 0.769(Perceived Quality)

Las variables latentes (ocultas/subjetivas) conllevan como efecto: i) Mejoría significativa en la función de verosimilitud del modelo y ii) cambios significativos en algunos de los parámetros estimados

A corto plazo (próximos días) el proceso es más sencillo ya que la misma se puede conocer con más certeza. La demanda se puede dividir en demanda en firme (conocida) y demanda potencial en los

próximos días. La suma de las dos es la que debe atender el modelo, teniendo en cuenta que la demanda potencial debe estar vinculada a una probabilidad de ocurrencia relacionada con la cantidad, el origen y

el destino.

Para el modelaje siguiente se asume que esta demanda existe y que se conoce como dato exógeno al

modelo de toma de decisiones.

3.3. MODELAMIENTO DE LAS OFERTAS DEL BRÓKER

Desde el punto de vista de los operadores LTL, el problema de selección de solicitudes RS consiste en:

i) Escoger las demandas de servicio de transporte más rentables, para rutas directas de largo recorrido o para múltiples rutas de recogida y de entrega, y vender el servicios de trasporte de

carga al mejor precio; y ii) Determinar simultáneamente los precios de oferta para comprar los derechos de carga de un

trasportador, teniendo como referencia las RS adquiridas.

La selección de solicitudes (RS) juega papel vital para optimizar los ingresos del bróker. Esto es

particularmente obvio teniendo en cuenta la intensa competencia en el mercado del transporte, que no permiten market-shares muy altos. Durante las últimas décadas, el segmento de transporte LTL ha sido

afectado seriamente, por la mayor competencia y por la reducción del mercado, demostrado por el hecho de que el total de los ingresos en el segmento de la industria LTL, en Estados Unidos, bajó el 21% entre

2008 y 2009. Esto conlleva a que es esencial para los proveedores de servicios logísticos prestar más

atención en su gestión de ingresos en el entorno competitivo actual.

El modelamiento matemático tiene como objetivo maximizar los ingresos del bróker mediante la combinación de solicitudes atendidas, en una y/o en múltiples rutas, y la definición de precios “óptimos”

basado en una estrategia de precios dinámica.

En este caso el bróker tiene dos metodologías a seguir para determinar las condiciones matemáticas

bajo las cuales las ofertas que realiza tienen posibilidades de ser ganadoras; estas metodologias son: ▪ Modelos Probabilísticos Avanzados; o

▪ Machine Learning


11

No hay razones para seleccionar una de ellas como la mejor, quizás la mejor solución para el bróker sea

disponer de modelos basados en las dos alternativas y con base a la experiencia real, determinar cual

de las dos produce mejores resultados en el proceso de “proyectar” las ofertas ganadoras.

3.3.1. MODELAMIENTO PROBABILÍSTICO AVANZADO

En el proceso de toma de decisiones el bróker debe decidir el precio para prestar sus servicios (PRSP); para ello debe recurrir a modelar sus posibilidades/probabilidades de ganar una oferta. Por ejemplo, con

respecto a la aceptación/selección de un RS, en un ambiente con incertidumbre se pueden definir un

rango que define los precios en los que se debe mover el bróker: ▪ El límite inferior indica que para valores por debajo de dicho valor no existe duda en no prestar el

servicio, lo que implica que la utilidad a ese precio debería ser cero, y ▪ El límite superior indica que no existe duda en la conveniencia de aceptar la solicitud, y la utilidad

en ese precio es la máxima utilidad que se puede lograr.

0

Precio Oferta Bróker

RSP

PRSPMIN PRSPMAX

BRÓKERGANA OFERTA

BRÓKER PIERDE OFERTA

INCERTIDUMBRE SOBRE

ELRESULTADO OFERTA

ProbabilidadGanar

1

PRECIO DE GANAR - REQUEST SELECTION PROBLEM

Con respecto a la compra de un derecho de carga un trasportador (PDTR), el análisis es similar, pero la curva de probabilidad es diferente.


12

0

Precio Oferta Bróker

RSP

PDTRMIN PDTRMAX

BRÓKERPIERDE OFERTA

BRÓKER GANA OFERTA

INCERTIDUMBRE SOBRE

ELRESULTADO OFERTA

ProbabilidadGanar

1

PROBABILIDAD DE GANAR = FUNCIÓN DEL PRECIO DE COMPRA DE DERECHOS DE CARGA

La información para la construcción de las curvas de probabilidad debe estar en una basa de datos histórica que almacene las ofertas realizadas y los resultados de esta. Sin esta información, la única

alternativa sería la construcción de curvas teóricas con parámetros asignados basados en la experiencia, esta no parece ser la mejor alternativa. Se requiere información de ofertas ganadoras y de ofertas

perdedoras.

3.3.2. MACHINE LEARNING

Machine Learning (ML) es el estudio científico de los algoritmos y modelos estadísticos que utilizan

sistemas informáticos para mejorar progresivamente su rendimiento en una tarea específica (wikipedia

en inglés). Uno de los fundamentos de ML son las máquinas de vectores soporte (SVM, del inglés Support Vector Machines) tienen su origen en los trabajos sobre la teoría del aprendizaje estadístico y

fueron introducidas en los años 90 por Vapnik y sus colaboradores [Boser et al., 1992, Cortes & Vapnik, 1995]. Aunque originariamente las SVMs fueron pensadas para resolver problemas de clasificación

binaria, actualmente se utilizan para resolver otros tipos de problemas (regresión, agrupamiento, multi-clasificación).

También son diversos los campos en los que han sido utilizadas con éxito, tales como visión artificial, reconocimiento de caracteres, categorización de texto e hipertexto, clasificación de proteínas,

procesamiento de lenguaje natural, análisis de series temporales. De hecho, desde su introducción, han ido ganando un merecido reconocimiento gracias a sus sólidos fundamentos teóricos. A continuación,

analizaremos el caso de utilizar SVM para apoyar las decisiones del bróker que requiere

caracterizar/discriminar las ofertas exitosa (se dio el negocio) de las no exitosas.

El caso de interés es determinar cuándo una oferta será exitosa o no, lo que implica segmentar las ofertas entre: ÉXITO y NO-ÉXITO. Consideremos el caso de compra de derechos de transporte. Se

sabe que se cumple: i) A mayor precio mayor posibilidad de ÉXITO

ii) Que, dado el precio, a mayor peso, mayor volumen menor posibilidad de éxito. EL problema desde

el punto de vista de ML es separar el espacio por medio de un hiperplano (SVM) que divida las ofertas entre ÉXITO y NO-ÉXITO; tal como lo muestra la siguiente figura.


13

SUPPORT VECTOR MACHINES

?

Precio

Peso, Volumen, Ruta, Tipo Carga, …

ÉXITO

NO-ÉXITO

Precio


ÉXITO

NO-ÉXITO

Fuente: E. Carmona, “Tutorial sobre Máquinas de Vectores de Soporte (SVM)”

El problema matemático está relacionado con el hecho que, en ciertos casos, pueden existir infinito

número de hiperplanos que pueden dividir el espacio y por lo tanto se requiere seleccionar el “mejor” de ellos.


Precio


ÉXITO

NO-ÉXITO

Precio


ÉXITO

NO-ÉXITO

Fuente: E. Carmona, “TUTORIAL SOBRE MÁQUINAS DE VECTORES DE SOPORTE (SVM)”

ML permite determinar el hiperplano óptimo como aquel que maximiza la distancia del punto más

cercano de cada grupo al SVM.


14


Precio


ÉXITO

NO-ÉXITO

Precio


ÉXITO

NO-ÉXITO

Fuente: E. Carmona, “TUTORIAL SOBRE MÁQUINAS DE VECTORES DE SOPORTE (SVM)”

Precio

ÉXITO

NO-ÉXITO

El proceso básico para determinar el SVM corresponde a un modelo de optimización de fácil solución,

para problemas de pequeña escala.

Consideremos un conjunto separable de dos tipos de objetos

S = { (X1 ; y1) ; . . . ; (Xn; yn) }

donde yi{+1,-1} y XiRd, con componentes xi,d, se puede definir un SVM como una función lineal

que es capaz de separar dicho conjunto sin error:

D(xi) = ( w1 xi,1 + … + wd xi,d ) + b =d wd xi,d + b = <w,Xi> + b

donde wi son coeficientes reales (componentes del vector W), b es un coeficiente real y el operador <w,x> representa el producto punto entre w y x.

El SVM cumplirá las siguientes restricciones para todo Xi del conjunto de objetos:

<w,Xi> + b ≥ 0 si yi = +1

<w,Xi> + b ≤ 0 si yi = - 1

yi (<w,Xi> + b ) ≥ 0

o también

yi (<w,Xi> + b ) ≥ 0 i=1,n

o de forma algebraica

yi D(xi) ≥ 0 i=1,n

La distancia , entre un hiperplano de separación D(x) y un objeto/vector x’ viene dada por

= | D(x’) | / ǁ w ǁ


15

siendo |.| el operador valor absoluto, ǁ . ǁ el operador norma de un vector y w el vector que, que

junto con el parámetro b define el hiperplano D(x) y que, además, tiene la propiedad de ser

perpendicular al hiperplano considerado. Dada la definición de hiperplano de separación, se debe cumplir distancia es menor que cualquier otra distancia a los puntos al interior de la frontera, esto es:

≤ | D(x’) | / ǁ w ǁ

o sea que todos los objetos de entrenamiento cumplirán

ǁ w ǁ ≤ | D(x’) |

De la expresión anterior, se deduce que encontrar el hiperplano óptimo w* es equivalente a encontrar

el valor de w que maximiza el margen/distancia . Sin embargo, existen infinitas soluciones que difieren

solo en la escala de w. Así, por ejemplo, todas las funciones lineales (<w,Xi> + b), con R,

representan el mismo hiperplano. Para limitar el número de soluciones a una sola, la escala del producto

de y por la norma de w se fija, de forma arbitraria, a la unidad

ǁ w ǁ = 1

Llegando a la conclusión de que maximizar el margen es equivalente a minimizar la norma de w, la

cual se expresa como

ǁ w ǁ = ( d wd2 ) ½

lo que es equivalente a minimizar el la mitad del cuadrado de la norma d wd2.

El problema matemático a resolver corresponde a un problema de programación cuadrática que se

formula como: ΣΣ

{ Min ½ d wd2

|

D(xi) = d wd xi,d + b ≥ 1 si yi = +1

D(xi) = d wd xi,d + b ≤ -1 si yi = -1

}

Si el anterior problema tiene solución factible, el problema se denomina como de clasificación

separable. El hiperplano así definido se denomina vector de soporte de margen duro; si no tiene solución factible, implica que no existe un hiperplano que pueda dividir el espacio dimensional en dos

partes, de forma tal de agrupar todos los objetos de un mismo tipo en un mismo semi-espacio; en ese caso el problema de clasificación se denomina como cuasi-separable.

En este caso se propone resolver un problema que tenga incluya un error de ajuste (“holgura”), i, y el

problema matemático a resolver se formula como:

{ Min ½ d wd2 + C i |i|

|

D(xi) = d wd xi,d + b + i ≥ 1 si yi = +1

D(xi) = d wd xi,d + b - i ≤ -1 si yi = -1

}

donde C es una constante, suficientemente grande que permite controlar en qué grado influye el término

de penalización de los objetos no-separables en la minimización de la norma. El hiperplano así definido

se denomina vector de soporte de separación de margen blando.


16

Hasta ahora, se ha asumido que los hiperplanos se definían como funciones lineales en el espacio-

x de los objetos; sin embargo, es posible usar de forma eficiente de funciones base, no lineales, para

definir espacios transformados de alta dimensionalidad y así obtener SVM óptimos en dichos espacios transformados, a los que se le denomina espacio de características, para diferenciarlo del espacio-x de

objetos de entrada. La siguiente gráfica resume lo dicho.

Espacio Original Espacio Proyectado

GENERALIZED SUPPORT VECTOR MACHINES

Fuente: E. Carmona, “Tutorial sobre Máquinas de Vectores de Soporte (SVM)”

Para el lector no familiarizado con ML y SVM se sugiere revisar el siguiente documento E. Carmona, “Tutorial sobre Máquinas de Vectores de Soporte (SVM)”.

http://www.ia.uned.es/~ejcarmona/publicaciones/[2013-Carmona]%20SVM.pdf

4. SISTEMA DE SOPORTE DE DECISIONES

4.1. SOPORTE DE OPERACIONES LTL

Por lo anterior un sistema de soporte de decisiones para LTL-EXPRESS debe ser el resultado de estudiar

cómo los transportadores LTL deben seleccionar/competir por las solicitudes LTL en múltiples OLH basado en una política de precios dinámica, que tenga en cuenta la dinámica del mercado de servicios

LTL y el despacho de los compromisos de servicios de transporte. LTL-EXPRESS requiere de un

conjunto de modelos que le permitan soportar las decisiones que toma.

Conceptualmente debe tener los siguientes modelos (se utilizan modelos tipo ML): ▪ Ofertas Ganadoras (SVM-DEM), basado en ML, determina los SVMs para segmentar las ofertas de

los precios a cobrar a los generadores de carga (RS)

▪ Ofertas Ganadoras (SVM-OFE), basado en ML, determina los SVMs para segmentar las ofertas de los precios a pagar a los transportadores

▪ Despacho de la Red LTL y Revenue Management (MAX-RM), contiene el modelo de despacho de la red LTL y su vinculación con los ingresos del bróker (Revenue Management).

El siguiente diagrama presenta el flujo de datos a lo largo de los tres modelos.

http://www.ia.uned.es/~ejcarmona/publicaciones/%5b2013-Carmona%5d%20SVM.pdf


17

SISTEMA DE SOPORTE DE DECISIONES

MAX-RMModelo

Revenue Management

SVM-OFEOfertas de Compra

MACHINE LEARNING

Contratos de Compra/Venta

de Servicios de Transporte

SUPPLYDEMAND

Información Histórica

Ofertas de Venta

Solicitud Servicios de Transporte

Peso, Volumen

SVM-DEMOfertas de Venta

MACHINE LEARNING

Vehículos Disponibles

Capacidad en PesoCapacidad en Volumen

1. Precios Compra Servicios de Transporte

2. Precios Venta Servicios de Transporte

3. Plan De Despacho Red LTL

Hiperplano de Soporte

Precio de CompraSVMOFE

Hiperplano de Soporte

Precio de VentaSVMDEM

Optimization


Ofertas de Compra

MAX-RM el “valor esperado” de las ganancias del bróker. La decisión de realizar una oferta, o no, y de

determinar su valor no es un proceso subjetivo en el cual pueden existir múltiples criterios. Como

condición del negocio, se incluye una regla que limita las ofertas a aquellas que son clasificadas como exitosas.

Las restricciones del modelo MAX-RM se agrupan así:

1. Revenue: Ecuaciones que representan los ingresos y los egresos operacionales

2. Asignación Viajes: Restricciones de capacidad de los vehículos y de asignación de servicios a

vehículos; corresponde al sistema de ecuaciones (xR) = 0

3. Oferta Venta: Restricciones de coordinación de las ofertas de venta de servicios, corresponden a

las ecuaciones que coordinan las ofertas con las ecuaciones (xR) = 0

4. Oferta Compra: Restricciones de coordinación de las ofertas de compra de servicios, corresponden

a las ecuaciones que coordinan las ofertas con las ecuaciones (xR) = 0

5. Hiperplano de Soporte DEM: SVM del precio de venta, corresponde a las ecuaciones SVM-DEM(xR)

6. Hiperplano de Soporte OFE: SVM del precio de venta, corresponde a las ecuaciones SVM-OFE(xR)

7. Otras Restricciones: Reglas de negocio

4.2. MODELOS PARA OPTIMIZACIÓN DEL TRANSPORTE

Un Sistema de Soporte de Decisiones de Transporte puede requerir de múltiples modelos para apoyar integralmente la planificación y la programación de operaciones. Estos modelos pueden ser:

▪ Optimización de Políticas de Inventario de Repuestos (orientados a empresas que mantienen

sus flotas propias de vehículos) ▪ Mantenimientos de Vehículos: determinan la conveniencia de enviar un vehículo a

mantenimiento preventivo. ▪ Asignación de conductores: asignación de conductores de acuerdo con las reglas del negocio.


18

▪ Programación de Actividades en Talleres: orientado a empresas que realizan mantenimiento

de vehículos, de sus propias flotas o de terceros.

LESS-THAN-TRUCKLOAD (LTL)

SISTEMA DE SOPORTE DE DECISIONES: MODELOS MATEMÁTICOS COMPLEMENTARIOS

SUPPLYDEMAND


CMV-LTLMantenimiento

Vehículos

Vehículos Operaciones

INV-LTLPolíticas

InventarioRepuestos

Parámetros Falla Vehículos

Proyección ServiciosMediano Plazo

Vehículos Mantenimiento

Eventos

PME-T PME-O

DEM-LTLDemanda

Mediano/Corto Plazo

OPT-LTLPlanificación – Operaciones

MantenimientoVehículos

Costo/RiesgoMantenimiento x Vehículo

DRIVER-LTLPlanificación de Conductores

PRICE-LTLModelo Dinámico de Precios

MAN-TALLERProgramaciónOperaciones

Mantenimiento

HOJA DE VIDAVEHÍCULOS

Asignación Tripulaciones

Vehículos Operaciones

El lector interesado en conocer más de los modelos ofrecidos por DecisionWare por favor solicitar

información a [email protected]

5. DECISIONWARE

DecisionWare, is pioneer in Latin America in the design and implementation of Decision Support

Systems, based on large-scale optimization mathematical models. The solutions developed by DW, in

different areas of application of ADVANCED ANALYTICS accumulate more that forty years of experience solving problems real-life problems of Engineering and Business Process.

DecisionWare is dedicated to the design and implementation of Advanced Analytics algorithms, based

on the following mathematical methodologies: i) Machine Learning, ii) Advanced Probabilistic Models, iii) Optimization (Mathematical Programming) and iv) Matheuristics (mixed of Metaheuristics and

Mathematical Programming).

According to the standards of modern computer technologies, models supplied by DW are easy-to-

customize for each user and integrate with other IT solutions of the organization.

Some of the OPCHAIN Decision Support Systems developed by DW are:

▪ OPCHAIN-E&G: Electricity & Natural Gas - Advanced Supply Chain Optimization

https://www.linkedin.com/pulse/electricity-natural-gas-advanced-supply-chain-jesus-velasquez/

▪ OPCHAIN-SCO: Advanced Supply Chain Optimization. Traditional & State-of-The-Art

Models

https://www.linkedin.com/pulse/supply-chain-optimization-jesus-velasquez/

▪ OPCHAIN-DCO: Scientific Marketing: Advanced Demand Chain Optimization

https://www.linkedin.com/pulse/scientific-marketing-advanced-demand-chain-jesus-velasquez/

mailto:[email protected]

https://www.linkedin.com/pulse/electricity-natural-gas-advanced-supply-chain-jesus-velasquez/

https://www.linkedin.com/pulse/supply-chain-optimization-jesus-velasquez/

https://www.linkedin.com/pulse/scientific-marketing-advanced-demand-chain-jesus-velasquez/


19

▪ OPCHAIN-RPO: Integrated Regional Planning Cities & Regions: Smart, Analytical, &

Sustainable https://www.linkedin.com/pulse/integrated-regional-planning-cities-regions-smart-jesus-velasquez/

▪ OPCHAIN-MINES: Mathematical Programming Applied to Mining & Metallurgical

Industries

https://www.linkedin.com/pulse/mathematical-programming-applied-mining-metallurgical-jesus-

velasquez/

▪ OPCHAIN-OIL: OIL Supply Chain Optimization

https://www.linkedin.com/pulse/oil-supply-chain-optimization-jesus-velasquez/

▪ OPCHAIN-SME/PYME: An Advanced Analytics Decision Support System to Be Used on

Demand in the Cloud

https://www.linkedin.com/pulse/advanced-analytics-decision-support-system-used-demand-velasquez/

▪ OPCHAIN-TSO: Optimization of Complex Transport Systems

https://www.linkedin.com/pulse/optimization-logistics-operations-ports-jesus-velasquez/ https://www.linkedin.com/pulse/logistics-operations-optimization-ports-ships-systems-jesus-

velasquez/ https://www.linkedin.com/pulse/transport-revenue-management-optimal-pricing-case-ltl-jesus-

velasquez/

▪ OPCHAIN-ASO: Advanced Analytics Applied to Academic Systems

▪ OPCHAIN-BANK: Optimization Applied in Financial Enterprises

More information: ▪ Catalogue of OPCHAIN Mathematical Models (https://goo.gl/3EP9j9)

It contains "all" models that DW has done. ▪ DecisionWare Experience (https://goo.gl/RkwdeY)

It contains a brief description of the main projects that DW has done.

All OPCHAIN models can be used in the form Optimization As A Service (OAAS) in the cloud.

https://www.linkedin.com/pulse/integrated-regional-planning-cities-regions-smart-jesus-velasquez/

https://www.linkedin.com/pulse/mathematical-programming-applied-mining-metallurgical-jesus-velasquez/

https://www.linkedin.com/pulse/mathematical-programming-applied-mining-metallurgical-jesus-velasquez/

https://www.linkedin.com/pulse/oil-supply-chain-optimization-jesus-velasquez/



https://www.linkedin.com/pulse/optimization-logistics-operations-ports-jesus-velasquez/



https://www.linkedin.com/pulse/transport-revenue-management-optimal-pricing-case-ltl-jesus-velasquez/

https://www.linkedin.com/pulse/transport-revenue-management-optimal-pricing-case-ltl-jesus-velasquez/

https://goo.gl/3EP9j9

https://goo.gl/RkwdeY

advanced analytics solution: case: less-than …

Documents