Optimización de rutas: TSP, VRP y por qué Excel no resuelve reparto real
La optimización de rutas de reparto es uno de los problemas clásicos de investigación de operaciones y sigue siendo el mayor apalancamiento operativo para cualquier transportista que mueva más de 30 paradas por vehículo al día. El fundamento matemático es el Traveling Salesman Problem (TSP) — encontrar la secuencia más corta que visita todas las paradas y regresa al origen — extendido al Vehicle Routing Problem (VRP) cuando hay varios vehículos, capacidades distintas, ventanas de tiempo del cliente (time windows) y restricciones operativas. TSP puro con 30 nodos tiene 2.65 × 10³² rutas posibles; la enumeración exhaustiva es imposible incluso en un cluster moderno. Por eso la industria usa heurísticas (Clarke-Wright savings, 2-opt, Lin-Kernighan) y solvers como OR-Tools de Google, que resuelven instancias reales de 200-500 paradas en segundos con una degradación de 2-5% frente al óptimo teórico.
Fórmulas y KPIs operativos
Costo por parada = (Combustible + Nómina conductor + Depreciación vehículo + Mantenimiento) ÷ Paradas entregadas
Route density = Paradas por ruta ÷ Kilómetros recorridos. A mayor densidad, menor costo marginal por entrega. Empresas como 99minutos en México y Rappi Turbo en Colombia optimizan para densidad superior a 4 paradas/km en zonas urbanas; UPS y FedEx Ground en Estados Unidos operan rangos de 2-3 paradas/km en suburbios y hasta 6-8 en Manhattan.
Stops per hour (SPH) = Paradas entregadas ÷ Horas de ruta. Benchmark UPS ORION (route optimization): 18-22 SPH en zonas urbanas densas, 12-16 en suburbanas.
Backhaul optimization — aprovechar el regreso del vehículo vacío para recoger devoluciones o carga de retorno. Un camión que opera 30% del tiempo vacío tiene un costo-beneficio 40-60% peor que uno con backhaul programado.
Ejemplo numérico: distribuidor de alimentos en CDMX
Un distribuidor con 12 camionetas reparte 800 pedidos diarios en CDMX. Sin optimización, promedian 67 paradas/vehículo, 142 km/ruta, 11.2 horas jornada — SPH de 6.0 y route density de 0.47 paradas/km. Costo por parada: MXN 38.
Con OR-Tools calibrado con ventanas de tiempo (clientes B2B 9-13h, B2C 10-20h), capacidad de 350 kg/vehículo y turno máximo 9h:
- Paradas por vehículo: 67 → 74 (+10%)
- Kilómetros por ruta: 142 → 108 (−24%)
- SPH: 6.0 → 8.2 (+37%)
- Route density: 0.47 → 0.69 paradas/km
- Costo por parada: MXN 38 → MXN 27 (−29%)
Ahorro mensual con 24,000 paradas: MXN 264,000. El ROI del solver (licencias open-source OR-Tools + 2 semanas de integración de un ingeniero): pagado en el primer mes.
Time windows: la restricción que rompe TSP puro
La ventana horaria de cada cliente es la variable que distingue VRP académico de reparto real. Un cliente B2B que recibe solo de 9:00 a 11:00 convierte su parada en una restricción dura — si no llegas, entrega fallida y reintento (1.5-3x el costo del envío original). El solver calibra penalidades por violación de ventana vs costo marginal de recorrido. En México las ventanas típicas retail son 7-11am (apertura de tiendas) y la carga comercial se concentra en 9-13h, generando picos que obligan a más vehículos para el mismo volumen de paradas.
Backhaul, milk runs y zonas densas
Los operadores LatAm con mejor costo por parada — OSM en Colombia, Rappi, 99minutos — ejecutan tres tácticas: (1) milk runs: rutas pre-programadas con recoleccion B2B seguida de reparto B2C, aprovechando que el vehículo ya pasa por la zona; (2) zonificación densa: asignar rutas por polígono fijo permite que el conductor aprenda la zona — Amazon Logistics documenta 8-12% de mejora en SPH tras 90 días de permanencia en la misma zona; (3) backhaul B2B-B2C: salir de CEDIS con carga B2C para entregar en la mañana y volver con recolección B2B o devoluciones por la tarde, reduciendo tiempo muerto a menos del 10% del turno.
Benchmarks sectoriales: LatAm vs US
Los operadores líderes LatAm last-mile — Rappi Turbo, 99minutos, Pedidos Ya Turbo, OSM Colombia — operan en corredor de 6-9 SPH con route density 3-5 paradas/km en zonas urbanas densas. UPS ORION y FedEx Ground en US urban-dense llegan a 18-22 SPH gracias a infraestructura de 40+ años, scan automatizado y conductores con tenure 5+ años en misma zona. Amazon Logistics via Delivery Service Partners (DSP) opera en 15-20 SPH con fuerte énfasis en algoritmo de stop sequence propietario y telematics. El gap LatAm-US no es por solver (todos usan VRP moderno) sino por tráfico urbano (2-3x peor en CDMX, São Paulo, Bogotá que en Nashville o Dallas), densidad de direcciones informales (ausencia de números visibles obliga a llamada telefónica al cliente) y tiempo de entrega en edificios (portería, elevador, firma).
Diferenciación frente a Excel y Google Maps
Excel no resuelve TSP ni VRP — la librería Solver tiene límite de variables que colapsa alrededor de 15 paradas. Google Maps optimiza la ruta entre waypoints pero ignora ventanas de tiempo, capacidad de vehículo y múltiples vehículos. OR-Tools, Onfleet, Routific y Circuit for Teams cierran esa brecha; el simulador web es el puente para transportistas que aún planifican a mano y necesitan cuantificar el valor antes de invertir en un TMS (Transportation Management System).
Conclusión
Para transportistas, e-commerce, distribuidores FMCG y last-mile carriers, la optimización de rutas es el palanca operativo número uno: 15-30% de reducción de costo de transporte con inversión marginal. El simulador permite ejecutar el cálculo TSP/VRP con tus paradas reales, comparar escenarios con distintas configuraciones de flota, ventanas y densidad, y cuantificar el ahorro antes de comprometer capital en software o flota adicional.