Introducción

En el contexto logístico de Colombia, comprender las rutas de las empresas de transporte es clave para optimizar procesos de distribución, reducir costos y mejorar el nivel de servicio.

Debido a la diversidad de regiones, es fundamental contar con herramientas analíticas y de visualización que permitan agrupar las zonas en las que operan, para apoyar la toma de decisiones estratégicas en la gestión de ruta.

Este trabajo tiene aplicar técnicas específicamente el algoritmo de clustering K-means, para clasificar empresas transportadoras con base en los destinos que cubren geográficamente. El análisis se apoya en una base de datos que contiene información sobre toneladas movilizadas por transportador hacia diferentes destinos del país, junto con el departamento y la región correspondiente.

Pregunta de investigación

• ¿Qué regiones presentan un mayor promedio mensual de toneladas movilizadas?

Las regiones que presenta un promedio mayor de toneladas son Región pacifico, centro, Región Eje Cafetero – Antioquia y Región Caribe

• ¿Cuáles categorías de empaque son más frecuentemente transportadas?

En promedio mensual de toneladas transportadas, las cuatro principales categorías por tipo de empaque son: sacos de 50 kg, Jumbos, empaquetados, sacos de 25 kg y sacos de 22,7 kg. Destacan los formatos de 50 kg y los Jumbos, que representan los productos de mayor demanda

• ¿Qué tipos de vehículos son más utilizados por destino?

El 74% de la flota de vehículos destinada al transporte de carga utiliza tractomulas de 3 ejes, siendo este el tipo de vehículo más común. Le siguen en participación los camiones tipo turbo y sencillos, con un 23%, mientras que las tractomulas de 4 ejes tienen una utilización significativamente menor.

• ¿Cómo se pueden agrupar las empresas de transporte según su cobertura geográfica?

Para dar respuesta a esta ultima pregunta que es el enfoque del trabajo se parte del siguiente análisis

La base de datos inicial incluye las variables: transportador, toneladas movilizadas, ciudad destino, departamento y región geográfica. Para realizar la clasificación geográfica, se aplicaron los siguientes pasos:

  1. Normalización y geocodificación: Se asignaron coordenadas de latitud y longitud a cada ciudad destino, utilizando servicios de geocodificación de OpenStreetMap.

  2. Preparación de datos: Se construye una tabla donde cada fila representa una entrega a un destino específico, asociada a un transportador y a las coordenadas geográficas del destino.

  3. Clustering geográfico: Se aplicó el algoritmo Kmeans sobre las variables de ubicación (lat, lon) resultando en 6 clústeres geográficamente diferenciados:

## K-means clustering with 6 clusters of sizes 1, 2, 16, 1, 1, 30
## 
## Cluster means:
##        CALI     PEREIRA SANTANDER DE QUILICHAO      YUMBO     BOGOTÁ      FUNZA
## 1  1.400280  2.71163072              2.4824313  1.4002801  0.7953056  1.0502101
## 2  1.400280 -0.36155076             -0.3949322  1.4002801  0.7953056  1.0502101
## 3  0.350070  0.02259692              0.1445734  0.2187938  0.7953056  0.9262269
## 4  1.400280  2.71163072              2.4824313  1.4002801  0.7953056 -0.9335201
## 5  1.400280  2.71163072              2.4824313  1.4002801  0.7953056  1.0502101
## 6 -0.420084 -0.25911138             -0.2990201 -0.3500700 -0.5567140 -0.6028984
##     MOSQUERA SANTA MARTA  CHINCHINÁ FACATATIVÁ       SOPÓ   APARTADÓ
## 1  1.3406661   1.6928561 -0.2475369 -0.5192378 -0.3615508 -0.3615508
## 2  1.3406661   1.6928561 -0.2475369  1.8881373  1.1750400  1.1750400
## 3  0.5636892   0.4148611 -0.2475369  0.6844498  0.2146708  0.4067446
## 4 -0.7312724  -0.5791350  3.9605902 -0.5192378 -0.3615508 -0.3615508
## 5  1.3406661   1.6928561  3.9605902 -0.5192378  2.7116307  2.7116307
## 6 -0.4550140  -0.4276689 -0.1072660 -0.4389919 -0.2591114 -0.3615508
##       ARMENIA    BARBOSA BARRANQUILLA      BELLO BUCARAMANGA BUENAVENTURA
## 1 -0.32644198 -0.2888557    1.1368092 -0.4889990  -0.5192378    1.0097563
## 2  1.33841211 -0.2888557    1.1368092  0.7579485   1.8881373    1.0097563
## 3  0.08977154  0.4016900    0.8869072  0.6020800   0.6844498    0.1432106
## 4  3.00326620 -0.2888557    1.1368092 -0.4889990  -0.5192378   -0.9709195
## 5  3.00326620  3.3940548    1.1368092  2.0048960   1.8881373    1.0097563
## 6 -0.32644198 -0.2888557   -0.6624854 -0.4058692  -0.5192378   -0.1786492
##         BUGA     CALOTO CANDELARIA  CARTAGENA       CHÍA    DUITAMA   ENVIGADO
## 1  1.8881373  2.1389632  2.4824313  1.2327237  1.2849851 -0.4889990  1.3406661
## 2  1.8881373 -0.4583492 -0.3949322  1.2327237  1.2849851  2.0048960  1.3406661
## 3  0.2330669  0.1909789  0.3244086  0.8524682  0.9009954  0.6020800  0.8226815
## 4  1.8881373  2.1389632  2.4824313 -0.7953056  1.2849851 -0.4889990 -0.7312724
## 5  1.8881373  2.1389632  2.4824313  1.2327237  1.2849851 -0.4889990  1.3406661
## 6 -0.4389919 -0.2851951 -0.3949322 -0.5925027 -0.6946951 -0.4058692 -0.5931432
##   FUSAGASUGÁ     GUARNE     JAMUNDI    MALAMBO    PALMIRA     PRADERA
## 1 -0.4889990  3.0032662  3.00326620  1.2849851  1.1368092  3.39405478
## 2  2.0048960 -0.3264420 -0.32644198  1.2849851  1.1368092 -0.28885573
## 3  0.7579485  0.2978783  0.08977154  0.9009954  0.3871031 -0.05867382
## 4 -0.4889990 -0.3264420  3.00326620 -0.7629599  1.1368092  3.39405478
## 5 -0.4889990  3.0032662  3.00326620  1.2849851  1.1368092  3.39405478
## 6 -0.4889990 -0.3264420 -0.32644198 -0.6264303 -0.3959232 -0.28885573
##     RIOHACHA  RIONEGRO    SAN GIL   SAN PEDRO      VÉLEZ       COTA   GIRARDOTA
## 1 -0.2888557 -0.488999 -0.2000400  3.39405478 -0.2888557  1.2849851 -0.24753689
## 2 -0.2888557  2.004896 -0.2000400 -0.28885573  1.5525995  1.2849851 -0.24753689
## 3  0.1715081  0.602080  0.4375875 -0.05867382  0.1715081  0.7729989  0.01547106
## 4 -0.2888557 -0.488999 -0.2000400  3.39405478 -0.2888557 -0.7629599 -0.24753689
## 5  3.3940548  2.004896 -0.2000400  3.39405478  3.3940548  1.2849851  3.96059017
## 6 -0.1660920 -0.488999 -0.2000400 -0.28885573 -0.2888557 -0.5581654 -0.10726598
##    MANIZALES   MEDELLIN     POPAYAN COPACABANA     CÚCUTA      GIRÓN
## 1 -0.2888557  1.6928561  2.29556264 -0.2475369  2.7116307  2.1389632
## 2 -0.2888557  1.6928561 -0.42708142 -0.2475369 -0.3615508  2.1389632
## 3  0.1715081  0.5568606  0.08341434  0.2784790  0.4067446  0.3533109
## 4  3.3940548 -0.5791350  2.29556264 -0.2475369 -0.3615508 -0.4583492
## 5  3.3940548  1.6928561  2.29556264  3.9605902  2.7116307  2.1389632
## 6 -0.2888557 -0.5034019 -0.24557182 -0.2475369 -0.3615508 -0.4583492
##       GUAVATÁ PIEDECUESTA VILLA DEL ROSARIO FLORIDABLANCA     GALAPA  TOCANCIPÁ
## 1 -0.28885573  -0.1400280         3.0032662    -0.2000400 -0.2888557 -0.2888557
## 2  3.39405478  -0.1400280        -0.3264420    -0.2000400  1.5525995 -0.2888557
## 3 -0.05867382   0.3063113         0.2978783     0.1187738  0.1715081  0.6318719
## 4 -0.28885573  -0.1400280        -0.3264420    -0.2000400 -0.2888557 -0.2888557
## 5 -0.28885573  -0.1400280         3.0032662     4.9009803  3.3940548 -0.2888557
## 6 -0.16609204  -0.1400280        -0.3264420    -0.2000400 -0.2888557 -0.2888557
##   CHIQUINQUIRÁ      COGUA   SIMIJACA    SOGAMOSO      PAIPA  ZIPAQUIRÁ
## 1  -0.39493225 -0.3615508 -0.3949322 -0.24753689 -0.2000400 -0.3949322
## 2   1.04374951  1.1750400  1.0437495  1.85652664  2.3504701  2.4824313
## 3  -0.03526181  0.4067446  0.3244086  0.01547106  0.1187738  0.5042439
## 4   2.48243127 -0.3615508 -0.3949322 -0.24753689 -0.2000400 -0.3949322
## 5   2.48243127 -0.3615508 -0.3949322 -0.24753689 -0.2000400 -0.3949322
## 6  -0.20310801 -0.2591114 -0.2031080 -0.10726598 -0.2000400 -0.3949322
##       IBAGUE       NEIVA    PITALITO      ITAGUI     MELGAR      PASTO
## 1 -0.4583492 -0.39493225 -0.24753689  2.29556264 -0.2888557  2.2955626
## 2  2.1389632  2.48243127  1.85652664  2.29556264  3.3940548  0.9342406
## 3  0.1909789 -0.39493225 -0.24753689  0.08341434  0.1715081  0.4237448
## 4 -0.4583492 -0.39493225 -0.24753689 -0.42708142 -0.2888557 -0.4270814
## 5 -0.4583492 -0.39493225 -0.24753689  2.29556264 -0.2888557 -0.4270814
## 6 -0.1986180  0.08462834  0.03300492 -0.33632662 -0.2888557 -0.3363266
##      SOLEDAD VALLEDUPAR     CAREPA    FONSECA LA ESTRELLA    SABANETA
## 1  2.1389632 -0.3949322 -0.2000400 -0.2000400  -0.2000400  2.13896316
## 2  2.1389632  2.4824313 -0.2000400 -0.2000400  -0.2000400  2.13896316
## 3  0.3533109  0.3244086  0.1187738  0.1187738   0.1187738  0.02864683
## 4 -0.4583492 -0.3949322 -0.2000400 -0.2000400  -0.2000400  2.13896316
## 5  2.1389632  2.4824313  4.9009803  4.9009803   4.9009803  2.13896316
## 6 -0.4583492 -0.3949322 -0.2000400 -0.2000400  -0.2000400 -0.37177217
##    SAN ANDRÉS       VIJES DOS QUEBRADAS GIRARDOT LA TEBAIDA MONTERÍA  TURBACO
## 1  3.00326620 -0.28885573    -0.2475369 -0.20004 -0.2475369 -0.20004 -0.20004
## 2  1.33841211 -0.28885573     1.8565266  4.90098  1.8565266  2.35047  2.35047
## 3  0.08977154 -0.05867382    -0.2475369 -0.20004 -0.2475369 -0.20004 -0.20004
## 4 -0.32644198  3.39405478     3.9605902 -0.20004  3.9605902 -0.20004 -0.20004
## 5  3.00326620  3.39405478     3.9605902 -0.20004  3.9605902  4.90098  4.90098
## 6 -0.32644198 -0.16609204    -0.2475369 -0.20004 -0.2475369 -0.20004 -0.20004
##      CAJICÁ VILLAVICENCIO BUGALAGRANDE   CALARCA   CARTAGO EL CERRITO
## 1 -0.140028    -0.2000400   3.39405478 -0.140028 -0.140028  3.9605902
## 2  3.430686     2.3504701  -0.28885573 -0.140028 -0.140028 -0.2475369
## 3 -0.140028     0.1187738  -0.05867382 -0.140028 -0.140028 -0.2475369
## 4 -0.140028    -0.2000400   3.39405478  7.001400  7.001400  3.9605902
## 5 -0.140028    -0.2000400   3.39405478 -0.140028 -0.140028  3.9605902
## 6 -0.140028    -0.2000400  -0.28885573 -0.140028 -0.140028 -0.2475369
##      GINEBRA    GUACARI MONTENEGRO PUERTO TEJADA  QUIMBAYA ROLDANILLO
## 1  3.9605902  3.9605902  -0.140028     3.9605902 -0.140028  -0.140028
## 2 -0.2475369 -0.2475369  -0.140028    -0.2475369 -0.140028  -0.140028
## 3 -0.2475369 -0.2475369  -0.140028    -0.2475369 -0.140028  -0.140028
## 4  3.9605902  3.9605902   7.001400     3.9605902  7.001400   7.001400
## 5  3.9605902  3.9605902  -0.140028     3.9605902 -0.140028  -0.140028
## 6 -0.2475369 -0.2475369  -0.140028    -0.2475369 -0.140028  -0.140028
##   SANTA ROSA DE CABAL       TULUA  VILLA RICA VILLAMARÍA    ZARZAL   CHAPARRAL
## 1           -0.140028  2.71163072  3.39405478  -0.140028 -0.140028 -0.14002801
## 2           -0.140028 -0.36155076 -0.28885573  -0.140028 -0.140028 -0.14002801
## 3           -0.140028  0.02259692 -0.05867382  -0.140028 -0.140028 -0.14002801
## 4            7.001400  2.71163072  3.39405478   7.001400  7.001400 -0.14002801
## 5           -0.140028  2.71163072  3.39405478  -0.140028 -0.140028 -0.14002801
## 6           -0.140028 -0.25911138 -0.28885573  -0.140028 -0.140028  0.09801961
##      TRUJILLO   FLORENCIA   SINCELEJO   CORINTO   FLORIDA LA CALERA   MIRANDA
## 1 -0.14002801 -0.14002801 -0.14002801  7.001400  7.001400  7.001400  7.001400
## 2 -0.14002801 -0.14002801 -0.14002801 -0.140028 -0.140028 -0.140028 -0.140028
## 3 -0.14002801 -0.14002801 -0.14002801 -0.140028 -0.140028 -0.140028 -0.140028
## 4 -0.14002801 -0.14002801 -0.14002801 -0.140028 -0.140028 -0.140028 -0.140028
## 5 -0.14002801 -0.14002801 -0.14002801 -0.140028 -0.140028 -0.140028 -0.140028
## 6  0.09801961  0.09801961  0.09801961 -0.140028 -0.140028 -0.140028 -0.140028
##   PUERTO ASÍS EL SANTUARIO MARINILLA SABANAGRANDE
## 1    7.001400    -0.140028 -0.140028    -0.140028
## 2   -0.140028    -0.140028 -0.140028    -0.140028
## 3   -0.140028    -0.140028 -0.140028    -0.140028
## 4   -0.140028    -0.140028 -0.140028    -0.140028
## 5   -0.140028     7.001400  7.001400     7.001400
## 6   -0.140028    -0.140028 -0.140028    -0.140028
## 
## Clustering vector:
##  [1] 6 6 6 3 6 6 6 3 3 3 6 3 6 6 6 3 6 3 6 6 3 3 2 2 3 6 4 6 3 6 3 6 6 6 6 6 6 6
## [39] 6 6 3 6 6 3 1 3 6 5 3 6 6
## 
## Within cluster sum of squares by cluster:
## [1]    0.0000  166.8703 1482.3032    0.0000    0.0000  729.4112
##  (between_SS / total_SS =  54.3 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

Los centroides de cada clúster son:

## K-means clustering with 6 clusters of sizes 24, 23, 27, 12, 17, 1
## 
## Cluster means:
##         lon       lat
## 1 -76.36275  3.005696
## 2 -75.67902  4.449299
## 3 -73.60077  5.691849
## 4 -74.47011 10.677885
## 5 -75.62941  6.565725
## 6 -81.72042 12.537598
## 
## Clustering vector:
##   [1] 1 2 1 1 3 3 3 4 2 3 3 5 2 5 4 5 3 1 2 1 1 4 3 3 5 2 5 1 4 1 1 4 5 3 2 3 3
##  [38] 5 2 5 1 5 3 3 3 3 3 3 4 3 3 3 3 3 3 3 2 1 1 5 2 1 4 4 5 4 5 5 6 1 5 2 2 5
##  [75] 4 3 3 2 2 2 1 1 1 2 1 2 2 2 2 1 2 2 2 2 1 4 1 1 3 1 1 5 5 4
## 
## Within cluster sum of squares by cluster:
## [1] 20.85274  8.71664 37.74004 13.15886 12.22872  0.00000
##  (between_SS / total_SS =  88.7 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

La calidad del modelo se refleja en un 88.7% de varianza explicada (between_SS / total_SS), lo cual indica una buena segmentación

Finalmente, se construyeron polígonos para representar visualmente el área de cobertura estimada de cada clúster de las ciudades destino:

Conclusiones

La aplicación del análisis de clúster permitió identificar seis zonas de operación diferenciadas entre las empresas transportadoras. Esta segmentación geográfica aporta valor para la planificación logística, permitiendo:

• Establecer conglomerados entre transportadoras con zonas de influencia iguales.

• Asignar rutas a transportadoras fuertes en la zona geografica

• Optimizar procesos de despacho y almacenamiento a través de centros logísticos por región.