Anexo: Análisis cuantitativo de slotting
Grupo TLA
Grupo 2 — II-0705 Logística de la Cadena de Valor II
May de 2026
1 Introducción
Este anexo analiza cuantitativamente el problema de slotting (asignación de ubicaciones físicas a productos) en el área del cliente Comercializadora Alfa dentro del CEDI San Francisco de Dos Ríos de Grupo TLA.
De acuerdo con Frazelle (2002):
“Assign the most popular items to the most easily accessed locations in the warehouse. A minority of the items (the A’s or fast movers) in a warehouse generate a majority of the picking activity. Hence, to maximize picking productivity and to minimize picking costs, the A items should be assigned to locations in the golden zone.” (p. 256)
El análisis se realiza con datos correspondientes a los meses de febrero, marzo y abril de 2026, período para el cual se cuenta con la clasificación Super ABC completa del portafolio. Se estructuran nueve indicadores que evalúan diferentes dimensiones del alineamiento entre la rotación de los productos y su ubicación física.
2 Configuración del entorno
library(readxl)
library(dplyr)
library(tidyr)
library(stringr)
library(ggplot2)
library(purrr)
library(scales)
library(gt)
ruta_abc <- "ABC_3_meses.xlsx"
ruta_ubic <- "Ubicaciones_por_mes.xlsx"
meses_orden <- c("Febrero", "Marzo", "Abril")
ALTURA_POR_NIVEL_M <- 1.45
ANCHO_CUERPO_M <- 1.30
ANCHO_PASILLO_M <- 1.30
DIST_HARDPICK_ANDEN_M <- 15.4
PENALIZACION_TRASERA <- 1.5
PESOS_NIVEL <- tibble(
nivel = 1:6,
altura_metros = (1:6) * ALTURA_POR_NIVEL_M,
peso = c(1.0, 1.2, 2.0, 2.5, 3.5, 4.5)
)
# Paleta para las 9 categorías del Super ABC con un degradado intuitivo:
# verde (mejor) → amarillo → naranja → rojo (peor). Las diagonales (AA, BB, CC)
# son los anclajes; las mixtas usan tonos intermedios.
paleta <- c(
"AA" = "#1B7837", # verde fuerte: top rotación y popularidad
"AB" = "#5BA86B", # verde medio
"AC" = "#A6D96A", # verde claro
"BA" = "#E6B85C", # ámbar
"BB" = "#F2A93B", # naranja medio
"BC" = "#E8884A", # naranja
"CA" = "#D86E55", # rojo claro
"CB" = "#C7423E", # rojo
"CC" = "#9E2A1F", # rojo oscuro: baja rotación y popularidad
"SIN_CLASIFICAR" = "#9E9E9E"
)
# Tema visual del proyecto. Definido una sola vez para mantener consistencia.
tema_tla <- theme_minimal(base_size = 12) +
theme(plot.title = element_text(face = "bold", size = 14, color = "#1A1A1A"),
plot.subtitle = element_text(color = "#4A4A4A", size = 11),
plot.caption = element_text(color = "#7A7A7A", size = 9, hjust = 0),
axis.title = element_text(color = "#3A3A3A", face = "bold"),
legend.position = "bottom",
legend.title = element_text(face = "bold"),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank(),
strip.text = element_text(face = "bold", size = 11, color = "#1A1A1A"),
strip.background = element_rect(fill = "#F0F0F0", color = NA))3 Carga y preparación de datos
3.1 Lectura del Super ABC del portafolio
abc_raw <- read_excel(ruta_abc, sheet = "Sheet1")
abc <- abc_raw %>%
select(SKU = SKU,
super_abc = `Super ABC`,
expedido = `Total Expedido`,
frecuencia = Frecuencia) %>%
filter(!is.na(SKU), !is.na(super_abc)) %>%
mutate(SKU = as.character(SKU),
expedido = as.numeric(expedido),
frecuencia = as.numeric(frecuencia))3.2 Lectura y parseo de ubicaciones
# Parser de códigos de ubicación. Picking: 8 dígitos + 1-2 letras
# (ej. 03060418D = bodega 03, rack 06, nivel 04, cuerpo 18, lado D).
# Hardpicking: BB-LXX (ej. 14-R19).
parsear_ubicacion <- function(loc) {
loc <- toupper(str_trim(loc))
pick <- str_match(loc, "^(\\d{2})(\\d{2})(\\d{2})(\\d{2})([IDT]{1,2})$")
if (!is.na(pick[1,1])) {
return(tibble(tipo = "PICKING", bodega = pick[1,2],
rack = as.integer(pick[1,3]),
nivel = as.integer(pick[1,4]),
cuerpo = as.integer(pick[1,5]),
lado = pick[1,6]))
}
hp <- str_match(loc, "^(\\d{2})-([A-Z])(\\d+)$")
if (!is.na(hp[1,1])) {
return(tibble(tipo = "HARDPICKING", bodega = hp[1,2],
rack = NA_integer_, nivel = NA_integer_,
cuerpo = as.integer(hp[1,4]),
lado = NA_character_))
}
tibble(tipo = "OTRO", bodega = NA_character_, rack = NA_integer_,
nivel = NA_integer_, cuerpo = NA_integer_, lado = NA_character_)
}
ubic <- map_dfr(meses_orden, function(m) {
read_excel(ruta_ubic, sheet = m) %>%
mutate(MES = m,
SKU = as.character(SKU),
UBICACION = as.character(UBICACION))
}) %>%
distinct(MES, SKU, UBICACION)
ubic$MES <- factor(ubic$MES, levels = meses_orden)
parsed <- map_dfr(ubic$UBICACION, parsear_ubicacion)
ubic <- bind_cols(ubic, parsed)
datos <- ubic %>%
left_join(abc, by = "SKU") %>%
mutate(super_abc = ifelse(is.na(super_abc), "SIN_CLASIFICAR", super_abc),
super_abc = factor(super_abc,
levels = c("AA","AB","AC","BA","BB","BC","CA","CB","CC","SIN_CLASIFICAR")))
# Coordenadas Y de cada rack desde el andén, calculadas sumando los anchos
# físicos de racks y pasillos desde el sur hacia el norte.
coord_y_rack <- tibble(
rack = c(1, 2, 3, 4, 5, 6),
y_m = c(41.4, 36.2, 33.6, 27.1, 21.9, 16.7)
)
ANDEN_X <- 28 * ANCHO_CUERPO_M
ANDEN_Y <- 03.3 Cobertura del análisis
cobertura <- datos %>%
count(MES, tipo) %>%
pivot_wider(names_from = tipo, values_from = n, values_fill = 0) %>%
mutate(Total = PICKING + HARDPICKING + ifelse("OTRO" %in% names(.), OTRO, 0))
cobertura %>%
gt() %>%
tab_header(title = "Cobertura del análisis por mes",
subtitle = "Cantidad de pares SKU–Ubicación únicos analizados") %>%
fmt_number(columns = where(is.numeric), decimals = 0, sep_mark = " ") %>%
cols_label(MES = "Mes") %>%
tab_style(style = list(cell_fill(color = "#F0F8FF")),
locations = cells_body(rows = seq(1, 3, by = 2))) %>%
tab_source_note("Fuente: Ubicaciones_por_mes.xlsx, hojas Febrero, Marzo y Abril 2026") %>%
tab_options(table.font.size = 12)| Cobertura del análisis por mes | |||
| Cantidad de pares SKU–Ubicación únicos analizados | |||
| Mes | HARDPICKING | PICKING | Total |
|---|---|---|---|
| Febrero | 767 | 2 260 | 3 027 |
| Marzo | 631 | 2 039 | 2 670 |
| Abril | 734 | 2 306 | 3 040 |
| Fuente: Ubicaciones_por_mes.xlsx, hojas Febrero, Marzo y Abril 2026 | |||
Nota: Los indicadores 1 al 6, 8 y 9 trabajan únicamente con ubicaciones de tipo PICKING. El indicador 7 se enfoca en el HARDPICKING. Los casos clasificados como OTRO corresponden a zonas de tránsito y se excluyen. Aproximadamente el 7 % de las ubicaciones no logran cruzarse contra el Super ABC y quedan como SIN_CLASIFICAR; estas se incluyen únicamente en gráficos donde corresponde mostrar la composición total del espacio (zona dorada y hardpicking). Los indicadores que evalúan el comportamiento entre categorías se enfocan en las diagonales AA, BB y CC, que representan el 81 % del portafolio.
4 Indicador 1 — Distribución vertical por nivel de rack
4.1 Marco bibliográfico
Frazelle (2002) define la zona dorada para almacenes de tarimas como:
“For a pallet storage/retrieval system, the golden zone is often comprised of the 20 percent of the storage locations nearest the floor and near the shipping dock.” (p. 256)
Bartholdi y Hackman (2019) lo refuerzan desde la perspectiva ergonómica:
“The most immediate goals in slotting a warehouse are the following. Squeeze more product into available space; and achieve ergonomic efficiency by putting popular and/or heavy items at waist level (the ‘golden zone’, from which it is easiest to pick).” (p. 141)
Cada nivel del rack tiene 1.45 metros de altura según el layout. Los niveles 1 y 2 (hasta 2.90 m) constituyen la zona dorada operativa, accesible sin equipo de altura. Los niveles 3 en adelante requieren apilador o montacargas.
4.2 Cálculo
picking <- datos %>% filter(tipo == "PICKING")
cats_principales <- c("AA", "BB", "CC")
dist_vertical <- picking %>%
filter(super_abc %in% cats_principales) %>%
count(MES, super_abc, nivel) %>%
group_by(MES, super_abc) %>%
mutate(pct = 100 * n / sum(n)) %>%
ungroup()ggplot(dist_vertical, aes(x = factor(nivel), y = pct, fill = super_abc)) +
geom_col(position = position_dodge(width = 0.85), width = 0.75,
color = "white", linewidth = 0.3) +
geom_text(aes(label = sprintf("%.0f", pct)),
position = position_dodge(width = 0.85),
vjust = -0.3, size = 2.8, color = "gray30") +
facet_wrap(~ MES, nrow = 1) +
scale_fill_manual(values = paleta, name = "Categoría",
breaks = cats_principales) +
scale_y_continuous(labels = label_percent(scale = 1),
limits = c(0, 35),
breaks = seq(0, 30, 10)) +
labs(title = "Distribución vertical de ubicaciones por categoría ABC",
subtitle = "Si el slotting fuera correcto, los AA estarían concentrados en niveles 1–2 (golden zone)",
x = "Nivel del rack (1 = piso, 6 = más alto)",
y = "% de ubicaciones de la categoría",
caption = "Fuente: cruce Ubicaciones × Super ABC, Feb–Abr 2026") +
tema_tla
Distribución de ubicaciones por nivel de rack, según categoría ABC.
ind_zona <- picking %>%
filter(super_abc %in% cats_principales) %>%
mutate(zona = ifelse(nivel <= 2, "Zona dorada (niveles 1-2)", "Zona alta (niveles 3+)")) %>%
count(MES, super_abc, zona) %>%
group_by(MES, super_abc) %>%
mutate(pct = 100 * n / sum(n)) %>%
ungroup() %>%
select(MES, super_abc, zona, pct) %>%
pivot_wider(names_from = zona, values_from = pct)
ind_zona %>%
gt(groupname_col = "MES") %>%
tab_header(title = "% de ubicaciones por zona vertical",
subtitle = "Según Frazelle (2002), los SKUs A deberían dominar la zona dorada") %>%
fmt_number(columns = where(is.numeric), decimals = 1) %>%
cols_label(super_abc = "Categoría") %>%
data_color(columns = `Zona dorada (niveles 1-2)`,
colors = scales::col_numeric(
palette = c("#9E2A1F", "#F2A93B", "#1B7837"),
domain = c(20, 80))) %>%
tab_source_note("Color verde = mejor; rojo = peor para esa categoría.") %>%
tab_options(table.font.size = 12,
table.background.color = "#FAFAFA")| % de ubicaciones por zona vertical | ||
| Según Frazelle (2002), los SKUs A deberían dominar la zona dorada | ||
| Categoría | Zona alta (niveles 3+) | Zona dorada (niveles 1-2) |
|---|---|---|
| Febrero | ||
| AA | 64.6 | 35.4 |
| BB | 65.5 | 34.5 |
| CC | 65.2 | 34.8 |
| Marzo | ||
| AA | 65.1 | 34.9 |
| BB | 62.2 | 37.8 |
| CC | 69.0 | 31.0 |
| Abril | ||
| AA | 71.8 | 28.2 |
| BB | 61.7 | 38.3 |
| CC | 68.7 | 31.3 |
| Color verde = mejor; rojo = peor para esa categoría. | ||
Las distribuciones verticales de las categorías AA y CC son prácticamente idénticas en los tres meses analizados. Aproximadamente entre el 28 % y el 35 % de los AA están en la zona dorada operativa, prácticamente lo mismo que los CC (entre 31 % y 35 %). Bajo el principio de Frazelle (2002), los AA deberían dominar la zona dorada, no compartirla en igualdad de condiciones con los CC.
5 Indicador 2 — Composición de la zona dorada
5.1 Marco bibliográfico
Bartholdi y Hackman (2019) introducen el concepto de fast-pick area como recurso escaso:
“The fast-pick area of a warehouse functions as a ‘warehouse within the warehouse’: Many of the most popular stock keeping units (SKUs) are stored there in relatively small amounts, so that most picking can be accomplished within a relatively small area.” (p. 99)
Y explícitamente recomiendan no usar este espacio premium para SKUs lentos:
“Especially large or slow-moving SKUs are better picked from the reserve area. This allows the space they would otherwise occupy to be devoted to more popular SKUs.” (p. 111)
5.2 Cálculo
composicion_zd <- picking %>%
filter(nivel <= 2) %>%
count(MES, super_abc) %>%
group_by(MES) %>%
mutate(pct = 100 * n / sum(n)) %>%
ungroup()ggplot(composicion_zd, aes(x = MES, y = pct, fill = super_abc)) +
geom_col(width = 0.65, color = "white", linewidth = 0.4) +
geom_text(aes(label = ifelse(pct >= 4, sprintf("%.0f%%", pct), "")),
position = position_stack(vjust = 0.5),
color = "white", fontface = "bold", size = 3.8) +
scale_fill_manual(values = paleta, name = "Categoría") +
scale_y_continuous(labels = label_percent(scale = 1)) +
labs(title = "Composición de la zona dorada del almacén",
subtitle = "Solo ≈ 20 % del espacio premium se ocupa con AA; ≈ 35 % se ocupa con CC",
x = NULL, y = "% del espacio dorado",
caption = "Zona dorada = niveles 1-2 del rack (0–2.90 m). Fuente: Feb–Abr 2026") +
tema_tla
Composición de la zona dorada (niveles 1-2): qué proporción está ocupada por cada categoría.
La zona dorada está ocupada aproximadamente en un 35 % por CC y solo en un 20 % por AA. Esto contradice directamente la recomendación de reservar el espacio premium para los SKUs de mayor rotación.
6 Indicador 3 — Slots por SKU según categoría
6.1 Marco bibliográfico
Bartholdi y Hackman (2019) presentan el problema de asignación óptima de espacio (forward-reserve allocation):
“To minimize total restock costs… [the optimal allocation has] less variability in volume than Equal Time allocations and less variability in number of restocks than Equal Space allocations.” (p. 109)
En la práctica, esto implica que los SKUs categoría A deben recibir significativamente más espacio que los CC.
6.2 Cálculo
slots_por_sku <- datos %>%
filter(tipo == "PICKING",
super_abc %in% cats_principales) %>%
group_by(MES, super_abc, SKU) %>%
summarise(n_slots = n(), .groups = "drop") %>%
group_by(MES, super_abc) %>%
summarise(promedio_slots = round(mean(n_slots), 2),
mediana_slots = median(n_slots),
max_slots = max(n_slots),
n_skus = n_distinct(SKU),
.groups = "drop")ggplot(slots_por_sku, aes(x = MES, y = promedio_slots, fill = super_abc)) +
geom_col(position = position_dodge(width = 0.8), width = 0.7,
color = "white", linewidth = 0.3) +
geom_text(aes(label = sprintf("%.1f", promedio_slots)),
position = position_dodge(width = 0.8),
vjust = -0.3, size = 3.4, color = "gray30") +
scale_fill_manual(values = paleta, name = "Categoría",
breaks = cats_principales) +
scale_y_continuous(limits = c(0, 7), breaks = seq(0, 7, 1)) +
labs(title = "Ubicaciones promedio por SKU según categoría",
subtitle = "Según el principio de asignación óptima, AA debería recibir significativamente más slots que CC",
x = NULL, y = "Slots de picking por SKU (promedio)",
caption = "Fuente: cruce Ubicaciones × Super ABC, Feb–Abr 2026") +
tema_tla
Número promedio de ubicaciones de picking por SKU, según categoría.
Los AA tienen alrededor de 5 ubicaciones promedio, mientras que los CC tienen alrededor de 1.5. Existe una diferencia, pero es modesta considerando que los AA rotan 16 veces más que los CC.
7 Indicador 4 — Mapa de Actividad del Almacén
7.1 Marco bibliográfico
Bartholdi y Hackman (2019) establecen:
“An activity profile is essential to really understand what matters in a warehouse. You can build this from data about the physical layout of the warehouse, the skus stored therein, and the patterns of your customer orders.” (p. 251)
El mapa de actividad visualiza la concentración de SKUs de alta rotación sobre el plano del almacén. Si están concentrados en un sector específico (cerca del andén y en niveles bajos), el slotting está bien diseñado.
7.2 Construcción del mapa
ggplot(heatmap_data, aes(x = factor(rack), y = factor(nivel), fill = n)) +
geom_tile(color = "white", linewidth = 0.6) +
geom_text(aes(label = n), size = 3.3, color = "white", fontface = "bold") +
facet_wrap(~ MES, nrow = 1) +
scale_fill_gradient(low = "#A6D96A", high = "#1B7837",
name = "Ubicaciones AA") +
scale_y_discrete(limits = rev) +
labs(title = "Mapa de Actividad del Almacén — concentración de SKUs AA",
subtitle = "Idealmente, las celdas verde oscuro deberían concentrarse en niveles 1-2 y rack 6 (cerca del andén)",
x = "Número de rack en WMS (1 = más al norte, 6 = más al sur, cerca del andén)",
y = "Nivel del rack (1 = piso)",
caption = "Warehouse Activity Profile según Bartholdi y Hackman (p. 233). Fuente: Feb–Abr 2026") +
tema_tla +
theme(legend.position = "right")
Mapa de calor de la concentración de productos AA por rack y nivel en los tres meses analizados.
heatmap_comp <- picking %>%
filter(MES == "Abril",
super_abc %in% c("AA", "CC")) %>%
count(super_abc, rack, nivel)
ggplot(heatmap_comp, aes(x = factor(rack), y = factor(nivel), fill = n)) +
geom_tile(color = "white", linewidth = 0.6) +
geom_text(aes(label = n), size = 3.2, color = "white", fontface = "bold") +
facet_wrap(~ super_abc, nrow = 1,
labeller = labeller(super_abc = c(
AA = "Categoría AA (deberían estar abajo, cerca del andén)",
CC = "Categoría CC (podrían estar arriba, lejos del andén)"))) +
scale_fill_gradient(low = "#FFE4B5", high = "#9E2A1F",
name = "Ubicaciones") +
scale_y_discrete(limits = rev) +
labs(title = "Mapa de Actividad comparativo — Abril 2026",
subtitle = "Si el slotting estuviera bien, las dos categorías tendrían patrones de concentración inversos",
x = "Número de rack",
y = "Nivel del rack (1 = piso)",
caption = "Fuente: cruce Ubicaciones × Super ABC, Abril 2026") +
tema_tla +
theme(legend.position = "right")
Comparación: concentración de AA vs. CC en el plano rack × nivel (abril).
Los dos mapas muestran patrones de concentración similares en términos verticales. Bajo el principio del Activity Profile, un almacén con slotting estratégico debería mostrar el mapa de AA concentrado en la base y cerca del andén, y el de CC en la parte alta y lejos del andén. La similitud entre ambos mapas en términos de altura confirma que la asignación vertical no diferencia por rotación.
8 Indicador 5 — Esfuerzo de picking ponderado
8.1 Marco bibliográfico
Bartholdi y Hackman (2019) establecen el principio rector:
“Travel time to retrieve an order is a direct expense. In fact, it is the largest component of labor in a typical distribution center. Furthermore, travel time is waste: It costs labor hours but does not add value.” (p. 157)
Frazelle (2002) cuantifica el impacto de un slotting bien diseñado:
“The travel time for a man-aboard AS/RS picking tour can be reduced by 50 percent by simply dividing the rack into upper and lower halves…” (p. 264)
Adicionalmente, Bartholdi y Hackman (2019) describen el costo operativo de la doble profundidad:
“A special truck is required to reach past the first pallet position… slightly more work is required to store and retrieve product.” (p. 39)
8.2 Construcción del indicador
# El esfuerzo combina la rotación real del SKU (expedido), el peso ergonómico
# del nivel del rack, y un factor 1.5 si la posición es trasera (doble profundidad).
esfuerzo <- picking %>%
filter(super_abc %in% cats_principales,
!is.na(expedido)) %>%
left_join(PESOS_NIVEL, by = "nivel") %>%
mutate(es_trasera = str_detect(lado, "T"),
factor_lado = ifelse(es_trasera, PENALIZACION_TRASERA, 1.0),
esfuerzo_unitario = expedido * peso * factor_lado) %>%
group_by(MES, super_abc) %>%
summarise(esfuerzo_total = sum(esfuerzo_unitario, na.rm = TRUE),
expedido_total = sum(expedido, na.rm = TRUE),
esfuerzo_promedio_unidad = round(esfuerzo_total / expedido_total, 2),
.groups = "drop")ggplot(esfuerzo, aes(x = MES, y = esfuerzo_promedio_unidad, fill = super_abc)) +
geom_col(position = position_dodge(width = 0.8), width = 0.7,
color = "white", linewidth = 0.3) +
geom_text(aes(label = sprintf("%.1f", esfuerzo_promedio_unidad)),
position = position_dodge(width = 0.8),
vjust = -0.3, size = 3.4, color = "gray30") +
scale_fill_manual(values = paleta, name = "Categoría",
breaks = cats_principales) +
scale_y_continuous(limits = c(0, 5)) +
labs(title = "Esfuerzo de picking ponderado por unidad despachada",
subtitle = "Idealmente los AA tendrían el esfuerzo más bajo (Frazelle, 2002, p. 264)",
x = NULL, y = "Esfuerzo promedio por unidad (adimensional)",
caption = "Esfuerzo = peso por nivel × penalización por doble profundidad (1.5 si es trasera).") +
tema_tla
Esfuerzo de picking promedio por unidad despachada, según categoría.
El esfuerzo de picking por unidad despachada es mayor para los AA que para los CC. Esto invierte la lógica operativa, ya que los productos que más se mueven están en las ubicaciones que más cuestan.
9 Indicador 6 — Distancia recorrida por categoría
9.1 Marco bibliográfico
Bartholdi y Hackman (2019) explican que en almacenes con pasillos rectos, los operarios se mueven en ángulos de 90°, por lo cual la métrica relevante de distancia es la distancia rectilínea o de Manhattan:
\[d_{Manhattan}(p_1, p_2) = |x_1 - x_2| + |y_1 - y_2|\]
En un slotting bien diseñado, la distancia promedio recorrida para alistar un SKU AA debería ser significativamente menor que para un SKU CC.
9.2 Construcción del indicador
# Las coordenadas Y de cada rack se calcularon desde el andén (al sur del
# hardpicking, a 15.4 m de éste) sumando los anchos físicos de racks y pasillos.
# La coordenada X corresponde al cuerpo multiplicado por 1.3 m (ancho de celda).
distancia <- picking %>%
filter(super_abc %in% cats_principales,
!is.na(rack), !is.na(cuerpo)) %>%
left_join(coord_y_rack, by = "rack") %>%
mutate(
x_coord = cuerpo * ANCHO_CUERPO_M,
y_coord = y_m,
distancia_anden = abs(x_coord - ANDEN_X) + abs(y_coord - ANDEN_Y)
)
resumen_distancia <- distancia %>%
group_by(MES, super_abc) %>%
summarise(distancia_promedio = round(mean(distancia_anden), 1),
distancia_mediana = round(median(distancia_anden), 1),
distancia_max = round(max(distancia_anden), 1),
n_ubicaciones = n(),
.groups = "drop")ggplot(resumen_distancia, aes(x = MES, y = distancia_promedio, fill = super_abc)) +
geom_col(position = position_dodge(width = 0.8), width = 0.7,
color = "white", linewidth = 0.3) +
geom_text(aes(label = sprintf("%.1f m", distancia_promedio)),
position = position_dodge(width = 0.8),
vjust = -0.3, size = 3.4, color = "gray30") +
scale_fill_manual(values = paleta, name = "Categoría",
breaks = cats_principales) +
labs(title = "Distancia Manhattan promedio al andén de despacho",
subtitle = "Los AA están más cerca que los CC, pero la diferencia es modesta (~6 m de 48 promedio)",
x = NULL, y = "Distancia promedio al andén (metros)",
caption = "Distancia rectilínea = |Δx| + |Δy|. Andén ubicado 15.4 m al sur del hardpicking.") +
tema_tla
Distancia Manhattan promedio desde el andén de despacho hasta las ubicaciones de cada categoría.
resumen_distancia %>%
gt(groupname_col = "MES") %>%
tab_header(title = "Distancia Manhattan al andén por categoría",
subtitle = "Distancias en metros desde el andén de Alfa") %>%
fmt_number(columns = c(distancia_promedio, distancia_mediana, distancia_max),
decimals = 1) %>%
fmt_number(columns = n_ubicaciones, decimals = 0, sep_mark = " ") %>%
cols_label(super_abc = "Categoría",
distancia_promedio = "Promedio (m)",
distancia_mediana = "Mediana (m)",
distancia_max = "Máximo (m)",
n_ubicaciones = "Ubicaciones") %>%
tab_options(table.font.size = 12,
table.background.color = "#FAFAFA")| Distancia Manhattan al andén por categoría | ||||
| Distancias en metros desde el andén de Alfa | ||||
| Categoría | Promedio (m) | Mediana (m) | Máximo (m) | Ubicaciones |
|---|---|---|---|---|
| Febrero | ||||
| AA | 49.3 | 49.2 | 77.8 | 426 |
| BB | 52.7 | 51.8 | 77.8 | 319 |
| CC | NA | NA | NA | 862 |
| Marzo | ||||
| AA | 50.8 | 51.8 | 72.6 | 370 |
| BB | 56.3 | 57.0 | 77.8 | 233 |
| CC | NA | NA | NA | 836 |
| Abril | ||||
| AA | 48.7 | 47.9 | 72.6 | 511 |
| BB | 51.4 | 50.5 | 72.6 | 269 |
| CC | 54.5 | 54.4 | 77.8 | 821 |
A diferencia del indicador vertical, en la dimensión horizontal sí se observa un cierto orden: los AA están en promedio entre 5 y 7 metros más cerca del andén que los CC. Sin embargo, considerando que el área de Alfa abarca distancias de hasta 80 metros, la diferencia es modesta. Si el slotting realmente priorizara la cercanía al andén para los AA, la diferencia debería ser sustancialmente mayor.
10 Indicador 7 — Composición del Hard Picking
10.1 Marco bibliográfico
El Hard Picking del CEDI es lo que Bartholdi y Hackman (2019) llaman fast-pick area:
“A separate picking area, sometimes called a fast-pick or forward pick or primary pick area, is a sub-region of the warehouse in which one concentrates picks and orders within a small physical space.” (p. 99)
Frazelle (2002) confirma su uso:
“The smaller the allocation of inventory to the forward area… the smaller the travel times, and the greater the picking productivity.” (p. 252)
10.2 Cálculo
hp_distribucion <- datos %>%
filter(tipo == "HARDPICKING") %>%
count(MES, super_abc) %>%
group_by(MES) %>%
mutate(pct = round(100 * n / sum(n), 1)) %>%
ungroup()ggplot(hp_distribucion, aes(x = MES, y = pct, fill = super_abc)) +
geom_col(width = 0.65, color = "white", linewidth = 0.4) +
geom_text(aes(label = ifelse(pct >= 4, sprintf("%.0f%%", pct), "")),
position = position_stack(vjust = 0.5),
color = "white", fontface = "bold", size = 3.8) +
scale_fill_manual(values = paleta, name = "Categoría") +
scale_y_continuous(labels = label_percent(scale = 1)) +
labs(title = "Composición de la zona de Hard Picking",
subtitle = "El espacio diseñado para alisto eficiente está dominado por CC (≈ 60 %)",
x = NULL, y = "% del Hard Picking",
caption = "Fast-pick area según Bartholdi y Hackman, p. 99. Fuente: Feb–Abr 2026") +
tema_tla
Composición de la zona de Hard Picking por categoría ABC.
Aproximadamente el 60 % del Hard Picking está ocupado por productos CC. Los AA representan apenas entre el 6 % y el 10 %. Esto contradice directamente el propósito del fast-pick area: es un recurso diseñado específicamente para concentrar los SKUs más populares.
11 Indicador 8 — Estabilidad de ubicaciones (Jaccard)
11.1 Marco bibliográfico
Bartholdi y Hackman (Capítulo 9) y Frazelle (p. 251) discuten la importancia de la familiaridad del operario con la ubicación como factor de productividad. Una política de slotting que reasigna ubicaciones constantemente obliga a los operarios a re-aprender dónde está cada producto.
Se utiliza el índice Jaccard como medida de persistencia de las asignaciones entre meses consecutivos:
\[J(A, B) = \frac{|A \cap B|}{|A \cup B|}\]
11.2 Cálculo
ubic_por_sku_mes <- picking %>%
group_by(MES, super_abc, SKU) %>%
summarise(ubicaciones = list(unique(UBICACION)), .groups = "drop")
jaccard <- function(a, b) {
inter <- length(intersect(a, b))
uni <- length(union(a, b))
if (uni == 0) NA_real_ else inter / uni
}
calcular_estabilidad <- function(mes_a, mes_b) {
a <- ubic_por_sku_mes %>% filter(MES == mes_a) %>%
select(super_abc, SKU, ubic_a = ubicaciones)
b <- ubic_por_sku_mes %>% filter(MES == mes_b) %>%
select(super_abc, SKU, ubic_b = ubicaciones)
inner_join(a, b, by = c("SKU", "super_abc")) %>%
rowwise() %>%
mutate(jaccard_score = jaccard(ubic_a, ubic_b)) %>%
ungroup() %>%
group_by(super_abc) %>%
summarise(jaccard_promedio = round(mean(jaccard_score, na.rm = TRUE), 3),
skus_comparados = n(),
.groups = "drop") %>%
mutate(transicion = paste(mes_a, "→", mes_b))
}
estabilidad <- bind_rows(
calcular_estabilidad("Febrero", "Marzo"),
calcular_estabilidad("Marzo", "Abril")
) %>%
filter(super_abc %in% cats_principales)ggplot(estabilidad, aes(x = transicion, y = jaccard_promedio, fill = super_abc)) +
geom_col(position = position_dodge(width = 0.8), width = 0.7,
color = "white", linewidth = 0.3) +
geom_hline(yintercept = 1, linetype = "dashed", color = "gray40") +
annotate("text", x = 0.6, y = 1.04, label = "Estabilidad ideal = 1",
hjust = 0, size = 3, color = "gray40") +
geom_text(aes(label = sprintf("%.2f", jaccard_promedio)),
position = position_dodge(width = 0.8),
vjust = -0.3, size = 3.4, color = "gray30") +
scale_fill_manual(values = paleta, name = "Categoría",
breaks = cats_principales) +
scale_y_continuous(limits = c(0, 1.15), breaks = seq(0, 1, 0.25)) +
labs(title = "Estabilidad de ubicaciones entre meses (índice Jaccard)",
subtitle = "Valores bajos indican reasignación frecuente sin un criterio fijo",
x = NULL, y = "Jaccard promedio (0 = todas distintas, 1 = idénticas)",
caption = "Fuente: comparación de conjuntos de ubicaciones por SKU, Feb–Abr 2026") +
tema_tla
Similitud Jaccard entre los conjuntos de ubicaciones de cada SKU en meses consecutivos.
El índice Jaccard es bajo y similar entre AA y CC, indicando que las ubicaciones se reasignan frecuentemente y que esa reasignación no privilegia la estabilidad de los AA.
12 Indicador 9 — Penalización por posición trasera (doble profundidad)
12.1 Marco bibliográfico
Bartholdi y Hackman (2019) describen explícitamente el costo operativo de la doble profundidad:
“Double-deep rack essentially consists of two single-deep racks placed one behind the other… a special truck is required to reach past the first pallet position… slightly more work is required to store and retrieve product.” (p. 39-40)
En el CEDI de TLA, el sistema instalado es 100 % de doble profundidad. Una posición trasera ocupada por un SKU AA es operativamente costosa porque cada vez que se necesita pickear ese producto, hay que mover primero la posición delantera.
12.2 Cálculo
traseras <- picking %>%
filter(super_abc %in% cats_principales) %>%
mutate(es_trasera = str_detect(lado, "T")) %>%
count(MES, super_abc, es_trasera) %>%
group_by(MES, super_abc) %>%
mutate(pct = round(100 * n / sum(n), 1)) %>%
ungroup() %>%
filter(es_trasera == TRUE) %>%
select(MES, super_abc, pct_trasera = pct)ggplot(traseras, aes(x = MES, y = pct_trasera, fill = super_abc)) +
geom_col(position = position_dodge(width = 0.8), width = 0.7,
color = "white", linewidth = 0.3) +
geom_text(aes(label = sprintf("%.0f%%", pct_trasera)),
position = position_dodge(width = 0.8),
vjust = -0.3, size = 3.4, color = "gray30") +
scale_fill_manual(values = paleta, name = "Categoría",
breaks = cats_principales) +
scale_y_continuous(labels = label_percent(scale = 1), limits = c(0, 60)) +
labs(title = "Porcentaje de ubicaciones en posición trasera por categoría",
subtitle = "Idealmente, los AA deberían tener el menor porcentaje (su acceso es más frecuente)",
x = NULL, y = "% de ubicaciones en posición trasera",
caption = "Posición trasera = lado T, IT o DT en el código. Costo operativo: ×1.5 según Bartholdi y Hackman, p. 39.") +
tema_tla
Porcentaje de ubicaciones en posición trasera por categoría.
Aproximadamente entre el 40 % y el 50 % de las ubicaciones de AA están en posición trasera, similar a los CC. Esto significa que aproximadamente la mitad de los picks de productos populares requiere mover la tarima delantera para acceder al producto.
13 Resumen ejecutivo
mes_ref <- "Abril"
resumen <- tibble(
Indicador = c(
"% AA en zona dorada (niveles 1-2)",
"% zona dorada ocupada por AA",
"% zona dorada ocupada por CC",
"Slots promedio por SKU AA",
"Slots promedio por SKU CC",
"Esfuerzo por unidad AA (vs CC)",
"Distancia promedio AA al andén (m)",
"Distancia promedio CC al andén (m)",
"Jaccard promedio AA",
"% Hard Picking ocupado por AA",
"% Hard Picking ocupado por CC",
"% AA en posiciones traseras"
),
Valor_actual = c(
sprintf("%.1f %%",
ind_zona %>% filter(MES == mes_ref, super_abc == "AA") %>%
pull(`Zona dorada (niveles 1-2)`)),
sprintf("%.1f %%",
composicion_zd %>% filter(MES == mes_ref, super_abc == "AA") %>% pull(pct)),
sprintf("%.1f %%",
composicion_zd %>% filter(MES == mes_ref, super_abc == "CC") %>% pull(pct)),
sprintf("%.2f",
slots_por_sku %>% filter(MES == mes_ref, super_abc == "AA") %>% pull(promedio_slots)),
sprintf("%.2f",
slots_por_sku %>% filter(MES == mes_ref, super_abc == "CC") %>% pull(promedio_slots)),
sprintf("%.2f vs %.2f",
esfuerzo %>% filter(MES == mes_ref, super_abc == "AA") %>% pull(esfuerzo_promedio_unidad),
esfuerzo %>% filter(MES == mes_ref, super_abc == "CC") %>% pull(esfuerzo_promedio_unidad)),
sprintf("%.1f m",
resumen_distancia %>% filter(MES == mes_ref, super_abc == "AA") %>% pull(distancia_promedio)),
sprintf("%.1f m",
resumen_distancia %>% filter(MES == mes_ref, super_abc == "CC") %>% pull(distancia_promedio)),
sprintf("%.2f",
estabilidad %>% filter(transicion == "Marzo → Abril", super_abc == "AA") %>%
pull(jaccard_promedio)),
sprintf("%.1f %%",
hp_distribucion %>% filter(MES == mes_ref, super_abc == "AA") %>% pull(pct)),
sprintf("%.1f %%",
hp_distribucion %>% filter(MES == mes_ref, super_abc == "CC") %>% pull(pct)),
sprintf("%.1f %%",
traseras %>% filter(MES == mes_ref, super_abc == "AA") %>% pull(pct_trasera))
),
Referencia = c(
"Frazelle (2002, p. 256)",
"Bartholdi y Hackman (2019, p. 99)",
"Bartholdi y Hackman (2019, p. 111)",
"Bartholdi y Hackman (2019, p. 109)",
"Bartholdi y Hackman (2019, p. 109)",
"Frazelle (2002, p. 264)",
"Frazelle (2002, p. 256)",
"Frazelle (2002, p. 256)",
"Bartholdi y Hackman (2019, Cap. 9)",
"Bartholdi y Hackman (2019, p. 99)",
"Bartholdi y Hackman (2019, p. 111)",
"Bartholdi y Hackman (2019, p. 39)"
),
Diagnostico = c(
"Muy por debajo del esperado",
"Muy por debajo del esperado",
"Excede el esperado",
"Insuficiente para el diferencial de rotación",
"Adecuado",
"AA mayor que CC (invertido)",
"Modestamente cerca",
"Cercano a AA (diferencia insuficiente)",
"Bajo (sin política sistemática)",
"Muy por debajo del esperado",
"Excede el esperado",
"Alto (debería ser bajo)"
)
)
resumen %>%
gt() %>%
tab_header(title = "Resumen de indicadores de slotting — Abril 2026",
subtitle = "Comparación entre el estado actual y el comportamiento esperado según la literatura") %>%
cols_label(Indicador = "Indicador",
Valor_actual = "Valor actual",
Referencia = "Fuente",
Diagnostico = "Diagnóstico") %>%
tab_style(style = list(cell_fill(color = "#F0F8FF")),
locations = cells_body(rows = seq(1, 12, by = 2))) %>%
tab_options(table.font.size = 11,
table.background.color = "white") %>%
tab_source_note(md("**Conclusión:** los nueve indicadores evaluados muestran desalineamiento sistemático entre la asignación de ubicaciones y la rotación de los productos, lo cual confirma la hipótesis del problema."))| Resumen de indicadores de slotting — Abril 2026 | |||
| Comparación entre el estado actual y el comportamiento esperado según la literatura | |||
| Indicador | Valor actual | Fuente | Diagnóstico |
|---|---|---|---|
| % AA en zona dorada (niveles 1-2) | 28.2 % | Frazelle (2002, p. 256) | Muy por debajo del esperado |
| % zona dorada ocupada por AA | 19.6 % | Bartholdi y Hackman (2019, p. 99) | Muy por debajo del esperado |
| % zona dorada ocupada por CC | 35.0 % | Bartholdi y Hackman (2019, p. 111) | Excede el esperado |
| Slots promedio por SKU AA | 4.82 | Bartholdi y Hackman (2019, p. 109) | Insuficiente para el diferencial de rotación |
| Slots promedio por SKU CC | 2.46 | Bartholdi y Hackman (2019, p. 109) | Adecuado |
| Esfuerzo por unidad AA (vs CC) | 3.02 vs 2.76 | Frazelle (2002, p. 264) | AA mayor que CC (invertido) |
| Distancia promedio AA al andén (m) | 48.7 m | Frazelle (2002, p. 256) | Modestamente cerca |
| Distancia promedio CC al andén (m) | 54.5 m | Frazelle (2002, p. 256) | Cercano a AA (diferencia insuficiente) |
| Jaccard promedio AA | 0.21 | Bartholdi y Hackman (2019, Cap. 9) | Bajo (sin política sistemática) |
| % Hard Picking ocupado por AA | 9.9 % | Bartholdi y Hackman (2019, p. 99) | Muy por debajo del esperado |
| % Hard Picking ocupado por CC | 57.6 % | Bartholdi y Hackman (2019, p. 111) | Excede el esperado |
| % AA en posiciones traseras | 46.2 % | Bartholdi y Hackman (2019, p. 39) | Alto (debería ser bajo) |
| Conclusión: los nueve indicadores evaluados muestran desalineamiento sistemático entre la asignación de ubicaciones y la rotación de los productos, lo cual confirma la hipótesis del problema. | |||
14 Conclusiones
Los nueve indicadores convergen en el mismo diagnóstico: la política actual de slotting del área del cliente Comercializadora Alfa no incorpora la popularidad ni la rotación de los SKUs como criterio de asignación, contradiciendo los principios establecidos por Frazelle (2002) y Bartholdi y Hackman (2019).
Las evidencias más contundentes son:
La distribución vertical de los AA es prácticamente idéntica a la de los CC (Indicador 1), violando el principio de Frazelle (p. 256) de asignar los SKUs A a la zona dorada.
Solo el 20 % de la zona dorada está ocupada por AA, frente al 35 % por CC (Indicador 2), desperdiciando el espacio premium identificado por Bartholdi y Hackman (p. 111).
El mapa de actividad del almacén (Indicador 4) muestra patrones de concentración similares para AA y CC en términos verticales, confirmando la ausencia de política diferenciada por altura.
El esfuerzo de picking por unidad despachada es mayor para los AA que para los CC (Indicador 5), exactamente al revés del óptimo según Frazelle (p. 264).
La distancia Manhattan promedio desde el andén muestra cierto ordenamiento horizontal (AA más cerca que CC), pero la diferencia es modesta (~6 m de 48 promedio) considerando que el área abarca distancias de hasta 80 metros.
Las ubicaciones se reasignan mes a mes con un índice Jaccard bajo (Indicador 8), indicando ausencia de política sistemática.
La zona de Hard Picking, diseñada para alisto eficiente, está ocupada en aproximadamente un 60 % por CC (Indicador 7), contradiciendo el principio de Bartholdi y Hackman (p. 99).
Aproximadamente el 45 % de las ubicaciones de AA están en posiciones traseras de doble profundidad (Indicador 9), duplicando el tiempo de cada pick según Bartholdi y Hackman (p. 39).
15 Referencias
Bartholdi, J. J., y Hackman, S. T. (2019). Warehouse y Distribution Science (Release 0.98). The Supply Chain y Logistics Institute, School of Industrial and Systems Engineering, Georgia Institute of Technology.
Frazelle, E. H. (2002). Supply Chain Strategy: The Logistics of Supply Chain Management. McGraw-Hill.