# Optimización de rutas · Trabajo seleccionado · ZAC

> Un modelo de optimización de rutas en Python subió la eficiencia de las rutas un 27% y la utilización de los vehículos un 39% en una red nacional.

Source: https://zanatelloacosta.com/es/work/route-optimisation

Caso

# Optimización de rutas

Un modelo de optimización de rutas en Python subió la eficiencia de las rutas un 27% y la utilización de los vehículos un 39% en una red nacional.

Puesto anterior · Amazon Spain Planificación de la red de reparto 2024–2025

## Resultado

Puesto anterior · Amazon Spain

-   +27%

    Eficiencia de las rutas (paradas por ruta)

-   +39%

    Utilización de los vehículos

## El trabajo

**Contexto:** Planificación de rutas para una red nacional de reparto, con furgonetas, ventanas de entrega y límites de conducción.
**Fricción:** Las rutas se configuraban a mano, nodo a nodo, sin forma de probar alternativas antes de cambiarlas.
**Intervención:** Un modelo en Python que agrupa las tiendas en rutas y fija el número de rutas por nodo, dentro de las restricciones de furgonetas, tiempos y ventanas de entrega.
**Adopción:** Se usó para probar escenarios antes de cada cambio, nodo a nodo, y después se integró en una rutina semanal de planificación estándar.
**Rol y alcance:** Empleado, ingeniero de procesos de la red nacional. Construí el modelo de optimización y fui responsable del proceso semanal de planificación de rutas.

### Entregables

-   Modelo de optimización de rutas en Python
-   Prueba de escenarios antes de cada cambio en la red
-   Proceso semanal de planificación estándar
-   Paneles de indicadores de rutas

## En resumen

Las rutas se planificaban por experiencia. Funcionaba, pero dejaba capacidad sin aprovechar, y nadie podía probar otra configuración sin probarla en la calle.

El modelo toma el plan de entregas de un día (tiendas, ubicaciones, volúmenes) y las restricciones reales (capacidad de las furgonetas, ventanas de entrega, horas en ruta) y devuelve el conjunto de rutas más eficiente y el número de furgonetas necesario. Usé IA para escribir y probar el código más rápido; la lógica siguió siendo mía y entendida de principio a fin.

Cada nodo se reconfiguró solo después de comparar sus escenarios. Las tareas semanales de planificación se estandarizaron alrededor del modelo, con paneles de paradas por ruta, utilización de vehículos y tiempo, y coste por paquete, para que las mejoras se mantuvieran después del cambio.

### Pruebas

Resultado logrado como empleado, tal como figura en el CV público de Bruno. Solo porcentajes.

No se publican nombres internos de herramientas, capturas, métodos ni cifras absolutas.

[Todo el trabajo](https://zanatelloacosta.com/es/work) [Siguiente caso: Lanzamiento de logística inversa](https://zanatelloacosta.com/es/work/reverse-logistics-launch)

[Cuéntame un problema parecido](https://zanatelloacosta.com/es/contact)

---
Zanatello Acosta Consulting · Org.nr. 938 525 390 · Øyer, Innlandet, Norway · post@zanatelloacosta.com · https://zanatelloacosta.com
