SIGA transforma la toma de decisiones post-entrega mediante un sistema que combina datos históricos, predicciones de demanda y optimización multi-criterio para maximizar el valor de cada camión en cada momento.
Características:
class SIGAIntelligence:
"""Motor central de inteligencia del sistema"""
def __init__(self):
self.demand_predictor = DemandPredictor()
self.value_calculator = PositionValueCalculator()
self.fleet_optimizer = FleetOptimizer()
self.decision_engine = DecisionEngine()
def recommend_action(self, vehicle_id: str) -> Recommendations:
# 1. Capturar contexto actual
context = self.capture_context(vehicle_id)
# 2. Predecir demanda futura
demand_forecast = self.demand_predictor.predict(
zones=ALL_ZONES,
horizon_hours=72
)
# 3. Calcular valor de cada posición
position_values = self.value_calculator.calculate(
current_position=context.position,
demand_forecast=demand_forecast
)
# 4. Optimizar considerando toda la flota
optimal_distribution = self.fleet_optimizer.optimize(
fleet_state=context.fleet_state,
position_values=position_values
)
# 5. Generar recomendaciones
return self.decision_engine.generate_recommendations(
context=context,
optimal_distribution=optimal_distribution
)
┌─────────────────────────────────────────────────┐
│ SIGA CONTROL CENTER │
├─────────────────────────────────────────────────┤
│ │
│ [Mapa interactivo con flota y predicciones] │
│ │
├────────────────┬────────────────────────────────┤
│ KPIs Live │ Decisiones Pendientes │
│ Km vacío: 22% │ • TR-1234: Valencia → ? │
│ Utiliz: 78% │ • TR-5678: Bilbao → ? │
│ Margen: €0.95 │ • TR-9012: Madrid → ? │
├────────────────┼────────────────────────────────┤
│ Alertas │ Predicciones 24h │
│ ⚠️ BCN: 5 trucks│ 🔥 Valencia: +80% demanda │
│ ⚠️ BIL: 0 trucks│ 📈 Zaragoza: +60% demanda │
└────────────────┴────────────────────────────────┘
Horizonte de Optimización:
Criterios de Optimización:
optimization_criteria = {
'maximize': [
'revenue_per_km',
'fleet_utilization',
'customer_satisfaction'
],
'minimize': [
'empty_kilometers',
'waiting_time',
'repositioning_costs'
],
'constraints': [
'driver_hours_regulations',
'vehicle_capacity',
'delivery_windows'
]
}
| Optimizadores Tradicionales | SIGA |
|---|---|
| Optimiza rutas del día | Optimiza posiciones futuras |
| Minimiza distancia | Maximiza valor económico |
| Horizonte: horas | Horizonte: días |
| Decisiones aisladas | Decisiones sistémicas |
Cada recomendación incluye:
backend:
- language: Python 3.11
- framework: FastAPI
- ml_library: scikit-learn, TensorFlow
- optimization: OR-Tools
frontend:
- framework: React 18
- language: TypeScript
- maps: Mapbox GL
- state: Redux Toolkit
infrastructure:
- containers: Docker
- orchestration: Kubernetes
- cloud: AWS/Azure
- ci_cd: GitHub Actions
data:
- primary_db: PostgreSQL 15
- timeseries: TimescaleDB
- cache: Redis
- analytics: Apache Spark
Situación: Camión entrega en Valencia puerto
Sistema SIGA:
1. Detecta alta probabilidad carga Valencia→Milán en 18h
2. Calcula valor espera vs reposicionar
3. Recomienda: Esperar 18h
4. Resultado: Carga premium €1,800 vs vacío -€280
Beneficio: +€2,080
Situación: Viernes 15:00, desequilibrio detectado
Sistema SIGA:
1. Predice alta demanda Barcelona lunes AM
2. Identifica 3 camiones en Bilbao sin demanda
3. Recomienda: Reposicionar 1 camión
4. Resultado: Captura 2 cargas premium lunes
Beneficio: +€1,200
SIGA no es solo software, es un cambio de paradigma en la gestión de flotas: de reaccionar a anticipar, de optimizar rutas a gestionar activos, de intuición a inteligencia.