La idea del artículo es simple: mostrar cómo pasar de una promesa genérica a una ETA más precisa, medible y útil para vender más y responder menos reclamos.

Time Series Forecasting MlForecast & XGBoost

Datos y variables para predecir tiempos de entrega

Para predecir bien, el modelo necesita datos limpios, consistentes y alineados con lo que pasa en la operación. Tener mucho volumen no alcanza: si la base está sucia, la ETA no mejora. Recién cuando estas variables están bien definidas tiene sentido elegir la familia de modelos.

Variables de pedido, destino, transportista y depósito

Cada pedido debería guardar cuatro grupos de datos. Esos grupos ayudan a explicar tres cosas muy concretas: cuándo arranca el flujo, qué tan rápido se despacha y cuánta variación mete el transporte.

A nivel de pedido, conviene registrar la fecha y hora exacta de creación en hora local argentina, la combinación de SKU, el peso y volumen total, el método de envío y los descuentos vigentes. Además, los pedidos que entran después del horario de corte tienen que quedar marcados para despacho al día siguiente. Ese detalle parece menor, pero cambia mucho el cálculo.

A nivel de destino, hacen falta el código postal, la provincia y si el envío va a AMBA o al interior. También suma la distancia en kilómetros desde el depósito hasta el destino, calculada por geocodificación. En la práctica, esa distancia suele decir más que una simple categoría regional.

Para transportista y depósito, los datos más útiles son el nivel de servicio contratado, el horario de corte, la cola de órdenes pendientes y el desempeño histórico del transportista por región.

Feature engineering para estacionalidad e incertidumbre local

Después entran las variables derivadas, que sirven para mostrar patrones que los datos crudos no dejan ver. Dicho simple: los datos base no alcanzan. Hay que armar variables que reflejen operación, estacionalidad y excepción.

En Argentina suelen funcionar bien algunas señales muy concretas: el promedio de tiempo de preparación de los últimos 7 días por depósito y método de envío; los indicadores de día de la semana y mes; los indicadores de temporada alta para eventos comerciales clave; y el calendario de feriados nacionales y fines de semana largos, codificados como variables propias.

También conviene sumar señales externas, como la temperatura en °C y las condiciones climáticas en origen y destino. Esto pega, sobre todo, en la última milla. Y hay otro grupo que pesa mucho cuando la ETA se actualiza en tiempo real: las alertas operativas, como escaneos faltantes, desvíos de ruta o intentos fallidos de entrega.

Problemas de calidad de datos que arruinan la ETA

Estos fallos pegan de lleno en la ETA y en la experiencia postcompra. Los tres más comunes son los siguientes:

• Etiquetas logísticas inconsistentes: distintos transportistas usan nombres distintos para el mismo estado, como "En tránsito" o "En reparto". Si eso no se unifica en una sola taxonomía antes del entrenamiento, el modelo aprende ruido.
• Muestra regional sesgada: si el dataset se concentra en pedidos de AMBA y casi no tiene registros de Patagonia o NOA/NEA, el modelo va a subestimar los tiempos de entrega en el interior. El resultado es simple: promesas que después no se cumplen.
• Desfase entre sistemas: si la tienda marca un pedido como "despachado" horas antes del primer escaneo del transportista, los tiempos de preparación quedan mal calculados.

Sin esta limpieza previa, cualquier modelo va a aprender ruido en lugar de tiempos reales. Con los datos listos, el paso siguiente es comparar qué familias de modelos predicen mejor la ETA.

Las principales familias de modelos de ML para predecir tiempos de entrega

Con los datos limpios y las variables bien definidas, el paso que sigue es elegir qué modelo conviene usar. Y acá no hay una respuesta única. Depende del volumen de pedidos, de la infraestructura que tengas y del nivel de precisión que necesitás.

La regla práctica sirve bastante bien: si trabajás con datos tabulares, arrancá con boosting. Si la ETA depende de una secuencia de eventos, pasá a modelos recurrentes.

Regresión, árboles de decisión y gradient boosting

El punto de partida más lógico suele ser la regresión lineal o regularizada (Ridge, Lasso, Elastic Net). Estos modelos estiman días de entrega a partir de variables como distancia, transportista, método de envío y temporada. Tienen una ventaja muy concreta: son simples de entrenar, baratos de sostener y dejan ver con claridad qué pesa más en la predicción.

Por ejemplo, un modelo puede estimar que usar un transportista suma alrededor de 0,7 días frente a otro en rutas Córdoba–Buenos Aires. Esa lectura directa ayuda mucho cuando hay que explicar resultados al equipo de operaciones o al área de negocio.

Cuando el volumen de datos sube y empiezan a mezclarse muchos transportistas, provincias y métodos de envío, los árboles de decisión y random forests pasan a ser una opción más fuerte. Un árbol puede aprender reglas del tipo: si el método es estándar, la provincia es Tierra del Fuego y el despacho sale un viernes, el tiempo esperado cae en un rango de 6 a 8 días hábiles.
El random forest toma muchos árboles entrenados sobre muestras distintas y promedia sus resultados. Eso ayuda a bajar el sobreajuste y a ganar estabilidad.

Hoy, para datos logísticos tabulares, el estándar de hecho suele ser el gradient boosting - XGBoost, LightGBM, CatBoost - . Estos modelos construyen árboles en forma iterativa y van corrigiendo los errores del modelo anterior. En la práctica, eso suele dar mejores predicciones cuando hay muchas interacciones entre variables.

XGBoost mostró muy buen rendimiento en conjuntos de datos de e-commerce con variables como distancia, transportista y atributos del pedido. Otro análisis comparativo mostró que LightGBM, CatBoost y histogram gradient boosting lograron los menores errores y la mejor escalabilidad frente a regresión lineal y random forest en escenarios de predicción postal.

La contra está en el mantenimiento. No alcanza con entrenarlos una vez y listo. Hay que mirar si cambia la distribución de los datos. Por ejemplo:

• entra un transportista nuevo
• cambia una política de envío
• se modifica la mezcla de destinos o métodos de despacho

Si eso pasa, el modelo puede empezar a fallar aunque antes anduviera bien.

Deep learning para modelos de ETA con secuencias y rutas

Los modelos de secuencia como LSTM y GRU entran cuando la ETA no depende solo de variables estáticas, sino también del orden y el tiempo entre eventos. Esto aparece en historiales de escaneos detallados, envíos de varios tramos o telemetría GPS en tiempo real.

Para la mayoría de las marcas argentinas que operan con transportistas nacionales y tienen visibilidad limitada de eventos, este nivel de complejidad no suele justificarse. En general, empieza a tener sentido cuando se trabaja con flota propia o cuando hay acceso a datos de tracking bien granulares. Si no tenés ese nivel de detalle, meter una LSTM puede ser como llevar una Ferrari a una calle de tierra: suena impresionante, pero no siempre te da una ventaja clara.

Cómo elegir entre familias de modelos

La comparación que importa no pasa por la moda. Pasa por volumen de datos, interpretabilidad y costo operativo.

Los modelos Deep & Cross - que combinan una red neuronal profunda con capas de cruce explícito de variables - sirven cuando se mezclan señales logísticas con datos de comportamiento del cliente en varios canales. Ahí el modelo no solo mira distancia o transportista, sino también patrones de compra, contacto con soporte y otras señales del recorrido del cliente.

Con Burbuxa, los datos unificados de ventas, soporte y marketing permiten ETAs más precisas por cliente, zona y canal.

Después de elegir el modelo, el paso siguiente es medir error, cobertura y estabilidad en producción.

Cómo evaluar, localizar y desplegar modelos de ETA

Las métricas que importan en logística

Elegir un modelo es solo una parte del trabajo. Lo que manda es cómo rinde en producción. Para eso, conviene seguir de cerca MAE, RMSE, R² y el porcentaje de pedidos que llegan dentro de la ventana prometida. Al final del día, una métrica sirve si ayuda a mejorar la promesa al cliente y a bajar reclamos.

El MAE - error absoluto medio - muestra el desvío típico en días u horas. Por eso es simple de explicar al equipo de negocio: “nuestras predicciones se desvían en promedio 18 horas”. El RMSE, en cambio, castiga más los errores grandes. Eso lo vuelve útil para detectar fallas pesadas del modelo, como prometer una entrega en 48 horas cuando en la práctica tardó 120. El R² ayuda a comparar arquitecturas y a ver cuánta varianza del tiempo de entrega logra explicar el modelo.

Un proyecto sobre predicción de tiempos de entrega en AWS SageMaker con 80.889 envíos reportó un RMSE de 21,4 horas para regresión lineal y 23,9 horas para XGBoost, y concluyó que el modelo más simple era preferible por su interpretabilidad.

Intervalos de predicción y actualizaciones en tiempo real

No alcanza con medir el error. El sistema también tiene que mostrar cuánta confianza tiene en su propia ETA.

Una fecha cerrada suele ser más frágil que un rango armado por percentiles. La regresión por cuantiles permite estimar, por ejemplo, el percentil 10 y el percentil 90 del tiempo de entrega para cada pedido. Entonces, en vez de mostrar “llega el 17/07/2026”, se puede mostrar “entrega estimada entre el 15/07/2026 y el 18/07/2026”. Plataformas como Instacart y ManoMano ya usan este enfoque para asegurar que la hora prometida quede antes de la hora límite del cliente, y así bajar el riesgo de demora.

Cada escaneo cambia la ETA y achica la incertidumbre del postcompra. Si un paquete se escanea en un hub de CABA a las 08:30, el modelo puede recalcular con datos nuevos: congestión actual, patrones del día de la semana y tiempos históricos del transportista en ese corredor. Cada evento logístico que importa - retiro, escaneo en hub, salida para entrega - abre una nueva chance para ajustar la predicción y comunicar algo más preciso.

Con eso en marcha, el modelo deja de ser una estimación estática y pasa a funcionar como una ETA viva.

Detalles de despliegue para Argentina

Cuando el modelo ya mide bien, toca llevarlo a la operación local sin perder de vista el contexto.

Argentina tiene rasgos logísticos que pegan de lleno en la forma de evaluar y desplegar un modelo de ETA. AMBA, interior y feriados no juegan igual. Los envíos dentro del área metropolitana suelen tener tiempos más cortos y estables. En cambio, destinos de Patagonia, NOA o NEA muestran más variación. Por eso conviene mirar MAE y RMSE por corredor y por provincia, no solo en un promedio general.

También hay que meter en el modelo los feriados nacionales y provinciales - 25 de Mayo, 9 de Julio, feriados puente - y los eventos de e-commerce como Hot Sale o CyberMonday. Además, esas fechas tienen que aparecer como señales de alerta en el monitoreo post-lanzamiento. Si el modelo las pasa por alto, va a prometer fechas que después no va a cumplir.

Del lado de la experiencia del cliente, todo tiene que respetar las convenciones locales:

• fechas en DD/MM/AAAA
• horarios en 24 horas
• distancias en kilómetros
• montos en AR$ 1.234,56

Con Burbuxa, los agentes de IA responden ETAs actualizadas en WhatsApp e Instagram con formato local.

Cómo usar las predicciones de ETA en la comunicación con el cliente y la automatización

Promesas de entrega dinámicas en la ficha de producto, el carrito y el checkout

Una vez que la ETA está bien calibrada, el paso siguiente es mostrarla justo donde el cliente toma la decisión. La idea no es exponer un dato técnico, sino una promesa clara. Por ejemplo: "entrega entre el 18 y el 20 de julio". Eso funciona mucho mejor que mostrar horas de tránsito sin contexto.

Esa promesa tiene que cruzar destino, origen, horario de corte, stock y feriados para no prometer algo que no se puede cumplir. Así evitás la típica promesa ciega de 48 horas, que pasa por alto que el pedido salió un viernes a la noche o que esa zona viene con problemas de última milla.

El efecto sobre la conversión es directo: el 73 % de los compradores dice que ver una fecha estimada influye en su decisión de compra, y el 40 % no compra si la tienda no la muestra. Además, casos con ETAs dinámicos en ficha y checkout mostraron mejoras de conversión de entre +12 % y +13 % frente a rangos estáticos.

Una ETA precisa también sirve para filtrar pedidos inviables antes del checkout. Un caso típico: alguien compra un regalo para mañana, pero el tránsito real es de cinco días. Mejor frenarlo antes que prometer de más.

La misma ETA que ayuda a cerrar la compra también tiene que sostener la postcompra.

Actualizaciones proactivas en WhatsApp e Instagram

La misma predicción que acompaña la compra tiene que sostener el seguimiento después del pago. Cada hito clave - pedido confirmado, despacho, tránsito y demora - puede servir para recalcular la ETA y comunicar una ventana más ajustada.

Las notificaciones proactivas de envío reducen los contactos al servicio al cliente entre un 25 % y un 35 %, y los clientes que las reciben muestran una tasa de recompra 19 % mayor que quienes no las reciben.

Si el modelo detecta una demora antes de que venza la promesa original, el sistema puede mandar un aviso automático con una ventana revisada, sin esperar a que el cliente pregunte. Y si la confianza en la ETA es baja, conviene abrir un poco más la ventana o pasar el caso a una persona. Burbuxa puede orquestar estas alertas y respuestas automáticas en WhatsApp e Instagram.

Conclusión: de la predicción a la experiencia

La ETA deja de ser un dato interno cuando pasa a ser una promesa visible y un aviso automático. El punto es conectar cada predicción del modelo con los flujos de comunicación donde el cliente ya está, para que todo ese trabajo técnico se vea en una mejor experiencia post-compra.

FAQs

¿Cuándo conviene pasar de un modelo simple a uno más complejo?

Depende de qué tan complejos sean tus datos y de los patrones que necesites ver.

Lo más sensato suele ser arrancar con modelos simples, como regresiones o promedios móviles, cuando la relación entre las variables es bastante directa o tenés poco historial. Son más fáciles de aplicar, más claros para leer y muchas veces alcanzan.

Ahora bien, si la demanda empieza a mostrar vueltas más complejas - como relaciones no lineales, cambios por estacionalidad o el efecto de promociones - ahí ya conviene pasar a modelos más avanzados para ganar precisión.

¿Qué datos mínimos necesito para predecir una ETA útil?

Para predecir una ETA que sirva de verdad, necesitás centralizar y ordenar datos de tres fuentes: tu plataforma de e-commerce, las APIs de seguimiento de los transportistas y los logs de conversaciones en WhatsApp e Instagram.

La base está en tres cosas: estado del pedido en tiempo real, SLA por transportista e historial de transacciones. A eso sumale variables operativas, como el método de envío, los tiempos de procesamiento en el depósito y factores externos como el clima o la estacionalidad.

Dicho simple: si tenés los datos dispersos, la ETA sale floja. Si los unificás y les das un formato claro, ya podés empezar a estimar tiempos con bastante más criterio.

¿Cómo evito prometer fechas que después no se cumplen?

Basá tus plazos en datos operativos reales, no en cálculos manuales. La idea es simple: usar modelos de machine learning que tomen el tiempo real de cada etapa, desde el picking hasta el despacho, y lo crucen con los SLA de cada transportista.

Eso te da una fecha prometida mucho más cerca de lo que pasa de verdad en la operación. Y se nota, sobre todo cuando el depósito va a otro ritmo del que marcaba la planilla.

En Argentina, además, los tiempos no se comportan igual en todas partes. No es lo mismo AMBA que Patagonia, NOA o Cuyo. Por eso, también conviene ajustar los umbrales de alerta según cada contexto local, en lugar de usar una sola vara para todo el país.