Dot.lib

El comercio minorista tiene un supuesto tan viejo que rara vez se enuncia: la tienda espera y el cliente llega. La automatización lo está invirtiendo. Con vehículos autónomos, robótica e inteligencia artificial cada vez más disponibles, empieza a aparecer un modelo en el que la tienda va hasta el cliente, y compañías como Robomart, Nuro y Neolix ya despliegan variaciones de esa idea. La pregunta operativa que sigue abierta es mucho menos glamorosa que la tecnología: una vez que la tienda puede ir a cualquier parte, ¿cómo se decide adónde va?

Junyu Cao, de la Universidad de Texas en Austin, Wei Qi, de la Universidad Tsinghua, y Yan Zhang, de la Universidad McGill, formalizaron esa decisión en un artículo publicado en Manufacturing & Service Operations Management, revista de nuestra socia INFORMS. Su respuesta viene acompañada de una cifra — 2,56% más de ganancia frente a las estrategias convencionales de localización — y de una advertencia que, para quien vaya a operar una flota, importa más que la cifra.

Aprender y Ganar al Mismo Tiempo

El problema que los autores modelan es lo que en la literatura se llama "aprender y ganar" (learning-and-earning). Una tienda móvil enfrenta una demanda desconocida al inicio, que además cambia de forma constante y está influida por factores como el clima, la densidad de población y la actividad del barrio. Cada posición que la tienda elige produce, al mismo tiempo, dos cosas: la ganancia del día y una porción de información sobre una demanda que todavía no se conoce. Elegir siempre el lugar que hoy parece mejor congela ese aprendizaje; explorar sin criterio lo paga en ventas perdidas.

La formulación de los autores toma acciones optimistas bajo incertidumbre de parámetros. La dificultad está en que la optimización conjunta sobre el conjunto de parámetros y el de acciones se complica por la naturaleza combinatoria del problema y por el número infinito de posiciones posibles dentro del espacio urbano. No se trata de elegir entre diez esquinas: el conjunto de acciones es continuo.

Dónde Estaba La Dificultad Técnica

Para sortear esos dos obstáculos, los investigadores recurren a métodos de aproximación continua y proponen, bajo ciertas estructuras particulares del problema, un marco de aprendizaje que denominan optimista con aproximación continua (CA-O). En escenarios más generales, sin embargo, el problema sigue siendo intrincado por la no convexidad en los parámetros desconocidos. Para esos casos plantean una alternativa: un algoritmo de aprendizaje CA-O más rápido, basado en técnicas de aproximación de primer orden, para el cual demuestran además un gradiente en forma cerrada que garantiza la eficiencia computacional. El desempeño de ambos algoritmos se analiza teóricamente en términos de regret — el arrepentimiento acumulado frente a la decisión óptima — y se valida numéricamente.

Conviene detenerse en ese detalle, porque explica la diferencia entre un modelo publicable y un modelo utilizable. Un gradiente en forma cerrada es lo que permite que la decisión de reposicionamiento se recalcule con el ritmo de la operación, y no con el de un centro de cómputo.

Toronto, y El 2,56 %

El estudio de caso se construyó sobre datos de comercio minorista de Toronto. Allí, según los autores, el algoritmo supera significativamente a las alternativas de referencia, y las tiendas móviles obtienen ganancias mayores que las tiendas físicas tradicionales gracias a la combinación de aprendizaje de demanda y movilidad. La cifra que INFORMS destacó al presentar la investigación, el 23 de julio de 2026, es concreta: las tiendas móviles adaptativas aumentaron las ganancias en 2,56 % en comparación con las estrategias convencionales de localización, simplemente al reposicionarse en respuesta a patrones cambiantes de demanda.

"Una tienda móvil tiene ventaja solo si sabe hacia dónde se está moviendo la demanda", afirmó Junyu Cao, autor principal del estudio. "La movilidad crea la oportunidad, pero el aprendizaje crea el valor. Los minoristas que se adaptan de manera continua tendrán la mayor ventaja competitiva." Es la frase que reordena la lectura del resultado: el 2,56 % no mide el beneficio de tener ruedas, mide el beneficio de saber usarlas.

Lo Que El Modelo No Resuelve

Los propios autores señalan que el comercio móvil enfrenta dificultades prácticas que no desaparecen con un buen algoritmo. La demanda es inicialmente desconocida y evoluciona sin pausa, y el inventario limitado a bordo obliga a equilibrar la atención a los clientes con viajes costosos de reabastecimiento. El trabajo demuestra cómo contemplar ambos desafíos de manera simultánea, no cómo eliminarlos. Y la cifra proviene de un estudio de caso apoyado en datos de una ciudad: es una demostración de viabilidad, no un promedio de la industria.

Las implicaciones gerenciales apuntan en una dirección clara. Quien evalúe incorporar tiendas móviles debería adoptar estrategias de localización adaptativas y basadas en datos, en lugar de planes de operación estáticos. "El futuro del comercio minorista no son simplemente las tiendas autónomas: son las tiendas autónomas que saben dónde deberían estar", señaló Wei Qi, coautor del estudio. "Los minoristas no tienen que elegir entre explorar nuevos mercados y maximizar las ganancias de hoy. Con la analítica adecuada, pueden hacer ambas cosas al mismo tiempo."

Para bibliotecas universitarias y programas de ingeniería, administración y logística, el artículo tiene un valor adicional al del hallazgo: es un caso limpio de cómo un problema clásico de localización de instalaciones se transforma cuando se le agrega el aprendizaje en línea, y de cómo se demuestra formalmente que la transformación paga.

Para conocer en detalle el marco de aprendizaje CA-O, el algoritmo acelerado de primer orden, el análisis de regret y el estudio de caso completo con datos de Toronto, lea el artículo original en Manufacturing & Service Operations Management.

Sobre INFORMS

INFORMS es la principal asociación internacional de profesionales de la investigación operativa, la analítica, la ciencia de la gestión, la economía, la ciencia del comportamiento, la estadística, la inteligencia artificial, la ciencia de datos, las matemáticas aplicadas y otros campos relevantes. Avanza y promueve la ciencia y la tecnología de la toma de decisiones para salvar vidas, ahorrar dinero y resolver problemas.

Si desea obtener más información sobre la cartera de INFORMS para su institución, póngase en contacto con info@dotlib.com o complete nuestro formulario. Aproveche la oportunidad para mantenerse al día con nuestro blog, seguir nuestras redes sociales y suscribirse a Dotlib TV, nuestro canal oficial de YouTube.