Apex
Ver las crisis antes de que ocurran
Apex es una plataforma de comando para la supply chain que agrega flujos en tiempo real de más de 50 transportistas y autoridades portuarias, los procesa con modelos de ML propios y devuelve pronósticos de riesgo a 72 horas navegables sobre un globo 3D interactivo. El ruido se convierte en decisión.
Radar de Riesgo
Año
2024
Cliente
Operador logístico europeo de primer nivel (confidencial)
Rol
Diseño de producto, arquitectura de sistema, full-stack y modelado de ML
Duración
9 meses
Equipo
5 ingenieros, 1 data scientist, 1 diseñador
Categoría
Logística y Supply Chain
// El contexto
2024 marcó el pico de inestabilidad en las rutas globales: congestión en el Mar Rojo, alertas meteorológicas en el Atlántico Norte y cuellos de botella en los puertos del norte de Europa. El cliente gestionaba más de 2.400 envíos activos al día en cuatro continentes, con herramientas dispersas y planillas actualizadas a mano. La ventana media para reaccionar ante una interrupción era de menos de seis horas, a menudo ya demasiado tarde.
// El desafío
El desafío no era recopilar los datos, sino volverlos accionables en tiempo real. Cada transportista exponía formatos y cadencias distintas; los datos meteorológicos y portuarios vivían en silos incompatibles; y los modelos debían evaluar cada envío activo cada cinco minutos sin degradar la interfaz. Comunicar el riesgo con la claridad de un semáforo, sin aplanar la complejidad, fue la restricción de diseño más dura.
// La solución
Construimos un data lake sobre PostgreSQL con TimescaleDB para las series temporales de alta frecuencia, orquestando los feeds de los transportistas mediante Kafka para tolerancia a fallos y backpressure controlada. La capa de ML en Python con FastAPI expone un endpoint de scoring que combina meteorología ECMWF, índices de congestión portuaria e histórico de transportistas en un único puntaje de riesgo a 72 horas. El frontend Next.js consume GraphQL y renderiza un globo WebGL con arcos animados que codifican severidad, volumen y dirección en una única vista 'god-mode'.
Globo 3D en tiempo real
Una visualización Three.js renderiza más de 2.000 rutas activas, codificando riesgo, volumen y dirección a 60 fps sobre hardware estándar.
Pronóstico de riesgos a 72 horas
El modelo combina meteorología ECMWF, congestión portuaria AIS y fiabilidad histórica de los transportistas en un puntaje actualizado cada cinco minutos.
Data lake unificado
La arquitectura Kafka + TimescaleDB normaliza los feeds de más de 50 transportistas en un único esquema consultable, eliminando los silos.
Alertas proactivas inteligentes
Un motor de notificaciones graduadas se dispara solo por encima de umbrales de confianza calibrados, reduciendo el ruido de las alertas en un 74%.
Discovery y arquitectura
Cuatro semanas de shadowing con los equipos operativos para mapear los flujos de datos, los verdaderos cuellos de botella en la toma de decisiones y la arquitectura de ingesta.
Data pipeline y ML
Data lake Kafka + TimescaleDB, normalización de los más de 50 feeds y entrenamiento iterativo del modelo de riesgo sobre dos años de interrupciones históricas.
Diseño y prototipado
Tres ciclos de prototipado de alta fidelidad, incluidos A/B tests del globo con operadores reales, antes de escribir una sola línea de WebGL.
Rollout y optimización
Lanzamiento en producción con 40 planificadores piloto, y luego seis semanas de tuning de los umbrales de alerta y refinamiento del modelo.
Antes de Apex, nuestra visibilidad terminaba en la puerta del depósito. Ahora vemos toda la red en una sola pantalla y sabemos qué va a pasar antes de que pase: no es una herramienta nueva, es una forma completamente distinta de gestionar las operaciones.
Marco Dellafiore, VP Operations, cliente confidencial
// El impacto
Apex transformó un proceso reactivo en uno predictivo: los equipos intervienen en promedio 31 horas antes de que una interrupción se vuelva crítica. El cliente extendió la plataforma a dos nuevas unidades de negocio en los seis meses posteriores al lanzamiento.