Inteligencia de Negocio Aplicada a la Logística

A continuación, se presentan los resultados previstos para el proceso de formación y aprendizaje de la asignatura, alineados con la orientación digital, analítica, end-to-end y de mejora continua del Máster Universitario en Logística y Cadena de Suministro.

Conocimientos o contenidos

• Conoce los principales procesos de la cadena de suministro y los datos que generan: aprovisionamiento, recepción, almacenamiento, inventario, preparación de pedidos, expedición, transporte, entrega, incidencias y logística inversa.
• Conoce la función de los sistemas :ERP, WMS, TMS, IA Generativas, workflow IA, GPS, códigos de barras/RFID, marketplaces, integraciones API/EDI y herramientas de Business Intelligence
• Conoce los fundamentos de Business Intelligence aplicados a logística: modelo de datos, calidad, granularidad, trazabilidad, KPI, cuadros de mando y reporting para la toma de decisiones.
• Conoce modelos analíticos de clasificación y priorización como ABC/ABCD, RFM y NPS y su integración en un marco de priorización operativa SPO (Strategic Priority Order).
• Conoce las posibilidades de la inteligencia artificial para forecasting, detección de anomalías, clasificación de incidencias, predicción de retrasos, recomendación, optimización de rutas y automatización de procesos.
• Conoce los principales indicadores de proveedores, almacén, inventario, transporte, última milla y logística inversa, así como su relación con coste, servicio, productividad, capacidad y sostenibilidad.

Competencias

• Capacidad para convertir un proceso logístico en un modelo de datos medible y trazable.
• Capacidad para diseñar SLA y sistemas de indicadores que permitan evaluar proveedores, operaciones de almacén y transporte.
• Capacidad para integrar información procedente de ERP/WMS/TMS/GPS y la aplicación de la IA así como otras fuentes en cuadros de mando de Business Intelligence.
• Capacidad para aplicar modelos analíticos y técnicas de IA a problemas reales de priorización, capacidad, inventario, rutas, incidencias y devoluciones.
• Capacidad para diseñar flujos de automatización que conecten eventos operativos, reglas de negocio, alertas, responsables y acciones correctivas.
• Capacidad para interpretar resultados y proponer decisiones orientadas a reducir coste y plazo, mejorar productividad y elevar el nivel de servicio.

Habilidades o destrezas

• Mapea procesos logísticos e identifica puntos de captura de datos, responsables, sistemas fuente y reglas de calidad.
• Construye un scorecard de proveedores y representa el cumplimiento de SLA en Power BI.
• Analiza stock, rotación, cobertura, roturas, lead time y criticidad mediante modelos ABC/ABCD y visualizaciones operativas.
• Mide la productividad del almacén a partir de eventos WMS: recepción, put-away, picking, packing, expedición, errores y tiempos de ciclo.
• Construye un SPO combinando variables de criticidad, comportamiento y experiencia —ABCD, RFM y NPS— para generar una cola de prioridad operativa.
• Analiza rutas con datos TMS/GPS, clasifica rutas, mide productividad, servicio e incidencias y utiliza IA para apoyar la optimización y la predicción.
• Diseña indicadores y flujos para logística inversa, devoluciones, reclamaciones y recuperación de valor.
• Automatiza alertas y decisiones mediante workflows, reglas de negocio e IA generativa, manteniendo trazabilidad y validación humana.
• Integra proveedores, almacén, rutas y logística inversa en una control tower logística con KPIs ejecutivos y operativos.

La asignatura combina una orientación estratégica con una perspectiva eminentemente práctica. Cada unidad parte de un proceso logístico real y sigue una secuencia común: comprender el proceso, identificar el sistema que lo soporta, definir los datos necesarios, construir indicadores, aplicar analítica o IA y convertir el resultado en una decisión o automatización.

Se trabajará mediante clases síncronas, casos reales o simulados, laboratorios de datos, dashboards, diseño de SLA, ejercicios de clasificación y priorización, resolución de problemas de capacidad y rutas y construcción progresiva de una control tower logística. El aprendizaje será acumulativo: cada sesión añadirá una nueva capa al mismo modelo end-to-end.

La IA se utilizará como tecnología aplicada al proceso —no como contenido aislado— para predecir, clasificar, recomendar, detectar anomalías, explicar desviaciones y automatizar flujos. Los modelos analíticos ABC/ABCD, RFM, NPS y SPO se trabajarán como instrumentos de decisión y se integrarán con Power BI y con sistemas operativos de la cadena de suministro.

La dedicación global de la asignatura deberá ajustarse al número de créditos ECTS que establezca UDIMA. El calendario docente facilitado contempla 13 sesiones síncronas entre el 30 de septiembre y el 23 de diciembre de 2026. La dedicación no presencial se orientará al estudio de las unidades, revisión de materiales, preparación de datos, resolución de casos, construcción de evidencias prácticas y preparación del examen final.

El profesor realizará un seguimiento individualizado de la actividad del estudiante a través de las herramientas de la plataforma educativa. Las tutorías permitirán resolver dudas sobre los contenidos, los laboratorios, la interpretación de KPI, el diseño de cuadros de mando, los modelos de priorización y la aplicación de IA a los casos logísticos trabajados durante el curso.

Para el desarrollo de la asignatura se utilizarán:

• Materiales propios elaborados por el profesor y presentaciones de cada unidad.
• Datasets logísticos de proveedores, inventario, operaciones de almacén, rutas, incidencias y devoluciones.
• Plantillas de SLA, mapas de proceso, diccionarios de datos, scorecards y modelos de KPI.
• Laboratorios y dashboards en herramientas de Workflow IA, Generativa y business Intelligence
• Entornos demostrativos o capturas funcionales de ERP/Odoo, WMS, TMS, GPS y sistemas de trazabilidad.
• Casos de marketplace y dropshipping para analizar flujos de pedido, fulfillment y nivel de servicio.
• Recursos audiovisuales, documentación técnica y materiales disponibles en la Biblioteca/ODILO de UDIMA.
• Herramientas de IA generativa y automatización empleadas con finalidad académica y bajo criterios de trazabilidad, supervisión y calidad del dato.

• Chopra, S. y Meindl, P. Supply Chain Management: Strategy, Planning, and Operation. Pearson.
• Christopher, M. Logistics & Supply Chain Management. Pearson.
• Juárez Boal, S. (2022). Estrategia de Logística y Compras. CEF.-
• Miranda González, F. J., Rubio la Coba, S., Chamorro Mera, A. y Bañegil Palacios, T. M. Manual de Dirección de Operaciones. Paraninfo.
• Wallace, T. F. y Stahl, R. A. Sales and Operations Planning: The Executive’s Guide.
• Womack, J. P. y Jones, D. T. Lean Thinking. Simon & Schuster.
• Microsoft. Documentación de Power BI y Power Platform. Recursos de referencia para modelado, visualización y automatización.
• Documentación oficial de Odoo sobre inventario, compras y operaciones de almacén, como apoyo al análisis de sistemas WMS/ERP.
• Píldoras de acceso gratuito y sin registro de datos: https://doc-roi-my-cabinet.vercel.app/

La programación se organiza en 13 unidades didácticas, alineadas con las 13 sesiones previstas. El recorrido sigue la cadena de suministro desde la fuente del dato hasta la decisión: arquitectura de información → proveedores → almacén → priorización → rutas → logística inversa → automatización → control tower.

Unidad Didáctica 1. Business Intelligence y cadena de suministro data-driven

• 1.1. La cadena de suministro como flujo end-to-end de procesos, eventos y datos.
• 1.2. De dato a decisión: dato, información, insight, acción y aprendizaje.
• 1.3. Mapa proveedor → almacén → transporte → cliente → devolución.
• 1.4. Árbol de KPI: servicio, coste, productividad, capacidad, inventario y calidad.
• 1.5. Calidad, granularidad, trazabilidad y gobierno básico del dato logístico.
• 1.6. Introducción al concepto de control tower logística y Power BI.

Unidad Didáctica 2. Sistemas, integración y captura del dato logístico

• 2.1. ERP y Odoo como núcleo transaccional.
• 2.2. WMS para operaciones de almacén y TMS para transporte.
• 2.3. GPS, telemática, códigos de barras, RFID y dispositivos de lectura.
• 2.4. EDI, API y conectores para integrar eventos y maestros.
• 2.5. Datos maestros frente a datos de evento: proveedor, SKU, pedido, ubicación, ruta e incidencia.
• 2.6. Arquitectura mínima para explotar información en Power BI.

Unidad Didáctica 3. Inteligencia de proveedores, marketplaces y dropshipping

• 3.1. Tipologías de proveedor y modelos de suministro.
• 3.2. Ciclo purchase-to-receipt y puntos de captura de datos.
• 3.3. Marketplaces, dropshipping y modelos de fulfillment: implicaciones operativas y de información.
• 3.4. Lead time, MOQ, disponibilidad, coste, calidad e incidencias.
• 3.5. Segmentación de proveedores por criticidad y desempeño.
• 3.6. IA aplicada a análisis de riesgo, anomalías y recomendación de acciones.

Unidad Didáctica 4. SLA y scorecard de proveedores en Power BI

• 4.1. Qué es un SLA y cómo convertirlo en variables medibles.
• 4.2. OTIF, fill rate, lead time adherence, calidad, incidencias y desviación de coste.
• 4.3. Diseño de reglas, tolerancias, semáforos y escalados.
• 4.4. Estructura del dataset de SLA y trazabilidad por pedido/proveedor.
• 4.5. Dashboard de cumplimiento en Power BI.
• 4.6. IA para detección de desviaciones, explicación de causas y alertas automáticas.

Unidad Didáctica 5. WMS/Odoo y digitalización del almacén

• 5.1. Procesos: recepción, put-away, reposición, picking, packing y expedición.
• 5.2. WMS: ubicaciones, tareas, olas, inventario y trazabilidad.
• 5.3. Odoo como ejemplo de integración ERP/WMS.
• 5.4. Pistolas de lectura, código de barras/RFID y captura de eventos.
• 5.5. Exactitud de inventario y calidad del dato operativo.
• 5.6. Modelo de datos del almacén para productividad y capacidad.

Unidad Didáctica 6. Inventario inteligente, ABC/ABCD y almacén Lean

• 6.1. Clasificación ABC y extensión ABCD para priorizar referencias y ubicaciones.
• 6.2. Rotación, cobertura, stock de seguridad, stock inmovilizado y roturas.
• 6.3. Lead time de reposición y variabilidad.
• 6.4. Slotting y ubicación basada en criticidad y frecuencia.
• 6.5. Lean aplicado al almacén: desperdicio, recorridos, esperas y retrabajos.
• 6.6. IA para forecasting, patrones de demanda y detección de riesgo de stock.

Unidad Didáctica 7. Productividad, capacidad y rendimiento del almacén

• 7.1. Productividad por persona, turno, zona y proceso.
• 7.2. Unidades/hora, líneas/hora, pedidos/hora, picks/hora y productividad neta.
• 7.3. Dock-to-stock, order cycle time, errores de picking y rework.
• 7.4. Capacidad disponible, utilización, cuellos de botella y carga de trabajo.
• 7.5. Comparación objetivo-real y análisis de desviaciones.
• 7.6. Power BI e IA para identificar causas, anomalías y oportunidades de mejora.

Unidad Didáctica 8. SPO: Strategic Priority Order

• 8.1. La necesidad de priorizar cuando recursos y capacidad son limitados.
• 8.2. ABCD como criterio de criticidad operativa.
• 8.3. RFM como lectura de recencia, frecuencia y valor del comportamiento del cliente/pedido.
• 8.4. NPS y señales de experiencia de cliente como criterio de servicio.
• 8.5. Construcción del SPO como marco aplicado de priorización multicriterio.
• 8.6. Visualización de la cola de prioridad y uso de IA para recomendación y explicación.

Unidad Didáctica 9. TMS, GPS e inteligencia de rutas

• 9.1. Proceso order-to-delivery y datos del transporte.
• 9.2. TMS, GPS y telemática: posición, parada, distancia, tiempo, carga e incidencia.
• 9.3. Clasificación ABC de rutas según volumen, impacto, servicio, coste o criticidad.
• 9.4. Productividad de ruta, coste por entrega, km productivo, ocupación y entregas/hora.
• 9.5. OTIF, puntualidad, first-attempt delivery y nivel de servicio.
• 9.6. Dashboard geográfico y trazabilidad de ruta.

Unidad Didáctica 10. IA para optimización de rutas y última milla

• 10.1. Problema de ruteo y restricciones: capacidad, ventanas horarias, prioridades y recursos.
• 10.2. Secuenciación de paradas y minimización de distancia/tiempo/coste.
• 10.3. ETA predictiva y riesgo de retraso.
• 10.4. Reoptimización dinámica ante incidencias.
• 10.5. Última milla: productividad, experiencia, coste-to-serve y sostenibilidad.
• 10.6. Uso de IA para recomendación de rutas y escenarios operativos.

Unidad Didáctica 11. Logística inversa, devoluciones e incidencias

• 11.1. Flujo de devolución desde cliente hasta recuperación, reposición o descarte.
• 11.2. Motivos, estados, tiempos y costes de devolución.
• 11.3. SLA de devolución, tasa de retorno, cycle time y recovery rate.
• 11.4. Gestión de incidencias y reclamaciones como fuente de datos.
• 11.5. IA/NLP para clasificar motivos, detectar patrones y priorizar casos.
• 11.6. Conexión de logística inversa con inventario, servicio y sostenibilidad.

Unidad Didáctica 12. Automatización de procesos y agentes

• 12.1. Eventos, triggers, reglas, acciones y excepciones.
• 12.2. Workflows de proveedores, recepción, stock, pedidos, rutas e incidencias.
• 12.3. Automatización de alertas por incumplimiento de SLA y KPI.
• 12.4. Integración de marketplace y dropshipping mediante flujos de datos.
• 12.5. IA generativa y agentes para consulta, clasificación, resumen y recomendación.
• 12.6. Human-in-the-loop, trazabilidad, control y gobierno de automatizaciones.

Unidad Didáctica 13. Control tower logística, decisión y mejora continua

• 13.1. Integración de proveedores, almacén, transporte y logística inversa.
• 13.2. Modelo semántico y cuadro de mando ejecutivo en Power BI.
• 13.3. KPI operativos, tácticos y estratégicos.
• 13.4. SPO y gestión de prioridades en el conjunto de la operación.
• 13.5. Analítica descriptiva, predictiva y prescriptiva aplicada a la decisión.
• 13.6. Ciclo de mejora continua: medir → analizar → decidir → automatizar → aprender.

Se propone mantener la estructura de evaluación utilizada en la guía web de referencia de UDIMA: evaluación continua del 40% y examen final del 60%, pendiente de validación definitiva por la coordinación académica de la asignatura.

Cuadro resumen del sistema de evaluación

Para la superación de la asignatura, la versión definitiva de la guía deberá incorporar los requisitos de asistencia, mínimos de evaluación continua, condiciones del examen y convocatoria extraordinaria que determine UDIMA para esta materia.

Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.

Originalidad de los trabajos académicos

Los trabajos y evidencias deberán ser originales, citar correctamente las fuentes y diferenciar de forma explícita el trabajo del estudiante de los contenidos generados o asistidos por herramientas de inteligencia artificial. El uso de IA deberá quedar sometido a criterios de trazabilidad, verificación, calidad del dato y responsabilidad académica. La Universidad podrá aplicar los mecanismos de comprobación de originalidad establecidos en su normativa.

Sistema de calificaciones

El sistema de calificación se expresará de 0 a 10 con un decimal y su correspondiente calificación cualitativa, de acuerdo con la normativa universitaria aplicable:

• 0 – 4,9: Suspenso (SU)
• 5,0 – 6,9: Aprobado (AP)
• 7,0 – 8,9: Notable (NT)
• 9,0 – 10: Sobresaliente (SB)

Alineación académica de la propuesta

La propuesta se ha diseñado para que la asignatura funcione como capa analítica y digital transversal del Máster Universitario en Logística y Cadena de Suministro: no sustituye las materias operativas de compras, inventario, almacén o transporte, sino que enseña a instrumentarlas con sistemas, datos, KPI, Business Intelligence, modelos analíticos, inteligencia artificial y automatización.

El resultado esperado es un perfil capaz de observar la cadena de suministro como un sistema de información y decisión: medir qué ocurre, explicar por qué ocurre, anticipar qué puede ocurrir, priorizar qué debe hacerse y automatizar la respuesta cuando el proceso y el nivel de riesgo lo permitan.