Geolocalización de flotas: cómo calcular ETAs que se cumplen de verdad
Por qué la ETA que da el conductor "a ojo" casi siempre falla, y cómo se calcula una predicha con tráfico e histórico real.
La pregunta "¿a qué hora llega?" parece trivial hasta que alguien tiene que responderla con precisión. La respuesta habitual —preguntar al conductor— falla por un motivo simple: el conductor estima con lo que ve por el retrovisor, no con datos de tráfico en tiempo real ni con el histórico de cuánto tarda realmente la descarga en ese muelle concreto.
Un sistema de ETAs predictivas combina tres fuentes: posición GPS en tiempo real (de la flota propia o de la app del conductor), condiciones de tráfico en vivo sobre la ruta restante, y el histórico real de esa ruta y ese punto de entrega — porque el tiempo medio de descarga en el muelle 3 de un cliente concreto es un dato que solo tu propia operación tiene, y ningún mapa genérico lo conoce.
El resultado no es una ETA estática calculada al salir, sino una que se recalcula continuamente: si hay un corte en la A-42, el sistema lo ve antes que el conductor y ajusta la previsión sin que nadie tenga que llamar. Eso permite un paso más importante que la propia ETA: avisar al cliente de forma proactiva cuando la entrega se va a desviar del compromiso — antes de que llame preguntando y antes de que la desviación se convierta en penalización de SLA.
El impacto operativo se nota en tráfico, no solo de cara al cliente: el departamento deja de recibir la llamada "¿dónde está mi pedido?" quince veces al día porque el cliente lo consulta en un enlace de seguimiento, y los retrasos se gestionan cuando empiezan a gestarse, no cuando ya han incumplido el contrato.
Técnicamente, esto se construye sobre PostGIS (datos geoespaciales en PostgreSQL) y un servicio de tráfico en vivo, con un modelo simple de corrección basado en el histórico propio — no hace falta un algoritmo de IA sofisticado para empezar a ganar precisión frente a "estimación a ojo del conductor".