El 80% de los bienes de comercio electrónico internacional se traslada por vía aérea, lo que exige a los agentes involucrados en la carga aérea rapidez en su operativa, calidad de servicio y alta fiabilidad para llevar a cabo sus operaciones.
Para ganar en agilidad, es necesario que los procesos entre sus agentes sean fluidos y rápidos, así como disponer de previsiones de actividad a corto plazo para dimensionar los equipos de trabajo.
En este contexto, AIS Group, GPA, Portel, el Clúster Digital de Cataluña y el Clúster de Movilidad y Logística del País Vasco impulsan el proyecto 'Muelle Digital', enfocado en la digitalización del transporte terrestre y recepción de mercancía en la terminal de carga, y la elaboración de un cuadro de mando para visualizar la operativa de carga en aeropuertos.
Esta solución incorporará inteligencia artificialen forma de un modelo de aprendizaje automático, que predecirá la demanda de carga aérea mensual en distintos aeropuertos. La iniciativa permitirá optimizar los procesos entre el transitario, el transportista y el propio agente de handling del aeropuerto.
Para diseñar la plataforma, se establecerá un grupo piloto con representantes de los actores de la carga aérea, entre los que se encuentran expedidor, transitario, agente de aduanas, transportista terrestre, agente de handling y administración aduanera.
Varios aeropuertos españoles
El proyecto, financiado por la UE, tendrá como escenario piloto varios aeropuertos españoles. De momento, se está cerrando la colaboración con ellos, pero se trabaja para que figuren los de Madrid, Barcelona, Bilbao, Zaragoza y Vitoria.
En cualquier caso, una solución de este tipo puede trasladarse a todos los aeropuertos de la red de Aena y a los agentes de otras regiones españolas, y adaptarse para su exportación a otros países.
AIS construye para cada aeropuerto un modelo predictivo de inteligencia artificial a partir de los datos históricos de carga aérea. En su desarrollo, utiliza técnicas de aprendizaje automático para predecir el comportamiento de la demanda de carga aérea mensual por producto y por origen-destino.
Este modelo incorpora variables macroeconómicas para calcular el impacto de indicadores como el PIB o la balanza comercial sobre la actividad y se integrará en una herramienta de planificación de la demanda que permita anticiparse en las decisiones.
En una primera fase, el modelo hará una predicción de la demanda del mes siguiente en función del número de operaciones, mercancías y destinos, para tomar mejores decisiones. En la segunda, se optimizará el transporte de modo que haya la menor cantidad posible de emisiones de CO2.
Las empresas y clústeres participantes promoverán también la digitalización de los procesos documentales y operativos entre los agentes que participan en la exportación aérea y el desarrollo del cuadro de mando donde se integra el modelo de IA.
