PROPUESTA DE ASIGNACIÓN TERRITORIAL
DE CLIENTES MEDIANTE K-MEANS Y
SCRUM: UN ESTUDIO DE CASO.
CUSTOMER TERRITORY ASSIGNMENT PROPOSAL USING
K-MEANS AND SCRUM: A CASE STUDY.
Javier Omar Calvo Barragán
CIATEQ
Jaime David Ponde Rocha
CIATEQ
pág. 4880
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25482
Propuesta de asignación territorial de clientes mediante k-means y scrum:
un estudio de caso.
Javier Omar Calvo Barragán1
omarcbarragan@hotmail.com
https://orcid.org/0009-0007-4120-3364
CIATEQ
México
Jaime David Ponde Rocha
jaime.rocha@ciateq.mx
https://orcid.org/0000-0001-7822-941X
CIATEQ
México
RESUMEN
La asignación de clientes constituye un factor determinante para mejorar la productividad de la fuerza
de ventas de las empresas dedicadas a la comercialización de productos B2B. El objetivo del presente
estudio de caso de una empresa dedicada a la comercialización de insumos industriales fue desarrollar
una propuesta de asignación territorial mediante el algoritmo de clusterización K-Means y un enfoque
de gestión de proyectos basado en SCRUM para una empresa dedicada a la distribucion de insumos
industriales. La metodología comprendió el diagnóstico del proceso actual, la segmentación de clientes
mediante análisis ABC, la recopilación de coordenadas geográficas, la generación de clústeres y la
comparación de los resultados con el esquema de asignación vigente. El modelo desarrollado permitió
reducir la distancia recorrida y el tiempo de traslado, aumentando la productividad de la fuerza de ventas
y equilibrando la carga de trabajo entre los vendedores. Los resultados demuestran que la integración
de técnicas de análisis geoespacial y metodologías ágiles constituye una alternativa viable para mejorar
la eficiencia operativa de la fuerza de ventas en empresas B2B.
Palabras clave: Productividad; asignación; k-means; SCRUM; B2B.
1 Autor principal.
Correspondencia: omarcbarragan@hotmail.com
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25482
Propuesta de asignación territorial de clientes mediante k-means y scrum:
un estudio de caso.
Javier Omar Calvo Barragán1
omarcbarragan@hotmail.com
https://orcid.org/0009-0007-4120-3364
CIATEQ
México
Jaime David Ponde Rocha
jaime.rocha@ciateq.mx
https://orcid.org/0000-0001-7822-941X
CIATEQ
México
RESUMEN
La asignación de clientes constituye un factor determinante para mejorar la productividad de la fuerza
de ventas de las empresas dedicadas a la comercialización de productos B2B. El objetivo del presente
estudio de caso de una empresa dedicada a la comercialización de insumos industriales fue desarrollar
una propuesta de asignación territorial mediante el algoritmo de clusterización K-Means y un enfoque
de gestión de proyectos basado en SCRUM para una empresa dedicada a la distribucion de insumos
industriales. La metodología comprendió el diagnóstico del proceso actual, la segmentación de clientes
mediante análisis ABC, la recopilación de coordenadas geográficas, la generación de clústeres y la
comparación de los resultados con el esquema de asignación vigente. El modelo desarrollado permitió
reducir la distancia recorrida y el tiempo de traslado, aumentando la productividad de la fuerza de ventas
y equilibrando la carga de trabajo entre los vendedores. Los resultados demuestran que la integración
de técnicas de análisis geoespacial y metodologías ágiles constituye una alternativa viable para mejorar
la eficiencia operativa de la fuerza de ventas en empresas B2B.
Palabras clave: Productividad; asignación; k-means; SCRUM; B2B.
1 Autor principal.
Correspondencia: omarcbarragan@hotmail.com
pág. 4881
Customer territory assignment proposal using k-means and scrum: a case
study.
ABSTRACT
Customer assignment is a key factor in improving productivity of sales forces in companies engaged in
B2B markets. The objective of this case study was to develop a customer territory assignment poposal
using K-means clustering algorithm and a SCRUM- based Project management approach for a company
that distributes industrial supplies. The methodology included diagnosing the current assignment
process, segmenting customer through ABC analysis, collecting geographic coordinates, generating
clusters, and comparing the proposed model with the existing assignment scheme. The proposed model
reduced travel distance and travel time, increasing sales force productivity while balancing the workload
among sales representatives. The results demonstrate that integrating geospatial analysis techniques with
agile methodogies provides a viable alternative for improving the operational efficiency of sales forces
in B2B companies.
Keywords: Productivity, assignment, k-means, SCRUM, B2B.
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
Customer territory assignment proposal using k-means and scrum: a case
study.
ABSTRACT
Customer assignment is a key factor in improving productivity of sales forces in companies engaged in
B2B markets. The objective of this case study was to develop a customer territory assignment poposal
using K-means clustering algorithm and a SCRUM- based Project management approach for a company
that distributes industrial supplies. The methodology included diagnosing the current assignment
process, segmenting customer through ABC analysis, collecting geographic coordinates, generating
clusters, and comparing the proposed model with the existing assignment scheme. The proposed model
reduced travel distance and travel time, increasing sales force productivity while balancing the workload
among sales representatives. The results demonstrate that integrating geospatial analysis techniques with
agile methodogies provides a viable alternative for improving the operational efficiency of sales forces
in B2B companies.
Keywords: Productivity, assignment, k-means, SCRUM, B2B.
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
pág. 4882
INTRODUCCIÓN
La optimización de la asignación territorial de clientes representa uno de los principales retos para las
empresas dedicadas a la comercialización de productos B2B, debido a que una ineficiente distribución
de las zonas de atención incrementa los tiempos de traslado, eleva los costos operativos y disminuye la
productividad de la fuerza de ventas.
Para las empresas dedicadas a la comercialización de productos o servicios, distribuir el tiempo entre
los diferentes clientes o prospectos y gestionar de manera correcta los territorios de la fuerza de ventas,
ayudará a priorizar los objetivos, mejorar la productividad y la sostenibilidad operativa de la
organización (Johnston & Marshall, 2025). Actualmente, en México, se encuentra en aprobación la
reducción de horas laborales de 48 a 40 horas, lo cual será un punto de inflexión en la búsqueda de
favorecer el pleno empleo y mejorar las condiciones operativas, sin afectar necesariamente la ocupación
(Salazar et al., 2025). Algunos estudios indican que una reducción en la jornada laboral no implica
necesariamente una disminución de la productividad, sino que, aquellos trabajadores con una jornada
laboral razonable suelen estar más motivados y comprometidos, dando como resultado una mayor
productividad (Arreola Rivera, 2024), todo esto se ve reflejado en crear estrategias para las empresas,
con la finalidad de mantener e incluso incrementar dicha productividad. Sin embargo, numerosas
compañías aún gestionan la asignación de sus clientes de manera histórica, lo cual deriva en recorridos
innecesarios, pérdidas de tiempo, sobrecostos y menor calidad en el servicio al cliente. En un contexto
B2B de ventas, para crear relaciones a largo plazo, se necesita crear una comprensión más profunda de
los factores que impulsan la satisfacción no económica y las expectativas de satisfacción económica de
las empresas de ventas (Zietsman et al., 2020). En el mundo de las ventas con limitaciones de tiempo,
la gestión del territorio puede asegurar que el esfuerzo de la fuerza de ventas se utilice de manera más
efectiva (Jordan & Vazzana, 2012).
Existen diferentes técnicas de algoritmos de segmentación, entre las que destacan:
- K-means clustering.
- División por percentiles.
- Arboles de decisión.
Una sencilla comparativa de estas técnicas la encontramos a continuación:
INTRODUCCIÓN
La optimización de la asignación territorial de clientes representa uno de los principales retos para las
empresas dedicadas a la comercialización de productos B2B, debido a que una ineficiente distribución
de las zonas de atención incrementa los tiempos de traslado, eleva los costos operativos y disminuye la
productividad de la fuerza de ventas.
Para las empresas dedicadas a la comercialización de productos o servicios, distribuir el tiempo entre
los diferentes clientes o prospectos y gestionar de manera correcta los territorios de la fuerza de ventas,
ayudará a priorizar los objetivos, mejorar la productividad y la sostenibilidad operativa de la
organización (Johnston & Marshall, 2025). Actualmente, en México, se encuentra en aprobación la
reducción de horas laborales de 48 a 40 horas, lo cual será un punto de inflexión en la búsqueda de
favorecer el pleno empleo y mejorar las condiciones operativas, sin afectar necesariamente la ocupación
(Salazar et al., 2025). Algunos estudios indican que una reducción en la jornada laboral no implica
necesariamente una disminución de la productividad, sino que, aquellos trabajadores con una jornada
laboral razonable suelen estar más motivados y comprometidos, dando como resultado una mayor
productividad (Arreola Rivera, 2024), todo esto se ve reflejado en crear estrategias para las empresas,
con la finalidad de mantener e incluso incrementar dicha productividad. Sin embargo, numerosas
compañías aún gestionan la asignación de sus clientes de manera histórica, lo cual deriva en recorridos
innecesarios, pérdidas de tiempo, sobrecostos y menor calidad en el servicio al cliente. En un contexto
B2B de ventas, para crear relaciones a largo plazo, se necesita crear una comprensión más profunda de
los factores que impulsan la satisfacción no económica y las expectativas de satisfacción económica de
las empresas de ventas (Zietsman et al., 2020). En el mundo de las ventas con limitaciones de tiempo,
la gestión del territorio puede asegurar que el esfuerzo de la fuerza de ventas se utilice de manera más
efectiva (Jordan & Vazzana, 2012).
Existen diferentes técnicas de algoritmos de segmentación, entre las que destacan:
- K-means clustering.
- División por percentiles.
- Arboles de decisión.
Una sencilla comparativa de estas técnicas la encontramos a continuación:
pág. 4883
Tabla 1. Comparación de técnicas de algoritmos de segmentación.
Criterio K-means Árbol de decisión División por percentiles
Tipo de técnica Algoritmo de
clustering
Algoritmo de
clasificación
Técnica estadística
Supervisión No supervisado Supervisado No supervisado
Objetivo Agrupar datos
similares en
clústeres
Predecir una clase o
valor según reglas
Dividir datos en tramos
porcentuales
Ventaja Detecta grupos
ocultos
Interpretable y útil
para predicción
Fácil de aplicar e interpretar
Desventaja Requiere definir
número de clústeres
Requiere llevar un
control específico
No detecta patrones complejos
Aplicación
típica
Segmentación de
clientes
Decidir prioridades Establecer prioridades o
servicio
En el presente estudio se utiliza el K-means clustering, ya que es una técnica con un enfoque sencillo,
en el cual se deben definir en primera instancia el número de clústeres con los que se van a trabajar, y a
partir de eso, el algoritmo k-means asignará cada observación a uno de los clústeres (James et al., 2021).
Figura 1. Desarrollo del algoritmo k-means. (James et al., 2021).
Tabla 1. Comparación de técnicas de algoritmos de segmentación.
Criterio K-means Árbol de decisión División por percentiles
Tipo de técnica Algoritmo de
clustering
Algoritmo de
clasificación
Técnica estadística
Supervisión No supervisado Supervisado No supervisado
Objetivo Agrupar datos
similares en
clústeres
Predecir una clase o
valor según reglas
Dividir datos en tramos
porcentuales
Ventaja Detecta grupos
ocultos
Interpretable y útil
para predicción
Fácil de aplicar e interpretar
Desventaja Requiere definir
número de clústeres
Requiere llevar un
control específico
No detecta patrones complejos
Aplicación
típica
Segmentación de
clientes
Decidir prioridades Establecer prioridades o
servicio
En el presente estudio se utiliza el K-means clustering, ya que es una técnica con un enfoque sencillo,
en el cual se deben definir en primera instancia el número de clústeres con los que se van a trabajar, y a
partir de eso, el algoritmo k-means asignará cada observación a uno de los clústeres (James et al., 2021).
Figura 1. Desarrollo del algoritmo k-means. (James et al., 2021).
pág. 4884
Se puede observar, cómo en este ejemplo, en el primer cuadro se muestran el total de observaciones,
después, en el paso 1 cada observación se asigna aleatoriamente a un clúster, posteriormente, en el paso
2a, se calculan los centroides del clúster, mostrándose como grandes círculos de colores, hasta este punto
los centroides están prácticamente sobrepuestos, ya que los clústeres se asignaron al azar. En el paso 2b
cada observación se asigna al centroide más cercano. En el paso 2a de la segunda iteración los centroides
se trasladan a su clúster, y finalmente, se realizan estas iteraciones y se muestran el resultado final
después de 10 iteraciones.
Existe un estudio que utiliza esta técnica de clusterización para realizar análisis espacio-funcional
logístico en zonas metropolitanas (Regal et al., 2023), que presentan un procedimiento de zonificación
basado en variables socioeconómicas, espaciales e intensidad logística. Este método es aplicable en
diferentes ciudades del mundo, en donde se cuenten con bases de datos y modelos estándar:
Figura 2. Diagrama de flujo de la metodología utilizando variables de agrupamiento. (basado en Regal
et al., 2023).
La literatura también sugiere que la integración de metodologías ágiles facilita la adaptación a los
cambios en los mercados y mejora la comunicación entre actores clave, sobre todo en proyectos
logísticos (Göksu & Özbek, 2020; Zielske & Held, 2021). De la misma forma, la segmentación de
clientes mediante algoritmos no supervisados como k-means clustering ofrecen la posibilidad de
gestionar territorios más coherentes y homogéneos, con menos dispersión geográfica.
Los problemas de optimización logística se encuentran englobados en el Problema de Enrutamiento de
Vehículos (VRP), el cual consiste en encontrar las rutas más eficientes para que una flota de vehículos
sirva a un conjunto de clientes con posiciones fijas que minimizan el tiempo de viaje. Este problema es
una generalización del Problema del Agente Viajero (TSP), el cual busca que un vendedor recorra la
Se puede observar, cómo en este ejemplo, en el primer cuadro se muestran el total de observaciones,
después, en el paso 1 cada observación se asigna aleatoriamente a un clúster, posteriormente, en el paso
2a, se calculan los centroides del clúster, mostrándose como grandes círculos de colores, hasta este punto
los centroides están prácticamente sobrepuestos, ya que los clústeres se asignaron al azar. En el paso 2b
cada observación se asigna al centroide más cercano. En el paso 2a de la segunda iteración los centroides
se trasladan a su clúster, y finalmente, se realizan estas iteraciones y se muestran el resultado final
después de 10 iteraciones.
Existe un estudio que utiliza esta técnica de clusterización para realizar análisis espacio-funcional
logístico en zonas metropolitanas (Regal et al., 2023), que presentan un procedimiento de zonificación
basado en variables socioeconómicas, espaciales e intensidad logística. Este método es aplicable en
diferentes ciudades del mundo, en donde se cuenten con bases de datos y modelos estándar:
Figura 2. Diagrama de flujo de la metodología utilizando variables de agrupamiento. (basado en Regal
et al., 2023).
La literatura también sugiere que la integración de metodologías ágiles facilita la adaptación a los
cambios en los mercados y mejora la comunicación entre actores clave, sobre todo en proyectos
logísticos (Göksu & Özbek, 2020; Zielske & Held, 2021). De la misma forma, la segmentación de
clientes mediante algoritmos no supervisados como k-means clustering ofrecen la posibilidad de
gestionar territorios más coherentes y homogéneos, con menos dispersión geográfica.
Los problemas de optimización logística se encuentran englobados en el Problema de Enrutamiento de
Vehículos (VRP), el cual consiste en encontrar las rutas más eficientes para que una flota de vehículos
sirva a un conjunto de clientes con posiciones fijas que minimizan el tiempo de viaje. Este problema es
una generalización del Problema del Agente Viajero (TSP), el cual busca que un vendedor recorra la
pág. 4885
distancia más corta a cada cliente y regrese al origen, al tratarse de múltiples agentes, se le conoce como
Problema de Multiples viajantes o Problema del Agente Viajero Multiple (Jafarian-Moghaddam &
Shahpoori-Arany, 2024).
Figura 3. Problema del Agente Viajero Múltiple en 10 ciudades o clientes. (Jafarian-Moghaddam &
Shahpoori-Arany, 2024).
Los beneficios reportados en la literatura nos dan apertura a trabajar con técnicas en escenarios reales
de operación. En este sentido, el presente trabajo toma como caso de estudio una empresa dedicada a la
distribución de insumos industriales, en la cual se identificó la necesidad de optimizar la asignación
territorial de clientes como herramienta para mejorar la productividad de la fuerza de ventas, ya que la
asignación de clientes se ha realizado de manera histórica, con base en la experiencia de la fuerza de
ventas y la continuidad de sus relaciones adquiridas con los clientes. Aunque este enfoque ha permitido
mantener la operación, el crecimiento disparejo de las carteras ha generado desequilibrios en la carga
de trabajo y recorridos con oportunidades de optimización, lo que justifica la evaluación de un esquema
basado en técnicas de clusterización.
En el presente estudio se aborda la problemática de asignación de clientes de alto valor para una empresa
mexicana de distribución de insumos industriales. Se identificaron ineficiencias significativas en los
traslados de la fuerza de ventas, evidenciadas en el análisis realizado a un mes completo con datos
operativos, los cuales muestran tiempos muertos, recorridos extensos y costos elevados de combustible.
A diferencia de estudios previos enfocados exclusivamente en la optimización matemática de rutas, el
presente estudio integra técnicas de clusterización territorial y un marco ágil de gestión de proyectos
para desarrollar y validar una propuesta de asignación territorial de clientes, utilizando información real
de una empresa dedicada a la comercialización de insumos industriales.
El objetivo general del estudio es presentar una propuesta de asignación territorial de clientes que
permita mejorar la productividad de la fuerza de ventas, reducir costos operativos y disminuir los riesgos
distancia más corta a cada cliente y regrese al origen, al tratarse de múltiples agentes, se le conoce como
Problema de Multiples viajantes o Problema del Agente Viajero Multiple (Jafarian-Moghaddam &
Shahpoori-Arany, 2024).
Figura 3. Problema del Agente Viajero Múltiple en 10 ciudades o clientes. (Jafarian-Moghaddam &
Shahpoori-Arany, 2024).
Los beneficios reportados en la literatura nos dan apertura a trabajar con técnicas en escenarios reales
de operación. En este sentido, el presente trabajo toma como caso de estudio una empresa dedicada a la
distribución de insumos industriales, en la cual se identificó la necesidad de optimizar la asignación
territorial de clientes como herramienta para mejorar la productividad de la fuerza de ventas, ya que la
asignación de clientes se ha realizado de manera histórica, con base en la experiencia de la fuerza de
ventas y la continuidad de sus relaciones adquiridas con los clientes. Aunque este enfoque ha permitido
mantener la operación, el crecimiento disparejo de las carteras ha generado desequilibrios en la carga
de trabajo y recorridos con oportunidades de optimización, lo que justifica la evaluación de un esquema
basado en técnicas de clusterización.
En el presente estudio se aborda la problemática de asignación de clientes de alto valor para una empresa
mexicana de distribución de insumos industriales. Se identificaron ineficiencias significativas en los
traslados de la fuerza de ventas, evidenciadas en el análisis realizado a un mes completo con datos
operativos, los cuales muestran tiempos muertos, recorridos extensos y costos elevados de combustible.
A diferencia de estudios previos enfocados exclusivamente en la optimización matemática de rutas, el
presente estudio integra técnicas de clusterización territorial y un marco ágil de gestión de proyectos
para desarrollar y validar una propuesta de asignación territorial de clientes, utilizando información real
de una empresa dedicada a la comercialización de insumos industriales.
El objetivo general del estudio es presentar una propuesta de asignación territorial de clientes que
permita mejorar la productividad de la fuerza de ventas, reducir costos operativos y disminuir los riesgos
pág. 4886
asociados al traslado.
Revisión de la literatura
Metodologías de gestión de proyectos aplicadas a la logística comercial.
Las metodologías tradicionales poco a poco han cedido su paso a los enfoques ágiles. PMBOK,
PRINCE2 y los métodos de cascada han sido por tradición las estructuras más sólidas para una
planificación estricta, pero muestran limitaciones ante entornos complejos y dinámicos (Kezner, 2013).
En cambio, metodologías ágiles como SCRUM permiten ciclos cortos, retroalimentación constante y
una mayor adaptabilidad a cambios, elementos clave para proyectos comerciales y logísticos donde las
variables cambian rápidamente (Zielske & Held, 2021).
La adopción de metodologías ágiles ha ido mas allá del desarrollo de software y se ha adoptado en
sectores en donde se requiere una toma de decisiones oportuna que representen una ventaja competitiva,
por ejemplo, los proyectos de optimización logística en donde se enfrentan condiciones cambiantes
relacionados con la demanda, la distribución geográfica y la disponibilidad de recursos, por lo que se
requieren de esquemas de gestión que permitan validar soluciones de manera iterativa e incorporar
retroalimentación continua.
La logística moderna requiere que las empresas busquen implementar una mayor facilidad de acceso,
procesamiento de información y condiciones de seguridad en sus actividades, por lo que se busca reducir
los tiempos de tránsito, disponibilidad de producto y entregas eficientes. Actualmente, las empresas
están adoptando un enfoque de gestión de proyectos para desarrollar soluciones innovadoras en sus
operaciones. Según una investigación de mercado del Instituto de la Gestión de Proyectos (Project
Management Institute, 2017), los profesionales de la gestión de proyectos adoptan ampliamente
principios ágiles como una técnica efectiva en la gestión de proyectos. Para responder a las demandas
de entorno empresarial actual, las empresas alteran su estructura de cadena de suministro con la
integración de nuevas tecnologías para agilizar el proceso de suministro, con esto, las empresas logran
responder de una manera más rápida y eficaz a las incertidumbres del mercado (Göksu & Özbek, 2020).
Segmentación de clientes y ruteo
Para una correcta gestión de un territorio comercial, se deben definir las zonas geográficas con la
finalidad de maximizar la productividad de la fuerza de ventas y minimizar los traslados. En la literatura
asociados al traslado.
Revisión de la literatura
Metodologías de gestión de proyectos aplicadas a la logística comercial.
Las metodologías tradicionales poco a poco han cedido su paso a los enfoques ágiles. PMBOK,
PRINCE2 y los métodos de cascada han sido por tradición las estructuras más sólidas para una
planificación estricta, pero muestran limitaciones ante entornos complejos y dinámicos (Kezner, 2013).
En cambio, metodologías ágiles como SCRUM permiten ciclos cortos, retroalimentación constante y
una mayor adaptabilidad a cambios, elementos clave para proyectos comerciales y logísticos donde las
variables cambian rápidamente (Zielske & Held, 2021).
La adopción de metodologías ágiles ha ido mas allá del desarrollo de software y se ha adoptado en
sectores en donde se requiere una toma de decisiones oportuna que representen una ventaja competitiva,
por ejemplo, los proyectos de optimización logística en donde se enfrentan condiciones cambiantes
relacionados con la demanda, la distribución geográfica y la disponibilidad de recursos, por lo que se
requieren de esquemas de gestión que permitan validar soluciones de manera iterativa e incorporar
retroalimentación continua.
La logística moderna requiere que las empresas busquen implementar una mayor facilidad de acceso,
procesamiento de información y condiciones de seguridad en sus actividades, por lo que se busca reducir
los tiempos de tránsito, disponibilidad de producto y entregas eficientes. Actualmente, las empresas
están adoptando un enfoque de gestión de proyectos para desarrollar soluciones innovadoras en sus
operaciones. Según una investigación de mercado del Instituto de la Gestión de Proyectos (Project
Management Institute, 2017), los profesionales de la gestión de proyectos adoptan ampliamente
principios ágiles como una técnica efectiva en la gestión de proyectos. Para responder a las demandas
de entorno empresarial actual, las empresas alteran su estructura de cadena de suministro con la
integración de nuevas tecnologías para agilizar el proceso de suministro, con esto, las empresas logran
responder de una manera más rápida y eficaz a las incertidumbres del mercado (Göksu & Özbek, 2020).
Segmentación de clientes y ruteo
Para una correcta gestión de un territorio comercial, se deben definir las zonas geográficas con la
finalidad de maximizar la productividad de la fuerza de ventas y minimizar los traslados. En la literatura
pág. 4887
se pueden encontrar diferentes métodos que ayudan a este fin, como el análisis estadístico, reglas
heurísticas, optimización matemática y algoritmos de aprendizaje automático. Dentro de los algoritmos
no supervisados, k-means clustering se destaca por su eficiencia computacional, así como por su
capacidad de detectar grupos naturales en los datos (Hair et al., 2019). Estudios previos demuestran que
una segmentación adecuada es una excelente herramienta para incrementar la atención personalizada y
reducir los costos logísticos.
Logística comercial
El tiempo empleado en los traslados largos es uno de los factores que afectan la productividad comercial,
sin embargo, muchas empresas no lo toman en cuenta. Delers (2016) señala que el principio de Pareto
aplica también en las ventas de una compañía, se puede deducir que el 80% de los ingresos proviene del
20% de los clientes, por lo que es clave que estos reciban una atención prioritaria. De la misma manera,
la evidencia indica que los recorridos no planificados aumentan el desgaste vehicular, los riesgos de
accidentes viales y el consumo de gasolina (INEGI, 2023).
METODOLOGÍA
Tipo de estudio.
Para el presente estudio se empleó un enfoque mixto explicativo, los diseños de investigación con
métodos mixtos combinan elementos de tipo cualitativo como cuantitativo y requieren creatividad y
flexibilidad en su construcción (Gómez, J., & Monterde, R., 2022), acorde al presente estudio, en donde
como entrada se obtienen datos tanto cuantitativos como cualitativos para comprender la problemática
desde un enfoque comercial y diseñar una propuesta optimizada.
Interesados en la propuesta.
Se integró la participación de 4 vendedores de una empresa dedicada a la distribución de insumos
industriales, con más de 8 años en la empresa, por lo que se les considera expertos por su conocimiento
en el campo, a los cuales se les aplicó una entrevista semi estructurada sobre sus puntos de vista y los
problemas que ellos identifican en la asignación de clientes y los traslados. También se analizaron los
datos de dos años consecutivos de las encuestas de satisfacción que se realizaron a poco más de 100
clientes de la región.
SCRUM
se pueden encontrar diferentes métodos que ayudan a este fin, como el análisis estadístico, reglas
heurísticas, optimización matemática y algoritmos de aprendizaje automático. Dentro de los algoritmos
no supervisados, k-means clustering se destaca por su eficiencia computacional, así como por su
capacidad de detectar grupos naturales en los datos (Hair et al., 2019). Estudios previos demuestran que
una segmentación adecuada es una excelente herramienta para incrementar la atención personalizada y
reducir los costos logísticos.
Logística comercial
El tiempo empleado en los traslados largos es uno de los factores que afectan la productividad comercial,
sin embargo, muchas empresas no lo toman en cuenta. Delers (2016) señala que el principio de Pareto
aplica también en las ventas de una compañía, se puede deducir que el 80% de los ingresos proviene del
20% de los clientes, por lo que es clave que estos reciban una atención prioritaria. De la misma manera,
la evidencia indica que los recorridos no planificados aumentan el desgaste vehicular, los riesgos de
accidentes viales y el consumo de gasolina (INEGI, 2023).
METODOLOGÍA
Tipo de estudio.
Para el presente estudio se empleó un enfoque mixto explicativo, los diseños de investigación con
métodos mixtos combinan elementos de tipo cualitativo como cuantitativo y requieren creatividad y
flexibilidad en su construcción (Gómez, J., & Monterde, R., 2022), acorde al presente estudio, en donde
como entrada se obtienen datos tanto cuantitativos como cualitativos para comprender la problemática
desde un enfoque comercial y diseñar una propuesta optimizada.
Interesados en la propuesta.
Se integró la participación de 4 vendedores de una empresa dedicada a la distribución de insumos
industriales, con más de 8 años en la empresa, por lo que se les considera expertos por su conocimiento
en el campo, a los cuales se les aplicó una entrevista semi estructurada sobre sus puntos de vista y los
problemas que ellos identifican en la asignación de clientes y los traslados. También se analizaron los
datos de dos años consecutivos de las encuestas de satisfacción que se realizaron a poco más de 100
clientes de la región.
SCRUM
pág. 4888
Debido a la naturaleza de la propuesta, la dinámica del departamento de ventas y la necesidad de
adaptabilidad ante las interacciones con los clientes, se optó por la utilización de metodologías ágiles,
las cuales se han convertido en una serie de herramientas fundamentales para afrontar los desafíos del
trabajo en proyectos, así como mejorar la calidad el trabajo de las personas (De las Heras del dedo,
Rafael. Álvarez García, A., Lasa Gómez, C.,2018). El método SCRUM sugiere un marco de trabajo que
busca la innovación a partir de equipos autogestionados, utilizado para dar resultados de calidad, en un
corto plazo a través de iteraciones cortas llamadas “Sprints”, además se han documentado casos
prácticos en los que la aplicación de metodologías ágiles como SCRUM ha permitido gestionar
proyectos logísticos complejos de manera incremental, facilitando la toma de decisiones y la entrega
oportuna de resultados (Schwaber & Sutherland, 2020).
Tabla 2. Seguimiento SCRUM de la metodología.
SPRINT Objetivo Actividades Resultado
1 Reconocimiento del
problema y plan de
trabajo
Revisión de históricos, lluvia
de ideas (causas)
planteamiento de plan de
trabajo
Justificación del proyecto y plan
de trabajo inicial
2 Diagnóstico del
problema
Entrevista a vendedores Identificación de problemas de
rutas
3 Recolección de
datos
Ubicación de clientes y
tiempos de traslado
Base de datos georreferenciada
4 Análisis de
información
Mapas de calor y análisis de
visitas
Identificación de zonas
5 Desarrollo de la
propuesta
Clusterización k-means Nueva asignación de clientes
6 Presentación de la
propuesta
Revision de proyecciones y
resultados esperados
Validación de gerencia de
sucursal
Para efectos de la investigación, el modelo SCRUM se utiliza como un marco de gestión del proyecto
Debido a la naturaleza de la propuesta, la dinámica del departamento de ventas y la necesidad de
adaptabilidad ante las interacciones con los clientes, se optó por la utilización de metodologías ágiles,
las cuales se han convertido en una serie de herramientas fundamentales para afrontar los desafíos del
trabajo en proyectos, así como mejorar la calidad el trabajo de las personas (De las Heras del dedo,
Rafael. Álvarez García, A., Lasa Gómez, C.,2018). El método SCRUM sugiere un marco de trabajo que
busca la innovación a partir de equipos autogestionados, utilizado para dar resultados de calidad, en un
corto plazo a través de iteraciones cortas llamadas “Sprints”, además se han documentado casos
prácticos en los que la aplicación de metodologías ágiles como SCRUM ha permitido gestionar
proyectos logísticos complejos de manera incremental, facilitando la toma de decisiones y la entrega
oportuna de resultados (Schwaber & Sutherland, 2020).
Tabla 2. Seguimiento SCRUM de la metodología.
SPRINT Objetivo Actividades Resultado
1 Reconocimiento del
problema y plan de
trabajo
Revisión de históricos, lluvia
de ideas (causas)
planteamiento de plan de
trabajo
Justificación del proyecto y plan
de trabajo inicial
2 Diagnóstico del
problema
Entrevista a vendedores Identificación de problemas de
rutas
3 Recolección de
datos
Ubicación de clientes y
tiempos de traslado
Base de datos georreferenciada
4 Análisis de
información
Mapas de calor y análisis de
visitas
Identificación de zonas
5 Desarrollo de la
propuesta
Clusterización k-means Nueva asignación de clientes
6 Presentación de la
propuesta
Revision de proyecciones y
resultados esperados
Validación de gerencia de
sucursal
Para efectos de la investigación, el modelo SCRUM se utiliza como un marco de gestión del proyecto
pág. 4889
para la organización de las reuniones, la recopilación de información de los vendedores y la validación
iterativa de la propuesta.
Recolección de datos
Se utilizaron las siguientes fuentes para la recolección de información:
Datos cuantitativos:
- Registro de visitas del CRM correspondientes a octubre 2024.
- Clasificación de clientes ABC.
- Coordenadas geográficas de los clientes.
- Distancias y tiempos de recorrido.
Se tomaron datos del CRM de la empresa, con la finalidad de realizar el ejercicio con información de
un mes previo, en este caso octubre del 2024, en el cual uno de los vendedores realizó un total de 43
visitas, en 20 de los 23 días hábiles que tiene este mes, y se consideraron los siguientes tiempos de visitas
para estos clientes:
- 90 minutos para clientes tipo A
- 45 minutos para clientes tipo B
- 30 minutos para clientes tipo C
En estas visitas se cubrió un tiempo total de 2025 minutos, es decir:
2025
60 = 33.75 ℎ𝑜𝑟𝑎𝑠 (1)
Y considerando las ubicaciones de los clientes, en el traslado se calcula como 1248 minutos para poder
realizar estas visitas, es decir:
1248
60 = 20.80 ℎ𝑜𝑟𝑎𝑠 (2)
Y, por último, en estas 43 visitas se recorrieron un total de 1,047.6 Km, que si se considera un
rendimiento de combustible de 16 Km/litro y un costo de $24 por litro de combustible, se obtiene lo
siguiente:
1047.6
16 = 65.475 𝑙𝑖𝑡𝑟𝑜𝑠 𝑑𝑒 𝑐𝑜𝑚𝑏𝑢𝑠𝑡𝑖𝑏𝑙𝑒 (3)
65.475 ∗ 24 = $1,571.4 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑐𝑜𝑚𝑏𝑢𝑠𝑡𝑖𝑏𝑙𝑒 (4)
Se revisaron de la base de datos, las coordenadas de los 149 clientes asignados a los 4 vendedores, con
para la organización de las reuniones, la recopilación de información de los vendedores y la validación
iterativa de la propuesta.
Recolección de datos
Se utilizaron las siguientes fuentes para la recolección de información:
Datos cuantitativos:
- Registro de visitas del CRM correspondientes a octubre 2024.
- Clasificación de clientes ABC.
- Coordenadas geográficas de los clientes.
- Distancias y tiempos de recorrido.
Se tomaron datos del CRM de la empresa, con la finalidad de realizar el ejercicio con información de
un mes previo, en este caso octubre del 2024, en el cual uno de los vendedores realizó un total de 43
visitas, en 20 de los 23 días hábiles que tiene este mes, y se consideraron los siguientes tiempos de visitas
para estos clientes:
- 90 minutos para clientes tipo A
- 45 minutos para clientes tipo B
- 30 minutos para clientes tipo C
En estas visitas se cubrió un tiempo total de 2025 minutos, es decir:
2025
60 = 33.75 ℎ𝑜𝑟𝑎𝑠 (1)
Y considerando las ubicaciones de los clientes, en el traslado se calcula como 1248 minutos para poder
realizar estas visitas, es decir:
1248
60 = 20.80 ℎ𝑜𝑟𝑎𝑠 (2)
Y, por último, en estas 43 visitas se recorrieron un total de 1,047.6 Km, que si se considera un
rendimiento de combustible de 16 Km/litro y un costo de $24 por litro de combustible, se obtiene lo
siguiente:
1047.6
16 = 65.475 𝑙𝑖𝑡𝑟𝑜𝑠 𝑑𝑒 𝑐𝑜𝑚𝑏𝑢𝑠𝑡𝑖𝑏𝑙𝑒 (3)
65.475 ∗ 24 = $1,571.4 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑐𝑜𝑚𝑏𝑢𝑠𝑡𝑖𝑏𝑙𝑒 (4)
Se revisaron de la base de datos, las coordenadas de los 149 clientes asignados a los 4 vendedores, con
pág. 4890
la finalidad de generar los mapas de distribución de los vendedores y poder ubicar la zona de acción de
cada uno, para este procesamiento y análisis se empleó el lenguaje de programación Python, debido a
su amplia disponibilidad de bibliotecas para el análisis de datos, procesamiento geoespacial y algoritmos
de aprendizaje automático, además de que no tiene que compilarse, lo cual también es una ventaja en
tiempo de compilación, otro de los motivos por el cual se decide usar Python para el análisis de la
información, es que al ser un lenguaje multiplataforma permite que el programa pueda correr sin ningún
problema en diferentes plataformas o sistemas operativos (Pineda Pertuz, C. M. (2022)).
Figura 4. Distribución espacial de clientes asignados de la compañía.
La información recopilada permitió establecer una línea base del esquema de asignación territorial y
proporciono el conjunto de datos de entrada para la aplicación del algoritmo k-means. A partir de las
coordenadas geográficas y de la clasificación de clientes, fue posible generar la distribución espacial
inicial de la cartera comercial, la cual es la referencia para comparar el modelo propuesto respecto a la
asignación utilizada por la compañía.
Datos cualitativos.
Además de la información cuantitativa obtenida, se recopilaron datos cualitativos mediante entrevistas
y sesiones de retroalimentación con la fuerza de ventas. Esta información permitió comprender el
proceso actual de asignación de clientes, identificar criterios operativos que no se encuentran es las bases
de datos y validad la factibilidad de la propuesta desarrollada. La incorporación de estos elementos
buscó complementar el análisis cuantitativo y asegurar que la solución propuesta fuera técnicamente
adecuada y operativamente aplicable.
La entrevista es un método de recolección de datos muy utilizado en una investigación cualitativa, en la
cual mediante la comunicación verbal se obtiene información sobre un tema definido. Existen diversos
la finalidad de generar los mapas de distribución de los vendedores y poder ubicar la zona de acción de
cada uno, para este procesamiento y análisis se empleó el lenguaje de programación Python, debido a
su amplia disponibilidad de bibliotecas para el análisis de datos, procesamiento geoespacial y algoritmos
de aprendizaje automático, además de que no tiene que compilarse, lo cual también es una ventaja en
tiempo de compilación, otro de los motivos por el cual se decide usar Python para el análisis de la
información, es que al ser un lenguaje multiplataforma permite que el programa pueda correr sin ningún
problema en diferentes plataformas o sistemas operativos (Pineda Pertuz, C. M. (2022)).
Figura 4. Distribución espacial de clientes asignados de la compañía.
La información recopilada permitió establecer una línea base del esquema de asignación territorial y
proporciono el conjunto de datos de entrada para la aplicación del algoritmo k-means. A partir de las
coordenadas geográficas y de la clasificación de clientes, fue posible generar la distribución espacial
inicial de la cartera comercial, la cual es la referencia para comparar el modelo propuesto respecto a la
asignación utilizada por la compañía.
Datos cualitativos.
Además de la información cuantitativa obtenida, se recopilaron datos cualitativos mediante entrevistas
y sesiones de retroalimentación con la fuerza de ventas. Esta información permitió comprender el
proceso actual de asignación de clientes, identificar criterios operativos que no se encuentran es las bases
de datos y validad la factibilidad de la propuesta desarrollada. La incorporación de estos elementos
buscó complementar el análisis cuantitativo y asegurar que la solución propuesta fuera técnicamente
adecuada y operativamente aplicable.
La entrevista es un método de recolección de datos muy utilizado en una investigación cualitativa, en la
cual mediante la comunicación verbal se obtiene información sobre un tema definido. Existen diversos
pág. 4891
métodos de entrevista, que se pueden clasificar según su nivel de estructura, como pueden ser la
estructurada, semiestructurada o libre, o bien, por su directividad como pueden ser la dirigida o no
dirigida, o por el número de participantes como puede ser individual o grupal (Kvale Steinar, 2011).
Para poder llevar a cabo una entrevista abductiva se requieren seguir ciertos pasos como:
- Definir el problema
- Seleccionar a los entrevistados
- Diseñar la guía de entrevista
- Desarrollar la entrevista con actitud exploratoria
- Analizar los datos con lógica abductiva
- Reflexionar y replantear
Es importante definir si la entrevista que se va a realizar será estructurada o semiestructurada,
recordando que una entrevista estructurada es aquella que sigue un formato rígido y no se presta a
cambios ni adaptaciones, además de que en los resultados se puede obtener información uniforme y
cuantificables, en cambio una entrevista semiestructurada suele ser más flexible, aunque tiene preguntas
establecidas que permiten realizar cambios con la finalidad de profundizar en las respuestas del
entrevistado, además el entrevistador tiene la posibilidad de modificar el orden o formular nuevas
preguntas a partir de las respuestas, por lo que me parece que el enfoque de la entrevista debe ser del
tipo estructurada, con la finalidad de tener la información completa de acuerdo al enfoque de cada uno
de los vendedores, y ver si hay algún punto que no se esté tomando en cuenta al momento de plantear
el tema de investigación.
Se propone la siguiente estructura para la entrevista a los vendedores:
1.- ¿Qué beneficios o ventajas te da la realización de visitas?
2.- Actualmente ¿Cómo organizas tus visitas?
3.- ¿Qué criterios utilizas para definir que clientes visitar primero?
4.- ¿Estarías dispuesto a cambiar a tus clientes actuales por otros que te permitan organizar mejor tus
visitas? ¿Por qué?
5.- ¿Cómo consideras que influye el tiempo de traslado entre visitas en tu productividad?
métodos de entrevista, que se pueden clasificar según su nivel de estructura, como pueden ser la
estructurada, semiestructurada o libre, o bien, por su directividad como pueden ser la dirigida o no
dirigida, o por el número de participantes como puede ser individual o grupal (Kvale Steinar, 2011).
Para poder llevar a cabo una entrevista abductiva se requieren seguir ciertos pasos como:
- Definir el problema
- Seleccionar a los entrevistados
- Diseñar la guía de entrevista
- Desarrollar la entrevista con actitud exploratoria
- Analizar los datos con lógica abductiva
- Reflexionar y replantear
Es importante definir si la entrevista que se va a realizar será estructurada o semiestructurada,
recordando que una entrevista estructurada es aquella que sigue un formato rígido y no se presta a
cambios ni adaptaciones, además de que en los resultados se puede obtener información uniforme y
cuantificables, en cambio una entrevista semiestructurada suele ser más flexible, aunque tiene preguntas
establecidas que permiten realizar cambios con la finalidad de profundizar en las respuestas del
entrevistado, además el entrevistador tiene la posibilidad de modificar el orden o formular nuevas
preguntas a partir de las respuestas, por lo que me parece que el enfoque de la entrevista debe ser del
tipo estructurada, con la finalidad de tener la información completa de acuerdo al enfoque de cada uno
de los vendedores, y ver si hay algún punto que no se esté tomando en cuenta al momento de plantear
el tema de investigación.
Se propone la siguiente estructura para la entrevista a los vendedores:
1.- ¿Qué beneficios o ventajas te da la realización de visitas?
2.- Actualmente ¿Cómo organizas tus visitas?
3.- ¿Qué criterios utilizas para definir que clientes visitar primero?
4.- ¿Estarías dispuesto a cambiar a tus clientes actuales por otros que te permitan organizar mejor tus
visitas? ¿Por qué?
5.- ¿Cómo consideras que influye el tiempo de traslado entre visitas en tu productividad?
pág. 4892
6.- ¿Puedes describirme sobre una ocasión en la que consideres que perdiste mucho tiempo en los
traslados?
7.- ¿Hay alguien cliente que no te gustaría cambiar? ¿Por qué?
8.- ¿Cómo podría determinarse de manera justa una nueva asignación de clientes para que puedas
organizar mejor tus visitas?
9.- ¿Cuál es tu mayor desafío al momento de organizar tus visitas?
10.- ¿Identificas alguna zona que consideres que el traslado es más complicado?
11.- ¿Qué es lo que más te frustra cuando organizas tus visitas?
12.- Si pudieras cambiar algo en la asignación de clientes ¿Qué sería?
13.- ¿Cómo crees que se podría mejorar la asignación de clientes?
14- ¿Como impactaría en tu trabajo una mejor asignación de clientes?
15.- ¿Como afectan los tiempos de traslados en la calidad del servicio que ofreces a tus clientes?
16.- ¿Hay alguna estrategia que utilices para optimizar tus tiempos de traslados?
17.- ¿Alguna vez has tenido problemas con tus clientes debido a retrasos o cambios en tus rutas?
18.- ¿Consideras que los traslados largos afectan tu estado físico o mental? ¿Por qué?
19.- ¿Consideras que una clasificación por zona podría reducir riesgos de accidentes o fatiga? ¿Por qué?
20.- Si los clientes estuvieran mejor clasificados ¿Cómo consideras que cambiaría tu día laboral?
21.- ¿Tienes algún comentario o aportación que te gustaría agregar sobre este tema?
Una vez realizada la codificación de las claves de las entrevistas, se procede a agruparlos en diferentes
categorías, de manera que posteriormente podamos realizar una cuantificación de estas categorías:
Tabla 3: Agrupación de claves de entrevistas
Categoría Claves relacionadas
Organización
geográfica
Organización geográfica, zonificación de visitas, eficiencia logística, zona
problemática, frustración logística, mejora en rutas, problemas logísticos.
Mejora en asignación.
Eficiencia y
productividad
Resolución de problemas, prioridad por relevancia, prioridad por urgencia,
programación eficiente, urgencias y prioridades, eficiencia de tiempo,
impacto en productividad, impacto positivo en prospección, mayor
eficiencia operativa, mejora al rendimiento.
Relación con clientes Cercanía con el cliente, experiencia negativa, fidelidad por desarrollo,
6.- ¿Puedes describirme sobre una ocasión en la que consideres que perdiste mucho tiempo en los
traslados?
7.- ¿Hay alguien cliente que no te gustaría cambiar? ¿Por qué?
8.- ¿Cómo podría determinarse de manera justa una nueva asignación de clientes para que puedas
organizar mejor tus visitas?
9.- ¿Cuál es tu mayor desafío al momento de organizar tus visitas?
10.- ¿Identificas alguna zona que consideres que el traslado es más complicado?
11.- ¿Qué es lo que más te frustra cuando organizas tus visitas?
12.- Si pudieras cambiar algo en la asignación de clientes ¿Qué sería?
13.- ¿Cómo crees que se podría mejorar la asignación de clientes?
14- ¿Como impactaría en tu trabajo una mejor asignación de clientes?
15.- ¿Como afectan los tiempos de traslados en la calidad del servicio que ofreces a tus clientes?
16.- ¿Hay alguna estrategia que utilices para optimizar tus tiempos de traslados?
17.- ¿Alguna vez has tenido problemas con tus clientes debido a retrasos o cambios en tus rutas?
18.- ¿Consideras que los traslados largos afectan tu estado físico o mental? ¿Por qué?
19.- ¿Consideras que una clasificación por zona podría reducir riesgos de accidentes o fatiga? ¿Por qué?
20.- Si los clientes estuvieran mejor clasificados ¿Cómo consideras que cambiaría tu día laboral?
21.- ¿Tienes algún comentario o aportación que te gustaría agregar sobre este tema?
Una vez realizada la codificación de las claves de las entrevistas, se procede a agruparlos en diferentes
categorías, de manera que posteriormente podamos realizar una cuantificación de estas categorías:
Tabla 3: Agrupación de claves de entrevistas
Categoría Claves relacionadas
Organización
geográfica
Organización geográfica, zonificación de visitas, eficiencia logística, zona
problemática, frustración logística, mejora en rutas, problemas logísticos.
Mejora en asignación.
Eficiencia y
productividad
Resolución de problemas, prioridad por relevancia, prioridad por urgencia,
programación eficiente, urgencias y prioridades, eficiencia de tiempo,
impacto en productividad, impacto positivo en prospección, mayor
eficiencia operativa, mejora al rendimiento.
Relación con clientes Cercanía con el cliente, experiencia negativa, fidelidad por desarrollo,
pág. 4893
efecto en calidad del servicio, impacto en imagen.
Problemas
Administrativos
Carga administrativa, conflicto de prioridades, conflictos de agenda.
Salud física y mental Salud física y mental, reducción de riesgos
Apertura al cambio Apertura al cambio
Valor estratégico Estrategia de priorización, estrategia de agrupación, estrategia personal,
estrategia de organización eficiencia estratégica, beneficio organizacional,
enfoque estratégico, ventaja competitiva, criterios estratégicos adicionales,
enfoque en rentabilidad.
Criterios de asignación Criterios de reasignación, reorganización geográfica
Impactos negativos del
traslado
problemas por retrasos, interrupciones no planeadas, reprogramación por
urgencia, pérdida de tiempo
Después de esto se puede hacer la cuantificación de las menciones de las categorías definidas:
efecto en calidad del servicio, impacto en imagen.
Problemas
Administrativos
Carga administrativa, conflicto de prioridades, conflictos de agenda.
Salud física y mental Salud física y mental, reducción de riesgos
Apertura al cambio Apertura al cambio
Valor estratégico Estrategia de priorización, estrategia de agrupación, estrategia personal,
estrategia de organización eficiencia estratégica, beneficio organizacional,
enfoque estratégico, ventaja competitiva, criterios estratégicos adicionales,
enfoque en rentabilidad.
Criterios de asignación Criterios de reasignación, reorganización geográfica
Impactos negativos del
traslado
problemas por retrasos, interrupciones no planeadas, reprogramación por
urgencia, pérdida de tiempo
Después de esto se puede hacer la cuantificación de las menciones de las categorías definidas:
pág. 4894
Tabla 4: Cuantificación de menciones por categoría
Categoría Menciones
Organización geográfica 22
Eficiencia y productividad 19
Relación con clientes 9
Problemas Administrativos 5
Salud física y mental 8
Apertura al cambio 3
Valor estratégico 10
Criterios de asignación 4
Impactos negativos del
traslado
4
De este cuestionamiento, se resume que para todos los vendedores es importante el mejorar la asignación
de sus clientes, ya que asumen que, al recortar los recorridos, tanto en tiempo como en kilometraje,
tendrían mayor tiempo para cumplir con sus otras obligaciones, podrían atraer más clientes, hacer un
mejor uso de la gasolina que les ofrece la compañía para sus actividades, menor desgaste en su coche y
se sentirían menos inseguros.
También, dentro de las reuniones de la metodología SCRUM que se realizaron con la fuerza de ventas,
se realizó el ejercicio de una lluvia de ideas (Atlassian, 2024), con la finalidad de conocer en equipo
cuales eran las causas que ocasionaban la problemática presentada en la asignación de clientes actual,
en donde destacaron las siguientes causas:
Tabla 4: Cuantificación de menciones por categoría
Categoría Menciones
Organización geográfica 22
Eficiencia y productividad 19
Relación con clientes 9
Problemas Administrativos 5
Salud física y mental 8
Apertura al cambio 3
Valor estratégico 10
Criterios de asignación 4
Impactos negativos del
traslado
4
De este cuestionamiento, se resume que para todos los vendedores es importante el mejorar la asignación
de sus clientes, ya que asumen que, al recortar los recorridos, tanto en tiempo como en kilometraje,
tendrían mayor tiempo para cumplir con sus otras obligaciones, podrían atraer más clientes, hacer un
mejor uso de la gasolina que les ofrece la compañía para sus actividades, menor desgaste en su coche y
se sentirían menos inseguros.
También, dentro de las reuniones de la metodología SCRUM que se realizaron con la fuerza de ventas,
se realizó el ejercicio de una lluvia de ideas (Atlassian, 2024), con la finalidad de conocer en equipo
cuales eran las causas que ocasionaban la problemática presentada en la asignación de clientes actual,
en donde destacaron las siguientes causas:
pág. 4895
Figura 5. Resultados de la lluvia de ideas.
Posteriormente, para conocer las causas de nuestro problema de investigación y sus efectos, se procede
a realizar un Diagrama Causa- Efecto (Ishikawa, K. 2013). También conocido como Diagrama de
Ishikawa con ayuda de la herramienta 6m, la cual va a permitir explorar los problemas de múltiples
maneras:
Figura 6. Diagrama de Ishikawa.
La información cualitativa, no fue utilizada como variable de entrada en el proceso del algoritmo de
clusterización, sino como un elemento complementario en el análisis y diagnóstico del proceso actual y
la validación de la propuesta. Las entrevistas con la fuerza de ventas ayudaron a identificar los criterios
de asignación territorial utilizados por la empresa, así como las restricciones operativas y aspectos
prácticos que no se encontraban en el CRM. Además, gracias a las sesiones de retroalimentación
realizadas bajo el marco de SCRUM, fue posible evaluar la factibilidad operativa de la nueva
distribución territorial propuesta por el algoritmo K-means, fortaleciendo la viabilidad de la
implementación.
Figura 5. Resultados de la lluvia de ideas.
Posteriormente, para conocer las causas de nuestro problema de investigación y sus efectos, se procede
a realizar un Diagrama Causa- Efecto (Ishikawa, K. 2013). También conocido como Diagrama de
Ishikawa con ayuda de la herramienta 6m, la cual va a permitir explorar los problemas de múltiples
maneras:
Figura 6. Diagrama de Ishikawa.
La información cualitativa, no fue utilizada como variable de entrada en el proceso del algoritmo de
clusterización, sino como un elemento complementario en el análisis y diagnóstico del proceso actual y
la validación de la propuesta. Las entrevistas con la fuerza de ventas ayudaron a identificar los criterios
de asignación territorial utilizados por la empresa, así como las restricciones operativas y aspectos
prácticos que no se encontraban en el CRM. Además, gracias a las sesiones de retroalimentación
realizadas bajo el marco de SCRUM, fue posible evaluar la factibilidad operativa de la nueva
distribución territorial propuesta por el algoritmo K-means, fortaleciendo la viabilidad de la
implementación.
pág. 4896
Datos institucionales
- Encuestas de satisfacción del 2024 y 2025
Se analizaron las encuestas de satisfacción de los últimos dos años, esto con la finalidad si recabar
información sobre el nivel de satisfacción que tienen los clientes por el servicio otorgado por la empresa,
teniendo los siguientes resultados:
Tabla 5: Respuesta de encuestas de satisfacción 2024 y 2025.
Pregunta 2024 2025
Si No Si No
¿Ha tenido algún problema? 21% 79% 33% 66%
¿El problema va enfocado al servicio? 5% 95% 8% 92%
¿Satisfecho con la atención del ejecutivo? 94% 6% 97% 3%
¿Ha considerado cambiar de proveedor? 14% 86% 27% 73%
¿Recomendaría nuestros servicios? 79% 21% 59% 41%
Por lo que, considerando lo que dicen Kotler y Keller (2016) en su libro “Marketing Management, 15
edición” que en promedio el 40% de los clientes que sufren una mala experiencia de servicio, dejan de
hacer negocio con la empresa, pero si esos clientes están dispuestos a quejarse primero, en realidad le
ofrecen a la empresa un regalo si la queja se maneja bien, por lo que es importante tener esto en cuenta
para poder mejorar la impresión de estos clientes hacia la compañía.
Los resultados de las encuestas de satisfacción permitieron identificar que la satisfacción de los clientes
depende en gran medida de la calidad del servicio comercial, por lo que cualquier propuesta de
reasignación territorial debía preservar la continuidad de la atención sin afectar la percepción del cliente.
Segmentación mediante k-means
En esta parte del estudio, se buscó segmentar a los clientes con una metodología K-means, la cual es un
método de aprendizaje no supervisado para categorizar puntos de datos discretos según su similitud
(Abdullahi et al., 2024).
Con ayuda de un algoritmo en Python, se realizó esta segmentación con la información que se recopila
de la base de datos de los 149 clientes más importantes de la empresa los cuales son asignados a los 4
Datos institucionales
- Encuestas de satisfacción del 2024 y 2025
Se analizaron las encuestas de satisfacción de los últimos dos años, esto con la finalidad si recabar
información sobre el nivel de satisfacción que tienen los clientes por el servicio otorgado por la empresa,
teniendo los siguientes resultados:
Tabla 5: Respuesta de encuestas de satisfacción 2024 y 2025.
Pregunta 2024 2025
Si No Si No
¿Ha tenido algún problema? 21% 79% 33% 66%
¿El problema va enfocado al servicio? 5% 95% 8% 92%
¿Satisfecho con la atención del ejecutivo? 94% 6% 97% 3%
¿Ha considerado cambiar de proveedor? 14% 86% 27% 73%
¿Recomendaría nuestros servicios? 79% 21% 59% 41%
Por lo que, considerando lo que dicen Kotler y Keller (2016) en su libro “Marketing Management, 15
edición” que en promedio el 40% de los clientes que sufren una mala experiencia de servicio, dejan de
hacer negocio con la empresa, pero si esos clientes están dispuestos a quejarse primero, en realidad le
ofrecen a la empresa un regalo si la queja se maneja bien, por lo que es importante tener esto en cuenta
para poder mejorar la impresión de estos clientes hacia la compañía.
Los resultados de las encuestas de satisfacción permitieron identificar que la satisfacción de los clientes
depende en gran medida de la calidad del servicio comercial, por lo que cualquier propuesta de
reasignación territorial debía preservar la continuidad de la atención sin afectar la percepción del cliente.
Segmentación mediante k-means
En esta parte del estudio, se buscó segmentar a los clientes con una metodología K-means, la cual es un
método de aprendizaje no supervisado para categorizar puntos de datos discretos según su similitud
(Abdullahi et al., 2024).
Con ayuda de un algoritmo en Python, se realizó esta segmentación con la información que se recopila
de la base de datos de los 149 clientes más importantes de la empresa los cuales son asignados a los 4
pág. 4897
vendedores de la compañía, por lo que consideramos que el número de clústeres (K)= 4, y se obtiene el
siguiente resultado:
Figura 7. Segmentación de clientes con k-means clustering.
En donde:
Vendedor 1 (Azul): Norte
Vendedor 2 (Morado): Este
Vendedor 3 (Rojo): Sur/Oeste
Vendedor 4 (Verde): Centro
RESULTADOS Y DISCUSIÓN
Para hacer una comparativa con la propuesta, se toman los datos del CRM sobre las visitas realizadas
por uno de los vendedores en octubre del 2024, se puede observar que, en este mes, el vendedor realizó
un total de 43 visitas, en la cuales recorrió un total de 1,047.6 Km, e invirtió un total de 20.8 horas totales
en los traslados, además de 33.75 horas efectivas de visitas, esta información se utilizará para hacer una
comparación con la nueva propuesta.
El resultado de la clusterización realizada, arroja que de los 149 clientes que se evaluaron, les
corresponde un total de entre 37 y 38 clientes a cada uno de los vendedores de la empresa, se procede a
aplicar la nueva distribución de clientes a la fuerza de ventas, con la finalidad de hacer una comparación
con la información que se obtuvo de las visitas de octubre del 2024 de uno de los vendedores, a quien
con la asignación anterior a la propuesta, llevaba un total de 43 clientes, y con la nueva asignación, le
corresponden un total de 38 clientes. Se observa que en ambas propuestas únicamente coinciden un total
de 12 clientes, por lo que los 26 restantes son clientes a los que anteriormente no solía atender el
vendedores de la compañía, por lo que consideramos que el número de clústeres (K)= 4, y se obtiene el
siguiente resultado:
Figura 7. Segmentación de clientes con k-means clustering.
En donde:
Vendedor 1 (Azul): Norte
Vendedor 2 (Morado): Este
Vendedor 3 (Rojo): Sur/Oeste
Vendedor 4 (Verde): Centro
RESULTADOS Y DISCUSIÓN
Para hacer una comparativa con la propuesta, se toman los datos del CRM sobre las visitas realizadas
por uno de los vendedores en octubre del 2024, se puede observar que, en este mes, el vendedor realizó
un total de 43 visitas, en la cuales recorrió un total de 1,047.6 Km, e invirtió un total de 20.8 horas totales
en los traslados, además de 33.75 horas efectivas de visitas, esta información se utilizará para hacer una
comparación con la nueva propuesta.
El resultado de la clusterización realizada, arroja que de los 149 clientes que se evaluaron, les
corresponde un total de entre 37 y 38 clientes a cada uno de los vendedores de la empresa, se procede a
aplicar la nueva distribución de clientes a la fuerza de ventas, con la finalidad de hacer una comparación
con la información que se obtuvo de las visitas de octubre del 2024 de uno de los vendedores, a quien
con la asignación anterior a la propuesta, llevaba un total de 43 clientes, y con la nueva asignación, le
corresponden un total de 38 clientes. Se observa que en ambas propuestas únicamente coinciden un total
de 12 clientes, por lo que los 26 restantes son clientes a los que anteriormente no solía atender el
pág. 4898
vendedor, en total se obtuvieron los resultados expuestos en la siguiente tabla:
Tabla 6. Análisis de resultados de la propuesta.
Indicador Sistema Actual Nueva Propuesta
Clientes por vendedor 43 38
Total de km recorridos 1,047.6 Km 796.2 Km
Km entre clientes más
distantes
115 Km 69.5 Km
Tiempo invertido en traslados 20.8 horas 15.7 horas
Tiempo invertido en visitas 33.75 horas 28.5 horas
Litros de combustible 65.4 litros 49.7 horas
Costo de combustible $1,571.4 $1,194.2
Para asegurar la consistencia en el análisis comparativo, se establecen las siguientes condiciones:
- Periodo de análisis: 1 mes de operación.
- Cobertura geográfica: Clientes de sucursal Querétaro.
- Restricciones operativas: Mismas capacidades de atención, números de ejecutivos y horarios
laborales.
- Herramientas de análisis: Para la asignación actual se utilizaron los recorridos reales registrados,
por otro lado, en la propuesta se evalúan rutas optimizadas generadas a partir del modelo de asignación
planteado.
Teniendo estos datos, el siguiente paso es hacer una proyección, ya que como se puede observar, la
cantidad de clientes asignados al ejecutivo 1 disminuyó de 43 a 38 clientes, por lo que se debe calcular
la diferencia que existe entre estos dos datos para poder hacer la proyección que ayude a realizar de
mejor manera el análisis correspondiente, se realiza mediante la siguiente fórmula:
𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 = 𝑉𝑎𝑙𝑜𝑟 1−𝑉𝑎𝑙𝑜𝑟 2
𝑉𝑎𝑙𝑜𝑟 2 ∗ 100 (5)
Por lo que tenemos:
𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 = 43−38
38 ∗ 100 = 13.157% (6)
vendedor, en total se obtuvieron los resultados expuestos en la siguiente tabla:
Tabla 6. Análisis de resultados de la propuesta.
Indicador Sistema Actual Nueva Propuesta
Clientes por vendedor 43 38
Total de km recorridos 1,047.6 Km 796.2 Km
Km entre clientes más
distantes
115 Km 69.5 Km
Tiempo invertido en traslados 20.8 horas 15.7 horas
Tiempo invertido en visitas 33.75 horas 28.5 horas
Litros de combustible 65.4 litros 49.7 horas
Costo de combustible $1,571.4 $1,194.2
Para asegurar la consistencia en el análisis comparativo, se establecen las siguientes condiciones:
- Periodo de análisis: 1 mes de operación.
- Cobertura geográfica: Clientes de sucursal Querétaro.
- Restricciones operativas: Mismas capacidades de atención, números de ejecutivos y horarios
laborales.
- Herramientas de análisis: Para la asignación actual se utilizaron los recorridos reales registrados,
por otro lado, en la propuesta se evalúan rutas optimizadas generadas a partir del modelo de asignación
planteado.
Teniendo estos datos, el siguiente paso es hacer una proyección, ya que como se puede observar, la
cantidad de clientes asignados al ejecutivo 1 disminuyó de 43 a 38 clientes, por lo que se debe calcular
la diferencia que existe entre estos dos datos para poder hacer la proyección que ayude a realizar de
mejor manera el análisis correspondiente, se realiza mediante la siguiente fórmula:
𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 = 𝑉𝑎𝑙𝑜𝑟 1−𝑉𝑎𝑙𝑜𝑟 2
𝑉𝑎𝑙𝑜𝑟 2 ∗ 100 (5)
Por lo que tenemos:
𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 = 43−38
38 ∗ 100 = 13.157% (6)
pág. 4899
Ahora, se procede a realizar la proyección de los resultados, sumando esta diferencia a los valores
obtenidos, para poder obtener la siguiente tabla, en donde se van a observar los datos iniciales, la
proyección de la nueva propuesta y el porcentaje de mejora que se tendría si se tuvieran la misma
cantidad de cliente (43) en ambas opciones:
Tabla 7. Propuesta de análisis de resultados.
Indicador Sistema Actual Nueva Propuesta Mejora %
Clientes por vendedor 43 43 0
Total de km recorridos 1,047.6 Km 901.4 Km 13.9%
Km entre clientes más
distantes
115 Km 78.7 Km 31.5%
Tiempo invertido en
traslados
20.8 horas 17.8 horas 14.42%
Tiempo invertido en
visitas
33.75 horas 33.45 horas 0.8%
Litros de combustible 65.4 litros 56.33 horas 13.9%
Costo de combustible $1,571.4 $1,351.20 14%
Se puede observar que con este ejercicio de clusterización con k-means, el cual corresponde a una
simulación basada en el nuevo esquema, en el cual, asignando a los clientes con datos y análisis, de
primera instancia se logró una disminución del 31.5% entre las distancias de los clientes más distantes
del vendedor, lo que aportó para que en el mes completo se observará una disminución del 13.9% en los
km totales recorridos, la misma disminución en la cantidad de litros consumidos durante el mes y
aproximadamente el mismo porcentaje en el costo del combustible total usado.
Resultados operativos cuantificables:
- Reducción de kilómetros recorridos: 13.9%
- Reducción de tiempos de traslado: 14.42%
- Reducción de consumo de combustible: 13.9%
- Reducción de costo operativo directo: 14%
Ahora, se procede a realizar la proyección de los resultados, sumando esta diferencia a los valores
obtenidos, para poder obtener la siguiente tabla, en donde se van a observar los datos iniciales, la
proyección de la nueva propuesta y el porcentaje de mejora que se tendría si se tuvieran la misma
cantidad de cliente (43) en ambas opciones:
Tabla 7. Propuesta de análisis de resultados.
Indicador Sistema Actual Nueva Propuesta Mejora %
Clientes por vendedor 43 43 0
Total de km recorridos 1,047.6 Km 901.4 Km 13.9%
Km entre clientes más
distantes
115 Km 78.7 Km 31.5%
Tiempo invertido en
traslados
20.8 horas 17.8 horas 14.42%
Tiempo invertido en
visitas
33.75 horas 33.45 horas 0.8%
Litros de combustible 65.4 litros 56.33 horas 13.9%
Costo de combustible $1,571.4 $1,351.20 14%
Se puede observar que con este ejercicio de clusterización con k-means, el cual corresponde a una
simulación basada en el nuevo esquema, en el cual, asignando a los clientes con datos y análisis, de
primera instancia se logró una disminución del 31.5% entre las distancias de los clientes más distantes
del vendedor, lo que aportó para que en el mes completo se observará una disminución del 13.9% en los
km totales recorridos, la misma disminución en la cantidad de litros consumidos durante el mes y
aproximadamente el mismo porcentaje en el costo del combustible total usado.
Resultados operativos cuantificables:
- Reducción de kilómetros recorridos: 13.9%
- Reducción de tiempos de traslado: 14.42%
- Reducción de consumo de combustible: 13.9%
- Reducción de costo operativo directo: 14%
pág. 4900
Resultados estratégicos (impacto organizacional):
- Mayor tiempo efectivo para actividades comerciales.
- Menor fatiga y riesgo vial.
- Mejor percepción de equidad territorial entre la fuerza de ventas.
- Mayor alineación con escenarios de reducción de jornada laboral.
Estos resultados, además de evidenciar una mejora operativa, también generan un impacto estratégico
en la gestión del tiempo, la sostenibilidad operativa y la capacidad de adaptación de la fuerza de ventas.
Indicador de productividad:
El manual de la OECD sobre la medición de productividad establece como concepto general que la
productividad se define como la relación que hay entre los resultados obtenidos y los recursos utilizados
(OECD, 2001). Por lo que se sugiere la siguiente fórmula para obtener la productividad:
𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑑𝑎𝑑 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑒𝑓𝑒𝑐𝑡𝑖𝑣𝑜 𝑒𝑛 𝑣𝑖𝑠𝑖𝑡𝑎𝑠
𝑇𝑖𝑒𝑚𝑝𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑗𝑜𝑟𝑛𝑎𝑑𝑎 (7)
Donde: Tiempo total de la jornada: Tiempo en visitas + Tiempo en traslado
Sistema anterior:
𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑑𝑎𝑑 = 33.75 ℎ𝑜𝑟𝑎𝑠
(33.75+20.8) = 61.80% (8)
Nueva propuesta:
𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑑𝑎𝑑 = 33.45 ℎ𝑜𝑟𝑎𝑠
(33.45+17.8) = 65.30% (9)
Como se puede observar, se obtuvo un incremento en la productividad con la nueva propuesta de 3.5
puntos porcentuales, lo que demuestra una mejora directa en la productividad del vendedor sin
incrementar su carga laboral.
Los resultados obtenidos son consistentes con investigaciones previas relacionadas con la gestión de la
fuerza de ventas y la optimización logística. En primero lugar, la mejora observada en la distribución
territorial de los clientes coincide con lo señalado por Jordan y Vazzana (2021), quienes destacan que
la ausencia de criterios objetivos en la asignación de clientes puede causar desequilibrios en la carga de
trabajo de los vendedores y afectar su productividad. Asimismo, la implementación de SCRUM como
metodología de gestión facilitó la participación del equipo comercial durante el desarrollo de la
propuesta, como lo sugieren Göksu y Özbek (2020), quienes señalan que las metodologías ágiles
Resultados estratégicos (impacto organizacional):
- Mayor tiempo efectivo para actividades comerciales.
- Menor fatiga y riesgo vial.
- Mejor percepción de equidad territorial entre la fuerza de ventas.
- Mayor alineación con escenarios de reducción de jornada laboral.
Estos resultados, además de evidenciar una mejora operativa, también generan un impacto estratégico
en la gestión del tiempo, la sostenibilidad operativa y la capacidad de adaptación de la fuerza de ventas.
Indicador de productividad:
El manual de la OECD sobre la medición de productividad establece como concepto general que la
productividad se define como la relación que hay entre los resultados obtenidos y los recursos utilizados
(OECD, 2001). Por lo que se sugiere la siguiente fórmula para obtener la productividad:
𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑑𝑎𝑑 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑒𝑓𝑒𝑐𝑡𝑖𝑣𝑜 𝑒𝑛 𝑣𝑖𝑠𝑖𝑡𝑎𝑠
𝑇𝑖𝑒𝑚𝑝𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑗𝑜𝑟𝑛𝑎𝑑𝑎 (7)
Donde: Tiempo total de la jornada: Tiempo en visitas + Tiempo en traslado
Sistema anterior:
𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑑𝑎𝑑 = 33.75 ℎ𝑜𝑟𝑎𝑠
(33.75+20.8) = 61.80% (8)
Nueva propuesta:
𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑑𝑎𝑑 = 33.45 ℎ𝑜𝑟𝑎𝑠
(33.45+17.8) = 65.30% (9)
Como se puede observar, se obtuvo un incremento en la productividad con la nueva propuesta de 3.5
puntos porcentuales, lo que demuestra una mejora directa en la productividad del vendedor sin
incrementar su carga laboral.
Los resultados obtenidos son consistentes con investigaciones previas relacionadas con la gestión de la
fuerza de ventas y la optimización logística. En primero lugar, la mejora observada en la distribución
territorial de los clientes coincide con lo señalado por Jordan y Vazzana (2021), quienes destacan que
la ausencia de criterios objetivos en la asignación de clientes puede causar desequilibrios en la carga de
trabajo de los vendedores y afectar su productividad. Asimismo, la implementación de SCRUM como
metodología de gestión facilitó la participación del equipo comercial durante el desarrollo de la
propuesta, como lo sugieren Göksu y Özbek (2020), quienes señalan que las metodologías ágiles
pág. 4901
favorecen una mayor capacidad de adaptación y una gestión más eficiente de proyectos logísticos. Por
otro lado, la aplicación del algoritmo k-means clustering permitió realizar una segmentación territorial
basada en criterios geográficos objetivos, coincidiendo con Hair et al. (2022), quienes destacan que las
técnicas de clusterización constituyen herramientas robustas para identificar agrupaciones homogéneas
a partir de datos. Por último, la reducción de los tiempos de traslado obtenida con el modelo propuesto
representa un mayor aprovechamiento de la jornada laboral, lo cual coincide con Chew Hernandez et al.
(2024), quienes indican que la disminución de actividades que no generan valor permite incrementar el
tiempo disponible para actividades comerciales estratégicas y mejorar la eficiencia operativa de la
compañía.
En conjunto, los resultados obtenidos respaldan la viabilidad de integrar herramientas de análisis
geoespacial y metodologías ágiles como apoyo para la toma de decisiones en la gestión territorial de
clientes, sentando las bases para las conclusiones presentadas a continuación.
CONCLUSIONES
El presente estudio permitió demostrar que el usar una asignación histórica de clientes para la fuerza de
ventas de una empresa mexicana de distribución de insumos industriales, genera ineficiencias
operativas, las cuales se ven reflejadas en un innecesario consumo de recursos y pérdidas significativas
de tiempo para la fuerza de ventas. Analizando un mes completo de visitas antes del estudio, se evidenció
que el tiempo que un vendedor destina a traslados, reduce su capacidad de atender clientes, prospectar
nuevas oportunidades y ofrecer un servicio de calidad. Estas ineficiencias reflejan también un alto
consumo de combustible, además de propiciar el desgaste vehicular y la exposición a riesgos viales.
Para el análisis cuantitativo y la segmentación territorial se empleó el lenguaje de programación Python,
utilizando librerías de código abierto especializadas en análisis de datos y georreferenciación, para la
estimación de distancias y tiempos de traslado se apoyó en datos cartográficos y coordenadas de los
clientes. Asimismo, la incorporación de información cualitativa ayudó a complementar el análisis
cuantitativo, identificando criterios operativos de asignación, restricciones propias de la operación
comercial y aspectos relacionados con la aceptación del modelo en el equipo comercial, fortaleciendo
el análisis inicial y validación del modelo, mientras que el algoritmo k-means se utilizó exclusivamente
para la generación de la nueva asignación territorial.
favorecen una mayor capacidad de adaptación y una gestión más eficiente de proyectos logísticos. Por
otro lado, la aplicación del algoritmo k-means clustering permitió realizar una segmentación territorial
basada en criterios geográficos objetivos, coincidiendo con Hair et al. (2022), quienes destacan que las
técnicas de clusterización constituyen herramientas robustas para identificar agrupaciones homogéneas
a partir de datos. Por último, la reducción de los tiempos de traslado obtenida con el modelo propuesto
representa un mayor aprovechamiento de la jornada laboral, lo cual coincide con Chew Hernandez et al.
(2024), quienes indican que la disminución de actividades que no generan valor permite incrementar el
tiempo disponible para actividades comerciales estratégicas y mejorar la eficiencia operativa de la
compañía.
En conjunto, los resultados obtenidos respaldan la viabilidad de integrar herramientas de análisis
geoespacial y metodologías ágiles como apoyo para la toma de decisiones en la gestión territorial de
clientes, sentando las bases para las conclusiones presentadas a continuación.
CONCLUSIONES
El presente estudio permitió demostrar que el usar una asignación histórica de clientes para la fuerza de
ventas de una empresa mexicana de distribución de insumos industriales, genera ineficiencias
operativas, las cuales se ven reflejadas en un innecesario consumo de recursos y pérdidas significativas
de tiempo para la fuerza de ventas. Analizando un mes completo de visitas antes del estudio, se evidenció
que el tiempo que un vendedor destina a traslados, reduce su capacidad de atender clientes, prospectar
nuevas oportunidades y ofrecer un servicio de calidad. Estas ineficiencias reflejan también un alto
consumo de combustible, además de propiciar el desgaste vehicular y la exposición a riesgos viales.
Para el análisis cuantitativo y la segmentación territorial se empleó el lenguaje de programación Python,
utilizando librerías de código abierto especializadas en análisis de datos y georreferenciación, para la
estimación de distancias y tiempos de traslado se apoyó en datos cartográficos y coordenadas de los
clientes. Asimismo, la incorporación de información cualitativa ayudó a complementar el análisis
cuantitativo, identificando criterios operativos de asignación, restricciones propias de la operación
comercial y aspectos relacionados con la aceptación del modelo en el equipo comercial, fortaleciendo
el análisis inicial y validación del modelo, mientras que el algoritmo k-means se utilizó exclusivamente
para la generación de la nueva asignación territorial.
pág. 4902
Con el uso de técnicas de análisis geográfico y de aprendizaje automático, como el algoritmo k-means
clustering, se logró identificar agrupaciones de clientes que permitieron diseñar una propuesta de
reasignación territorial más coherente, logrando reducir las distancias recorridas por los vendedores
logrando un 13.9% de reducción de kilómetros recorridos durante un mes, disminuir un 14% los tiempos
de traslado y proporcionalmente reducir como consecuencia el consumo de combustible. Estas mejoras
se ven reflejadas en un mejor uso del tiempo efectivo de trabajo del vendedor y en una mayor capacidad
para enfocarse a actividades que generen mayor valor a la compañía.
De la misma manera, el uso de una metodología ágil facilitó la participación activa de la fuerza de ventas
en el diseño de la propuesta, analizando la información cualitativa que no son detectables desde un
análisis meramente cuantitativo.
El presente estudio presenta algunas limitaciones relacionadas con el análisis de una sola región
geográfica y un periodo limitado de operaciones, además, no se incorporan variables como el valor de
la facturación, ni ventanas de tiempo, sin embargo, presenta un enfoque que permite en futuras
investigaciones, ampliar el horizonte temporal e incorporar otras variables importantes como la
frecuencia óptima de visitas adecuadas al tipo de empresa que se esté estudiando, el valor de facturación
de los clientes y rutas dinámicas basadas en datos en tiempo real. No obstante, los hallazgos presentados
ofrecen una base sólida para la toma de decisiones en la gestión comercial y promueve el desarrollo de
modelos más robustos de optimización territorial.
Tomando en cuenta este estudio, se recomienda a las empresas de distribución B2B evaluar la asignación
de clientes de manera periódica, utilizando herramientas analíticas y datos históricos de visitas. La
adopción de soluciones basadas en software de código abierto permite mejoras con bajo costo y alta
escalabilidad.
En conjunto, los resultados obtenidos demuestran que la integración de técnicas de análisis geoespacial
con metodologías ágiles constituye una estrategia viable para apoyar la toma de decisiones en la gestión
comercial de empresas B2B, proporcionando un procedimiento replicable para optimizar la asignación
territorial de clientes.
Con el uso de técnicas de análisis geográfico y de aprendizaje automático, como el algoritmo k-means
clustering, se logró identificar agrupaciones de clientes que permitieron diseñar una propuesta de
reasignación territorial más coherente, logrando reducir las distancias recorridas por los vendedores
logrando un 13.9% de reducción de kilómetros recorridos durante un mes, disminuir un 14% los tiempos
de traslado y proporcionalmente reducir como consecuencia el consumo de combustible. Estas mejoras
se ven reflejadas en un mejor uso del tiempo efectivo de trabajo del vendedor y en una mayor capacidad
para enfocarse a actividades que generen mayor valor a la compañía.
De la misma manera, el uso de una metodología ágil facilitó la participación activa de la fuerza de ventas
en el diseño de la propuesta, analizando la información cualitativa que no son detectables desde un
análisis meramente cuantitativo.
El presente estudio presenta algunas limitaciones relacionadas con el análisis de una sola región
geográfica y un periodo limitado de operaciones, además, no se incorporan variables como el valor de
la facturación, ni ventanas de tiempo, sin embargo, presenta un enfoque que permite en futuras
investigaciones, ampliar el horizonte temporal e incorporar otras variables importantes como la
frecuencia óptima de visitas adecuadas al tipo de empresa que se esté estudiando, el valor de facturación
de los clientes y rutas dinámicas basadas en datos en tiempo real. No obstante, los hallazgos presentados
ofrecen una base sólida para la toma de decisiones en la gestión comercial y promueve el desarrollo de
modelos más robustos de optimización territorial.
Tomando en cuenta este estudio, se recomienda a las empresas de distribución B2B evaluar la asignación
de clientes de manera periódica, utilizando herramientas analíticas y datos históricos de visitas. La
adopción de soluciones basadas en software de código abierto permite mejoras con bajo costo y alta
escalabilidad.
En conjunto, los resultados obtenidos demuestran que la integración de técnicas de análisis geoespacial
con metodologías ágiles constituye una estrategia viable para apoyar la toma de decisiones en la gestión
comercial de empresas B2B, proporcionando un procedimiento replicable para optimizar la asignación
territorial de clientes.
pág. 4903
REFERENCIAS BIBLIOGRÁFICAS
Abdullahi, M. R., Lu, Q. C., Hussain, A., Tripura, S., Xu, P. C., & Wang, S. X. (2024). Location
optimization of EV charging stations: A custom K-means cluster algorithm approach. Energy
Reports, 12, 5367–5382. https://doi.org/10.1016/j.egyr.2024.09.075.
Arreola Rivera, R. (2024). Analysis of the advantages and disadvantages of reducing the working week
from 48 to 40 hours in Mexico. Universidad Autónoma de Tamaulipas.
Atlassian. (2024). Técnicas de lluvia de ideas: Qué son y cómo aplicarlas.
https://www.atlassian.com/es/work-management/project-
collaboration/brainstorming/brainstorming-techniques
Chew-Hernández, M. L., Viveros-Rosas, L., & Velázquez-Romero, V. (2018). Metodología basada en
análisis de decisiones para distribuir geográficamente una fuerza de ventas.
De las Heras del dedo, Rafael. Álvarez García, A., Lasa Gómez, C. (2018). Métodos Ágiles. Scrum,
Kanban, Lean. España: ANAYA MULTIMEDIA.
Delers, A. (2016). El principio de Pareto. Optimice su negocio con la regla 80/20. 50 minutos.
Diagrama de Ishikawa [PDF]. (s.f.). Academia.edu.
http://www.academia.edu/download/45800691/Diagrama_de_Ishikawa.pdf
Gómez, J., & Monterde, R. (2022). Mixed methods research design for the business services research
and teaching. Peter Lang.
Göksu Köstepen Özbek, K. (2023). Agile approaches of businesses in logistics and supply chain. In
International Congress on Eurasian Economies 2023.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.).
Cengage Learning.
Hoffman, L. (2023). Principles of Marketing. (n.p.): OpenStax.
Instituto Nacional de Estadística y Geografía. (2023). Estadísticas de transporte y movilidad en México.
INEGI. https://www.inegi.org.mx.
Jafarian-Moghaddam, A. R., & Shahpoori-Arany, S. (2024). How did VRP grow? Towards sustainable
models by developing a novel classification. Sustainable Futures, 8, 100347.
https://doi.org/10.1016/j.sftr.2024.100347
REFERENCIAS BIBLIOGRÁFICAS
Abdullahi, M. R., Lu, Q. C., Hussain, A., Tripura, S., Xu, P. C., & Wang, S. X. (2024). Location
optimization of EV charging stations: A custom K-means cluster algorithm approach. Energy
Reports, 12, 5367–5382. https://doi.org/10.1016/j.egyr.2024.09.075.
Arreola Rivera, R. (2024). Analysis of the advantages and disadvantages of reducing the working week
from 48 to 40 hours in Mexico. Universidad Autónoma de Tamaulipas.
Atlassian. (2024). Técnicas de lluvia de ideas: Qué son y cómo aplicarlas.
https://www.atlassian.com/es/work-management/project-
collaboration/brainstorming/brainstorming-techniques
Chew-Hernández, M. L., Viveros-Rosas, L., & Velázquez-Romero, V. (2018). Metodología basada en
análisis de decisiones para distribuir geográficamente una fuerza de ventas.
De las Heras del dedo, Rafael. Álvarez García, A., Lasa Gómez, C. (2018). Métodos Ágiles. Scrum,
Kanban, Lean. España: ANAYA MULTIMEDIA.
Delers, A. (2016). El principio de Pareto. Optimice su negocio con la regla 80/20. 50 minutos.
Diagrama de Ishikawa [PDF]. (s.f.). Academia.edu.
http://www.academia.edu/download/45800691/Diagrama_de_Ishikawa.pdf
Gómez, J., & Monterde, R. (2022). Mixed methods research design for the business services research
and teaching. Peter Lang.
Göksu Köstepen Özbek, K. (2023). Agile approaches of businesses in logistics and supply chain. In
International Congress on Eurasian Economies 2023.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.).
Cengage Learning.
Hoffman, L. (2023). Principles of Marketing. (n.p.): OpenStax.
Instituto Nacional de Estadística y Geografía. (2023). Estadísticas de transporte y movilidad en México.
INEGI. https://www.inegi.org.mx.
Jafarian-Moghaddam, A. R., & Shahpoori-Arany, S. (2024). How did VRP grow? Towards sustainable
models by developing a novel classification. Sustainable Futures, 8, 100347.
https://doi.org/10.1016/j.sftr.2024.100347
pág. 4904
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning with
Applications in R Second Edition. Springer. https://doi.org/10.1007/978-1-0716-1418-1.
Johnston, M. W., & Marshall, G. W. (2025). Sales force management (14th ed.). Routledge.
Jordan, J., & Vazzana, M. (2012). Cracking the Sales Management Code. The Secrets to measuring and
managing sales performance. McGraw-Hill Education.
Kerzner, H. R. (2013). Project management: A systems approach to planning, scheduling, and
controlling (11th ed.). Wiley.
Kotler, P., Keller, K.L. (2016) Marketing Management (15ª edición). Pearson.
Organisation for Economic Co-operation and Development. (2001). Measuring productivity:
Measurement of aggregate and industry-level productivity growth.
Pineda Pertuz, C. M. (2022). Aprendizaje automático y profundo en Python. España: Ra-Ma S.A.
Editorial y Publicaciones.
Project Management Institute. (2017). Guía de los fundamentos para la dirección de proyectos (Guía del
PMBOK®) (6.ª ed.). Project Management Institute. ISBN 978-1-62825-184-4
Regal, A., Gonzalez-Feliu, J., & Rodriguez, M. (2023). A spatio-functional logistics profile clustering
analysis method for metropolitan areas. Transportation Research Part E: Logistics and
Transportation Review, 179, 103312. https://doi.org/10.1016/j.tre.2023.103312.
Salazar, J. R., Pantoja, M., Rodríguez, J. M., & Rea, L. G. (2025). La reducción de la jornada laboral y
su influencia hacia el pleno empleo en México.
Schwaber, K., & Sutherland, J. (2020). The Scrum Guide: The definitive guide to Scrum: The rules of
the game. Scrum.org. https://scrumguides.org/scrum-guide.html.
Turban, E. Volonino, L. Wood, G. (2018). Information Technology for Management: On-Demand
Strategies for Performance, Growth and Sustainability (11th edicion). Wiley.
Zielske, M., & Held, T. (2021). Application of agile methods in traditional logistics companies and
logistics startups: Results from a German Delphi study. Journal of Systems and Software, 177,
110950. https://doi.org/10.1016/j.jss.2021.110950.
Zietsman, M., Mostert, P., & Svensson, G. (2020). Economic and Non-economic Satisfaction as
Outcomes of Micro-enterprises’ Perceived Value from Banking Relationships. Journal of
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning with
Applications in R Second Edition. Springer. https://doi.org/10.1007/978-1-0716-1418-1.
Johnston, M. W., & Marshall, G. W. (2025). Sales force management (14th ed.). Routledge.
Jordan, J., & Vazzana, M. (2012). Cracking the Sales Management Code. The Secrets to measuring and
managing sales performance. McGraw-Hill Education.
Kerzner, H. R. (2013). Project management: A systems approach to planning, scheduling, and
controlling (11th ed.). Wiley.
Kotler, P., Keller, K.L. (2016) Marketing Management (15ª edición). Pearson.
Organisation for Economic Co-operation and Development. (2001). Measuring productivity:
Measurement of aggregate and industry-level productivity growth.
Pineda Pertuz, C. M. (2022). Aprendizaje automático y profundo en Python. España: Ra-Ma S.A.
Editorial y Publicaciones.
Project Management Institute. (2017). Guía de los fundamentos para la dirección de proyectos (Guía del
PMBOK®) (6.ª ed.). Project Management Institute. ISBN 978-1-62825-184-4
Regal, A., Gonzalez-Feliu, J., & Rodriguez, M. (2023). A spatio-functional logistics profile clustering
analysis method for metropolitan areas. Transportation Research Part E: Logistics and
Transportation Review, 179, 103312. https://doi.org/10.1016/j.tre.2023.103312.
Salazar, J. R., Pantoja, M., Rodríguez, J. M., & Rea, L. G. (2025). La reducción de la jornada laboral y
su influencia hacia el pleno empleo en México.
Schwaber, K., & Sutherland, J. (2020). The Scrum Guide: The definitive guide to Scrum: The rules of
the game. Scrum.org. https://scrumguides.org/scrum-guide.html.
Turban, E. Volonino, L. Wood, G. (2018). Information Technology for Management: On-Demand
Strategies for Performance, Growth and Sustainability (11th edicion). Wiley.
Zielske, M., & Held, T. (2021). Application of agile methods in traditional logistics companies and
logistics startups: Results from a German Delphi study. Journal of Systems and Software, 177,
110950. https://doi.org/10.1016/j.jss.2021.110950.
Zietsman, M., Mostert, P., & Svensson, G. (2020). Economic and Non-economic Satisfaction as
Outcomes of Micro-enterprises’ Perceived Value from Banking Relationships. Journal of
pág. 4905
Business-to-Business Marketing, 27(3), 263–281.
https://doi.org/10.1080/1051712X.2020.1787027.
Business-to-Business Marketing, 27(3), 263–281.
https://doi.org/10.1080/1051712X.2020.1787027.