La carga vale más que antes y la están golpeando con más fuerza. Verisk CargoNet estimó las pérdidas por robo de carga en 2025 en unos 725 millones de dólares, un 60 por ciento más que en 2024, con un valor medio por robo que subió un 36 por ciento hasta los 273.990 dólares. El volumen total de delitos en la cadena de suministro apenas se movió. Los ladrones simplemente se volvieron más selectivos sobre qué remolques abren.
Los cargadores respondieron comprando visibilidad, y la mayor parte de lo que compraron fue un mapa. Rastreadores, un dashboard, una línea en un mapa. Eso funciona hasta que la mercancía entra en una caja de acero, donde las coordenadas dejan de llegar y el mapa deja de servir. Además responde a una pregunta que rara vez importa cuando algo sale mal. Nadie presenta un reclamo por dónde estaba el envío. Lo presenta por lo que le pasó.
La oportunidad está en los datos que la mayoría de las operaciones ya recoge y casi siempre ignora. Un envío deja una huella durante todo el trayecto: cuánto se calentó y a qué velocidad, si el contenedor estuvo expuesto a la luz en algún momento, cuántas horas pasó en movimiento y cuántas detenido en un patio. Ese registro sobrevive a los cortes de conectividad. Bien leído, te dice cuándo empezó el problema, qué lo causó y qué envío de tu tablero merece atención primero.
Este artículo trata de cómo leerlo: reconstruir un trayecto, pronosticar una llegada y detectar fraude con datos de condición en lugar de coordenadas.
El acero bloquea el GPS, y ningún firmware lo arregla
Un contenedor de acero cargado es una jaula de Faraday parcial, y el GPS ya es una señal débil de por sí. Las señales de satélite llegan al nivel del suelo muy cerca del piso de ruido, y unos pocos milímetros de acero corrugado bastan para matarlas. Apila ese contenedor en tercera altura en la bodega de un buque y el receptor se queda sin nada con lo que trabajar.
La colocación ayuda en el margen. Las juntas de las puertas y las aberturas de ventilación dejan escapar energía de radio, así que un rastreador montado en alto en el hueco de la puerta mantiene la señal mejor que uno enterrado en la carga. No resuelve el problema. En un tramo marítimo o multimodal, cuenta con huecos de horas o de días.
Ninguna actualización de firmware vence al acero. La pregunta de diseño es qué haces con las señales que sí siguen funcionando.
Las señales que siguen trabajando dentro de la caja
La temperatura, la luz ambiente y el movimiento no necesitan satélite. Siguen reportando desde dentro del contenedor y, juntas, cargan con casi toda la historia operativa.
| Señal | Qué te dice | Qué no te puede decir |
|---|---|---|
| Temperatura | Cuándo empezó la excursión, con qué rapidez se desarrolló, si la causa fue una puerta o un equipo averiado | Dónde estaba el envío |
| Luz ambiente | Un contenedor sellado está oscuro. La luz significa que se abrió, o que el precinto está comprometido | Quién lo abrió, o si estaba autorizado |
| Movimiento e inclinación | En marcha o detenido, tiempo de permanencia en cada parada, manipulación brusca, cambios de orientación | En qué patio está detenido |
El Minew MTB04 reúne todo eso en una sola etiqueta adhesiva, con almacenamiento a bordo para que las lecturas sobrevivan a los cortes de conectividad en vez de desvanecerse en ellos. Ese último detalle pesa más de lo que parece: un dispositivo con búfer te da un registro continuo de condición incluso cuando el registro de ubicación está lleno de agujeros.
¿Cómo sabes que abrieron un contenedor si no tienes señal de GPS?
Correlacionando señales en lugar de confiar en una sola. Un evento de luz por sí solo es evidencia débil. Un evento de luz mientras el movimiento marca “detenido”, fuera de toda ventana de parada programada, con un escalón de temperatura que arranca minutos después, es una afirmación concreta sobre la que puedes actuar.
Esto importa porque los precintos físicos no son el control que la gente supone. Los ladrones sacan los pernos de las bisagras y abren la puerta por el lado de la bisagra, sin tocar el precinto de perno. El papeleo dice que está intacto. El sensor de luz dice lo contrario.
El patrón que hay que codificar es una regla, no un umbral: luz por encima de la línea base, movimiento por debajo del umbral de desplazamiento, marca de tiempo fuera de las ventanas de parada previstas para esa ruta. Cualquiera de ellos por separado produce ruido. Juntos producen una lista corta que vale la pena investigar.
Estimar el ETA por avance, no por posición
La llegada se predice a partir del avance, así que un rastro de posición poco fiable estorba menos de lo que parece. Las entradas que llevan la señal del ETA sobreviven a los huecos:
- El ciclo de actividad del movimiento, es decir, la proporción entre horas en marcha y horas detenido en este tramo frente al historial de la ruta
- El tiempo de permanencia en cada nodo, que es donde suelen romperse los cronogramas
- Las duraciones históricas del tramo para el mismo origen, destino, transportista y temporada
- Los puntos de ubicación que sí consigues: entrada y salida de puerta, llegada a puerto y cualquier tramo a cielo abierto
TagoIO Analytics convierte todo eso en un pronóstico sin escribir código de ML. El pronóstico estacional usa descomposición MSTL con un modelo ETS elegido automáticamente, de modo que los ciclos semanales y diarios del comportamiento en tránsito se modelan en vez de promediarse hasta desaparecer. La predicción multivariada de demanda ejecuta Prophet alimentado por pronósticos de variables explicativas cuando quieres meter clima o congestión portuaria en el modelo. Tiempo hasta el Umbral ejecuta su propio pronóstico Holt-Winters o AutoETS, busca el cruce y publica un ETA en horas más un nivel de severidad que configuras una sola vez.
Las salidas aterrizan como variables normales de TagoIO: valores de pronóstico con límites superior e inferior, ETAs, niveles de severidad. Aguas abajo no cambia nada. Los dashboards los grafican, las Actions se disparan con ellos y los portales TagoRUN se los muestran a tus clientes con tu marca. Un ETA que se corrige a sí mismo en cada ejecución del modelo vale más para quien planifica que un pin en el mapa que se quedó viejo hace catorce horas.
¿Cómo detecta el fraude de carga la detección de anomalías?
Comparando un envío con el comportamiento normal aprendido en lugar de con un límite fijo. El fraude rara vez produce una única lectura obviamente mala. Produce un patrón que no encaja con cómo se comporta esa ruta habitualmente.
Ese es el único ángulo que funciona con la categoría de pérdida que más rápido crece. CargoNet señala el robo por engaño, en el que cargas entregadas a transportistas legítimos terminan desviadas, esquivando los controles construidos alrededor del propio proceso de contratación. El engaño no rompe un precinto ni dispara un umbral. Mueve la carga. Los incidentes confirmados de robo de carga crecieron un 18 por ciento en 2025 aun con el volumen total de delitos plano, que es justo como se ve en los números un giro hacia este tipo de esquema.
TagoIO Analytics parte “algo anda mal” en preguntas, cada una con un modelo pensado para ella:
- ¿Esta lectura es inusual? Un Isolation Forest puntúa cada lectura contra la foto conjunta de lo normal. Temperatura en rango, luz en rango, movimiento en rango, pero esa combinación a las 03:00 en una ruta que nunca para ahí: por separado bien, en conjunto mal.
- ¿Qué modo de operación es este? K-Means aprende los modos normales de operación de tu flota y puntúa cada lectura por su distancia al más cercano. Un tramo que no coincide con ningún modo conocido merece una mirada.
- ¿Qué unidad se sale de la norma? El agrupamiento por densidad DBSCAN junta envíos que se comportan igual y marca el que no pertenece a ningún grupo. Cuarenta etiquetas en la misma ruta, una con una firma de movimiento distinta: así aparecen los desvíos y los cambios de unidad.
- ¿Algo se está estropeando despacio? Un gráfico de control EWMA seguido contra una línea base estacional atrapa la deriva lenta que derrota a los umbrales fijos. Es el que encuentra un reefer al que llevan semanas manteniendo a duras penas antes de que salte ningún límite de compliance.
No necesitas historial de fraude etiquetado para nada de esto. Los modelos entrenan con la telemetría que ya está en los buckets de tus dispositivos.
El análisis posterior te da la causa, no solo la alarma
Una alerta en tiempo real dice que la temperatura pasó de 8°C. El análisis posterior dice cuál de dos fallas muy distintas ocurrió.
Una puerta abierta produce un escalón: subida brusca y luego recuperación exponencial en cuanto la puerta se cierra. Un equipo de refrigeración averiado produce deriva: lenta, monótona, sin recuperación. Las dos disparan la misma alarma de compliance. Solo una es culpa del transportista, y la forma de la ventana de anomalía te dice cuál. Esa distinción es la diferencia entre comerte la pérdida y recuperarla.
La misma reconstrucción alimenta la documentación de reclamos con evidencia fechada, los registros de cadena de custodia para mercancías reguladas, los scorecards de transportista y de ruta construidos con el historial de permanencia y excursiones, y una revisión de causa raíz que cierra con un arreglo concreto en vez de un encogimiento de hombros.
Los mismos modelos en activos que nunca se mueven
Los armarios expendedores, los equipos estacionarios y las instalaciones fijas son el caso fácil. La ubicación ya se conoce, así que todo el valor está en los datos de condición.
Movimiento donde no debería haberlo significa retirada o manipulación. Luz dentro de un armario cerrado significa acceso. Una tendencia de temperatura en un equipo de refrigeración habla de la salud del compresor, y Tiempo hasta el Umbral convierte esa tendencia en días hasta que se rompa el límite, que es una ventana de mantenimiento en lugar de una llamada de un cliente enfadado. Los mismos modelos, el mismo asistente, sin ubicación.
Qué hace falta para montarlo
El Minew MTB04 se encarga de la medición y del uplink. TagoIO ingesta el payload, guarda el historial y ejecuta los modelos. La configuración de Analytics es un asistente guiado: eliges dispositivos, eliges señales, defines cómo debe comportarse el modelo e instalas. Todo lo demás es la plataforma que ya tienes, porque los dashboards, las Actions, la API y los portales de marca blanca consumen predicciones igual que consumen lecturas de sensor.
Empieza por TagoIO Analytics para los modelos y por TagoIO para logística para los dashboards, el geofencing y las integraciones que los rodean. El plan gratuito te da 5 dispositivos y 5 dashboards, suficiente para conectar una etiqueta y ver aparecer el primer pronóstico.
Preguntas frecuentes
¿Funcionan los rastreadores GPS dentro de los contenedores marítimos?
No de forma fiable. Un contenedor de acero cargado actúa como una jaula de Faraday parcial y bloquea la débil señal de GPS. Los rastreadores montados en alto en el hueco de la puerta, cerca de las juntas o de las aberturas de ventilación, mantienen la señal mejor que las unidades enterradas en la carga, pero los huecos de varios días en tramos marítimos y multimodales son normales. Los sensores de condición como temperatura, luz y movimiento siguen reportando igualmente.
¿Cómo saber si abrieron un contenedor marítimo durante el transporte?
Un contenedor sellado está oscuro por dentro, así que cualquier lectura de luz ambiente por encima de la línea base indica que se abrió o que el precinto está comprometido. La luz sola es evidencia débil. Correlaciónala con el estado de movimiento y con las ventanas de parada programadas de esa ruta. Luz con el contenedor detenido y fuera de una parada prevista es el patrón que vale la pena investigar, y además pilla la entrada por las bisagras, que deja el precinto de perno intacto.
¿Se puede predecir el ETA de un envío sin rastreo GPS continuo?
Sí. El ETA sale del avance, no de la posición: ciclo de actividad del movimiento, tiempo de permanencia en cada nodo, duraciones históricas del tramo en esa ruta y las posiciones que sí consigues en puertas y puertos. TagoIO Analytics pronostica la tendencia con MSTL más AutoETS, y Tiempo hasta el Umbral busca el cruce de llegada en un pronóstico Holt-Winters o AutoETS y publica un ETA y un nivel de severidad como variables.
¿Qué es la detección de anomalías en el monitoreo de carga?
Puntuar un envío contra el comportamiento normal aprendido en lugar de contra umbrales fijos. TagoIO usa Isolation Forest para lecturas conjuntas inusuales, K-Means para desviación del modo de operación, DBSCAN para comparar envíos de la misma ruta entre sí y un gráfico de control EWMA para la deriva lenta. Las salidas son una puntuación de anomalía, una bandera sobre la que puedes alarmar y ventanas de anomalía con hora de inicio y de fin.
¿Cómo se detecta el fraude de carga con sensores IoT?
Buscando patrones en vez de lecturas malas aisladas. El desvío aparece como una firma de movimiento y permanencia distinta a la del resto de envíos de la misma ruta. La manipulación aparece como eventos de luz fuera de las paradas programadas. La degradación lenta que se queda por debajo de todos los umbrales fijos aparece como deriva contra una línea base estacional. La comparación entre envíos similares y la detección de deriva pillan esos casos sin ningún historial de fraude etiquetado.
¿Cuánto historial de sensores hace falta para que los modelos sirvan?
Entrena con entre tres y cuatro veces más historial que el rango que quieres predecir, así que un pronóstico de un mes pide de tres a cuatro meses de datos. Los modelos estacionales necesitan al menos dos ciclos completos del patrón que aprenden. El asistente de configuración de TagoIO revisa tu ventana y avisa cuando se queda corta.
¿Sirve para monitorear activos fijos como armarios expendedores?
Sí, y ahí la ubicación deja de importar. Movimiento donde no se espera ninguno indica retirada o manipulación, luz dentro de un armario cerrado indica acceso, y la tendencia de temperatura indica la salud del equipo de refrigeración. Tiempo hasta el Umbral convierte esa tendencia en días hasta que se rompa el límite, lo que transforma una avería en mantenimiento programado.
Minew construye la capa de sensores. TagoIO es la capa de aplicación que conecta, almacena, modela y muestra. Mira la etiqueta MTB04 en el sitio de Minew y TagoIO Analytics para los modelos descritos aquí.
