La tasa de preparación de pedidos en almacén era fundamental para el rendimiento de la logística moderna. Los equipos de operaciones la utilizaban para traducir las decisiones sobre distribución, métodos, mano de obra y automatización en cifras concretas que afectaban a los niveles de servicio y los costes. Este artículo analizaba cómo definir la tasa de preparación de pedidos y los KPI clave, cómo diseñar procesos para aumentar el rendimiento y cómo aplicar la automatización, la IA y las plataformas elevadoras de tijera a la preparación de pedidos. Concluía con un enfoque estructurado para establecer objetivos realistas y lograr sistemáticamente un rendimiento óptimo en el almacén.
Definición de la tasa de selección en almacén y los KPI principales
La tasa de selección en almacén describía cuántas líneas de pedido, piezas o pedidos completaban los operadores por hora. Los ingenieros la utilizaban como métrica principal de capacidad y productividad al diseñar el almacenamiento, los planes de mano de obra y la automatización. Para gestionarla eficazmente, los equipos de operaciones tradujeron la tasa de selección en un conjunto pequeño y estable de KPI que abarcaban la velocidad, la precisión y el nivel de servicio. Estos KPI se vinculaban directamente con los resultados financieros, como el coste de la mano de obra por pedido y el capital circulante vinculado al inventario.
Líneas, piezas y pedidos por hora explicados
Las líneas por hora medían cuántas líneas de pedido completaba un preparador en una hora, independientemente de la cantidad por línea. Este KPI funcionaba bien en entornos con cantidades mixtas y una amplia gama de SKU, como repuestos o comercio electrónico. Las piezas o cajas por hora, en cambio, contaban las unidades físicas recogidas, lo que resultaba adecuado para operaciones de cajas de alto volumen o de recogida individual. Los pedidos por hora sumaban el ciclo completo del pedido, incluyendo el recorrido, la recogida, la verificación y la entrega, y, por lo tanto, reflejaban tanto la productividad de la recogida como la calidad del diseño del proceso.
Los objetivos típicos de ingeniería preveían que un preparador de pedidos promedio alcanzara entre 120 y 175 piezas o cajas por hora, mientras que los mejores preparadores superaban las 250 recogidas por hora. En términos de líneas por hora, un objetivo común era de 130 líneas por hora, y las operaciones bien optimizadas alcanzaban más de 140 líneas por hora. Los ingenieros seleccionaron las métricas priorizar según el perfil del pedido, el número de SKU y la unidad de manipulación (unidad, caja, palé). También normalizaron las métricas por duración del turno y tiempo indirecto para garantizar comparaciones justas entre equipos, turnos e instalaciones.
KPI de precisión, tasa de llenado y puntualidad en los envíos
La precisión de los pedidos medía el porcentaje de pedidos enviados sin errores de preparación ni documentación. Los objetivos típicos rondaban el 99%, mientras que las operaciones de alto rendimiento buscaban una precisión del 99.5% al 99.9%. La precisión del inventario, generalmente buscada en un 98% o superior, sustentaba la precisión de la preparación al garantizar que el stock del sistema coincidiera con el stock físico. La tasa de cumplimiento de pedidos indicaba el porcentaje de líneas o unidades de pedido que el almacén enviaba en su totalidad del inventario disponible; un 97%-98% se consideraba aceptable y un 100% el mejor de su clase.
Los envíos puntuales registraban si los pedidos salían del almacén dentro del plazo de despacho prometido. Las expectativas típicas oscilaban entre el 98 % y el 99 % de puntualidad en los envíos, y los valores superiores se consideraban excelentes. Los ingenieros vincularon estos KPI con la calidad del reabastecimiento, el tiempo de llegada a stock y la estrategia de asignación de stock, ya que las roturas de stock y el almacenamiento tardío reducían tanto la tasa de llenado como la puntualidad. El conteo cíclico continuo y las comprobaciones periódicas de la base de datos respaldaron la precisión del inventario, lo que a su vez estabilizó la precisión de la selección y redujo las repeticiones de trabajos y las devoluciones.
Objetivos de referencia para el promedio y el mejor en su clase
Los equipos de ingeniería utilizaron bandas de referencia para distinguir el rendimiento promedio del mejor de su clase. En cuanto a la productividad de picking, una operación promedio tenía como objetivo entre 120 y 175 picks por hora, mientras que la mejor de su clase superaba los 250 picks por hora en condiciones estables. Un objetivo de líneas por hora de alrededor de 130 sirvió como referencia, con 142 líneas por hora que ya indicaban un rendimiento superior al objetivo. Los parámetros de precisión de pedidos se agruparon en torno al 99 % para operaciones aceptables y entre el 99.5 % y el 99.9 % para las de alto rendimiento.
Los índices de puntualidad en los envíos oscilaban entre el 98 % y el 99 %, y cualquier porcentaje superior requería una estrecha coordinación con los transportistas y la planificación interna. Los objetivos de precisión del inventario, del 98 % o más, respaldados por un recuento cíclico estructurado, redujeron el stock obsoleto y mejoraron la rotación de existencias. Las tecnologías avanzadas, como la preparación de pedidos guiada por voz, aumentaron históricamente las tasas de preparación hasta en un 30 % en comparación con los procesos en papel o de radiofrecuencia básicos. Los ingenieros utilizaban estos índices para dimensionar la mano de obra, seleccionar la automatización y elaborar estudios de viabilidad para las inversiones en sistemas de preparación de pedidos semieléctricos o soluciones automatizadas.
Vinculación de la tasa de selección con la satisfacción del cliente
La tasa de preparación influyó en la satisfacción del cliente al afectar el plazo de entrega, la completitud de los pedidos y la fiabilidad. Una mayor productividad en la preparación redujo el tiempo del ciclo de pedido, lo que permitió plazos de entrega más ajustados y promesas de entrega más rápidas. Sin embargo, los ingenieros buscaron un equilibrio entre velocidad y precisión, ya que los errores de preparación cuestan entre 10 y 250 USD por error y reducen la confianza del cliente. Una alta precisión en los pedidos y una tasa de cumplimiento más alta redujeron las devoluciones, los reenvíos y las intervenciones de atención al cliente, lo que los clientes percibieron como un servicio consistente y fiable.
Los KPI de envíos puntuales alimentaban directamente las métricas de satisfacción del cliente, como la entrega a tiempo y la fiabilidad percibida. La visibilidad en tiempo real del rendimiento y la productividad en las pantallas del almacén permitía a los equipos reaccionar rápidamente ante los cuellos de botella y mantener los niveles de servicio. Al vincular los KPI del almacén con indicadores externos como las quejas de los clientes, la tasa de devoluciones y el índice de recomendación neta, las organizaciones cuantificaban cómo los cambios en los procesos de preparación de pedidos afectaban al cliente final. Esta visión sistémica permitía a los ingenieros justificar inversiones que mejoraban simultáneamente la eficiencia operativa y la experiencia del cliente. Por ejemplo, la adopción de máquinas de preparación de pedidos avanzadas o la optimización de los flujos de trabajo con herramientas como las soluciones de preparación de pedidos para almacenes podían generar mejoras cuantificables.
Ingeniería del proceso de picking para un mayor rendimiento
Diseñar el proceso de picking para lograr un mayor rendimiento requirió un enfoque estructurado que combinara el diseño de la distribución, los métodos de proceso y la tecnología. Las operaciones que consideraron el picking como un sistema de ingeniería, no solo como una actividad laboral, lograron tasas de picking más altas y niveles de servicio más estrictos. El objetivo era aumentar las líneas o piezas por hora sin comprometer la precisión, la seguridad ni la sostenibilidad de los trabajadores. Esto requirió decisiones coordinadas sobre la asignación de espacios, las rutas de picking, los métodos y las rutinas de gestión.
Diseño, ranurado y rutas de selección optimizadas
La ingeniería de distribución se centró en minimizar los desplazamientos sin valor añadido, preservando al mismo tiempo un flujo de trabajo limpio y seguro. Los SKU de alta rotación se ubicaron más cerca del área de embalaje y envío, mientras que los de rotación media y baja se ubicaron progresivamente más lejos para reducir la distancia promedio de recorrido a pie. Las estrategias de ubicación agruparon los artículos por demanda, tamaño, compatibilidad y limitaciones de manipulación, de modo que los recolectores pudieran acceder a ellos con mínimas agacharse, estirarse o buscar. La utilización del espacio vertical con estanterías adecuadas aumentó la densidad de almacenamiento, manteniendo las zonas de almacenamiento privilegiadas, aproximadamente entre 0.75 m y 1.6 m, para los de rotación rápida, con el fin de proteger la ergonomía.
Las rutas de picking optimizadas utilizaron datos del WMS para secuenciar ubicaciones y evitar retrocesos. Las instalaciones que analizaron el historial de pedidos y los mapas de calor de movimiento reportaron a menudo aumentos de productividad cercanos al 9%, solo gracias a la mejora en el enrutamiento. Los pasillos amplios y claramente señalizados permitieron el tráfico bidireccional y redujeron la congestión en ubicaciones de alto volumen. Las revisiones periódicas de la asignación de ubicaciones, basadas en perfiles de demanda actualizados, la estacionalidad y la introducción de nuevos productos, mantuvieron el rendimiento a lo largo del tiempo. Los equipos de ingeniería validaron los cambios mediante estudios de tiempos y simulaciones de rendimiento antes de la implementación a gran escala.
Métodos de selección: discreto, por lotes, por zonas y por olas
La selección del método de picking influyó considerablemente en la tasa de picking alcanzable y el equilibrio de mano de obra. La preparación de pedidos discreta, en la que un operario completaba un pedido a la vez, ofrecía simplicidad y alta precisión, pero a menudo implicaba mayores distancias de recorrido. El picking por lotes combinaba líneas para múltiples pedidos en una sola ruta, lo que reducía el tiempo de recorrido y aumentaba las líneas recogidas por hora cuando las referencias se superponían en varios pedidos. El picking por zonas dividía el almacén en áreas, asignando operarios a zonas específicas para reducir el tiempo de desplazamiento y especialización; posteriormente, los pedidos se consolidaban en etapas posteriores. El picking por oleadas agrupaba los pedidos por transportista, tiempo de envío o prioridad, alineando las ventanas de picking con los horarios de despacho para proteger los KPI de envío puntuales.
Los equipos de ingeniería utilizaban con frecuencia una combinación de estos métodos, adaptados a los perfiles de pedidos y al número de SKU. Los pedidos con un alto número de SKU y una línea baja solían preferir la selección discreta o por zonas, mientras que los pedidos con un alto número de SKU y una línea repetitiva preferían los enfoques por lotes o por oleadas. El soporte de WMS era fundamental para coordinar las entregas, enrutar los contenedores o totes y gestionar la lógica de consolidación de pedidos. Las revisiones periódicas de los métodos, basadas en las tendencias de los KPI como las líneas por hora, la puntualidad en los envíos y los incidentes de congestión, garantizaban que la estrategia elegida se mantuviera alineada con los patrones de demanda y las limitaciones de capacidad.
Prácticas Lean, Ergonomía y Seguridad por Diseño
Las prácticas de almacén eficientes abordaron los desperdicios clásicos: movimiento innecesario, esperas, sobreprocesamiento y defectos como errores de picking. Las secuencias de picking estandarizadas y claramente documentadas redujeron la variación y visibilizaron las anomalías. El reabastecimiento justo a tiempo y los niveles mínimos y máximos bien definidos ayudaron a evitar las roturas de stock en los puntos de picking, que de otro modo obligaban a rehacer trabajos y retrasaban los pedidos. Las señales visuales, como las marcas en el suelo, la señalización y las etiquetas en los estantes, acortaron el tiempo de búsqueda y facilitaron un picking sin errores. Los ciclos de mejora continua, basados en datos del WMS y la retroalimentación de los operarios, eliminaron sistemáticamente los cuellos de botella y los microrretrasos.
El diseño ergonómico protegió el rendimiento al reducir la fatiga y el riesgo de lesiones. Los controles de ingeniería incluyeron el ajuste de la altura de los estantes para mantener las recogidas frecuentes dentro de la zona de alcance neutral y el uso de ayudas mecánicas para cargas pesadas o de formas irregulares. La iluminación adecuada, las superficies de bajo reflejo y la visibilidad clara mejoraron la lectura de las etiquetas y redujeron los errores de recogida. La seguridad desde el diseño integró pasillos protegidos, la separación del tráfico peatonal y vehicular, y puntos de cruce controlados para carretillas elevadoras semieléctricas o remolcadores. Las operaciones que incorporaron la seguridad en la distribución y los flujos de trabajo generalmente mantuvieron una mayor productividad a largo plazo, ya que se redujeron los tiempos de inactividad no planificados por incidentes y lesiones por esfuerzo.
Capacitación, trabajo estándar y gestión visual
La capacitación garantizó un rendimiento constante en la preparación de pedidos y una operación segura. Los nuevos preparadores necesitaban una integración estructurada que abarcara la orientación del diseño, los métodos de preparación, el uso del equipo y técnicas de prevención de errores, como la verificación por escaneo. La capacitación de actualización y las sesiones de microaprendizaje reforzaron las mejores prácticas cuando se introdujeron cambios en el proceso o nuevas tecnologías. El trabajo estándar capturó el método más conocido en cada escenario de preparación de pedidos, incluyendo patrones de desplazamiento, pasos de escaneo y gestión de excepciones. Los ingenieros utilizaron estudios de tiempos del trabajo estándar para establecer objetivos de rendimiento realistas e identificar oportunidades de mejora.
La gestión visual traducía el rendimiento en tiempo real a información práctica en el almacén. Los monitores o tableros mostraban KPI como líneas por hora, precisión en la recogida, porcentaje de envíos puntuales y estado de la cartera de pedidos a nivel de turno y zona. Los operadores podían ver al instante si estaban cumpliendo con los objetivos y dónde se necesitaba apoyo. La codificación por colores, las alertas de estilo andon y los paneles sencillos indicaban desviaciones, como el aumento de pedidos pendientes o tiempos de espera anormales en las estaciones de recogida. Combinada con reuniones diarias de nivel y breves reuniones para la resolución de problemas, la gestión visual ayudó a estabilizar los procesos y alinear a los equipos en torno a los objetivos de rendimiento y calidad.
Automatización, gemelos digitales y tecnologías avanzadas
La automatización y el control basado en datos transformaron el rendimiento de la preparación de pedidos en almacén antes de 2026. Las instalaciones modernas utilizaban software, mecatrónica y análisis para aumentar las tasas de preparación, mejorar la precisión y estabilizar la productividad laboral. Los equipos de ingeniería consideraban la preparación de pedidos como un sistema ciberfísico, donde la distribución, los equipos y los algoritmos interactuaban en tiempo real. Esta sección examinó cómo las plataformas de software, las tecnologías semiautomatizadas y los gemelos digitales respaldaron objetivos de rendimiento ambiciosos sin sacrificar la seguridad ni la calidad.
WMS, LMS y monitorización de KPI en tiempo real
Los sistemas de gestión de almacenes (SGA) orquestaron el inventario, las ubicaciones y las tareas de picking con reglas precisas. Generaron listas de picking optimizadas, controlaron la reposición e implementaron estrategias FIFO o FEFO para reducir las existencias muertas y las roturas de stock. Los módulos del sistema de gestión de personal (SGA) se integraron con el SGA para medir el rendimiento individual y de equipo, como las líneas por hora o las recogidas por hora. Estos sistemas compararon el rendimiento real con los estándares de ingeniería, detectando cuellos de botella y capacidad infrautilizada.
La monitorización de KPI en tiempo real convirtió objetivos abstractos en información práctica en planta. Las instalaciones monitorizaron una precisión de pedidos cercana al 99-99.9 %, envíos puntuales en torno al 98-99 % y una precisión de inventario superior al 98 % mediante paneles de control. Los monitores en el almacén mostraban en tiempo real la productividad de la recogida, el tiempo de muelle a stock y la tasa de cumplimiento de pedidos, lo que facilitaba la gestión visual. Cuando los KPI se desviaban, los supervisores ajustaban las rutas de recogida, la dotación de personal o los horarios de los transportistas basándose en datos en lugar de en la intuición.
La integración entre los sistemas WMS, LMS y de Planificación de Recursos Empresariales (ERP) alineó el rendimiento operativo con los objetivos de negocio. Los ingenieros utilizaron datos de rendimiento, rotación de inventario y tasas de pedidos pendientes para validar los cambios de diseño y las inversiones en automatización. Las funciones avanzadas del WMS digitalizaron la documentación, sincronizaron el conteo cíclico y generaron alertas automáticas ante discrepancias o reposiciones tardías. Esto redujo las comprobaciones manuales, acortó el tiempo de respuesta y favoreció los ciclos de mejora continua.
Sistemas de voz, pick-to-light y semiautomatizados
La preparación de pedidos guiada por voz utilizaba auriculares y reconocimiento de voz para guiar a los operarios paso a paso. Los trabajadores mantenían las manos y la vista libres, lo que mejoraba la seguridad y la percepción del entorno, especialmente cerca de apiladores elevadores o en cámaras frigoríficas. En condiciones favorables, los sistemas de voz aumentaron la tasa de preparación de pedidos en aproximadamente un 30 % y redujeron la tasa de errores entre un 50 % y un 90 % en comparación con los procesos en papel. Las operaciones registraron niveles de precisión en los pedidos cercanos al 99.9 % y una incorporación más rápida, ya que el nuevo personal alcanzaba el rendimiento objetivo en cuestión de días en lugar de semanas.
Los sistemas de pick-to-light instalaron módulos de luz en las ubicaciones de almacenamiento para indicar el artículo, la cantidad y la confirmación. Esta guía visual minimizó el tiempo de búsqueda y redujo errores comunes, como SKU erróneos o cantidades contadas incorrectamente. En celdas diseñadas, el pick-to-light admitió líneas de alta frecuencia y se sincronizó correctamente con las cintas transportadoras que alimentaban las estaciones de empaque. Al combinarse con el escaneo de códigos de barras o RFID, estos sistemas crearon un proceso de verificación de circuito cerrado en cada picking.
Las soluciones semiautomatizadas acortaron la distancia entre la preparación manual y la automatización total. Las instalaciones solían combinar guía por voz o luz con escáneres de radiofrecuencia, reglas dinámicas de asignación de posiciones y carros de preparación estructurados. Esta estratificación permitió aumentos graduales de la productividad sin rediseñar completamente el proceso. Los ingenieros evaluaron cada zona según la velocidad de las unidades de mantenimiento (SKU) y el coste de los errores, y luego implementaron la combinación tecnológica adecuada para maximizar el retorno de la inversión y mantener la flexibilidad.
AS/RS, AGV, AMR y diseños de mercancía a persona
Los Sistemas Automatizados de Almacenamiento y Recuperación (AS/RS) mecanizaron la colocación y la recuperación mediante lanzaderas, grúas o módulos de elevación vertical. Estos sistemas aumentaron la densidad de almacenamiento y redujeron el tiempo de búsqueda y recorrido, a menudo reduciendo los ciclos de selección individuales de minutos a segundos. Los estudios de caso informaron reducciones del tiempo de selección de aproximadamente un 70-75% y una significativa recuperación de espacio para operaciones de valor añadido. El acceso controlado al inventario también redujo las mermas y mejoró la trazabilidad para las auditorías.
Los vehículos de guiado automático (AGV) y los robots móviles autónomos (RAM) transportaron palés, contenedores o carros entre zonas sin control humano continuo. Mediante algoritmos de navegación y, en sistemas más recientes, aprendizaje automático, adaptaron las rutas a la congestión y los cambios de prioridad. Esto disoció el transporte de la preparación de pedidos, de modo que los recolectores humanos se centraron en tareas de valor añadido, mientras que los robots se encargaban de los movimientos repetitivos. Las instalaciones que implementaron estos sistemas registraron un mayor rendimiento sin aumentos proporcionales de personal.
Los diseños de mercancía a persona combinaron AS/RS y robótica móvil para llevar los artículos directamente a estaciones de selección ergonómicas. Los operadores ocupaban un espacio reducido mientras lanzaderas, elevadores o AMR entregaban las unidades de almacenamiento secuencialmente. Esta arquitectura minimizó la distancia de recorrido, estandarizó los movimientos y simplificó la capacitación. Los ingenieros ajustaron el tamaño del búfer, la lógica de colas y la disposición de las estaciones para mantener el objetivo de líneas por hora, protegiendo al mismo tiempo la ergonomía y la seguridad de los operadores.
IA, análisis predictivo y modelado de gemelos digitales
La inteligencia artificial y el análisis predictivo utilizaron datos históricos y en tiempo real para anticipar la carga de trabajo y optimizar los recursos. Los modelos pronosticaron picos de demanda, ajustaron los puntos de reorden y propusieron una asignación dinámica de stocks para mantener los SKU de alta velocidad cerca de los puntos de recogida. Los algoritmos también optimizaron la generación de rutas de recogida, lo que previamente había mejorado la productividad de la recogida en cerca de un 9 % en casos documentados sin necesidad de mano de obra adicional. Estas herramientas facilitaron la toma de decisiones sobre descansos escalonados, la dotación de personal y los horarios de recogida de los transportistas.
Los gemelos digitales crearon réplicas virtuales de almacenes, incluyendo estanterías, equipos y lógica de control. Los ingenieros simularon nuevos diseños, opciones de automatización y estrategias de picking antes de la implementación física. Probaron escenarios como la incorporación de AMR, la modificación del tamaño de los lotes o la reconfiguración de zonas, y evaluaron el impacto en el rendimiento, la longitud de las colas y la congestión. Esto redujo el riesgo de puesta en marcha y acortó los tiempos de puesta en marcha para proyectos complejos.
A medida que mejoraba la calidad de los datos, los gemelos digitales y la IA trabajaron en bucle cerrado con los sistemas WMS y LMS. Los KPI en tiempo real calibraban los modelos, mientras que los resultados de los modelos se convertían en nuevos parámetros operativos o asignaciones de tareas. Este enfoque ciberfísico permitió el ajuste continuo de las tasas de selección, la precisión y la utilización de recursos, alineando las operaciones diarias con los objetivos de rendimiento a largo plazo.
Resumen: Establecer y alcanzar objetivos de rendimiento de selección
El rendimiento de la preparación de pedidos en almacén de ingeniería requería definiciones claras, KPI sólidos y objetivos de referencia realistas. Las operaciones que se acercaban a los mejores niveles de su clase solían combinar diseños optimizados, procesos disciplinados y una gestión basada en datos con automatización selectiva. La evidencia de los datos de casos de 2024-2025 mostró que las líneas por hora, la precisión de la preparación y los envíos puntuales respondieron de forma medible a las mejoras en la asignación de pedidos, las rutas de preparación y los sistemas de control digital.
Desde la perspectiva del sector, el nivel de rendimiento siguió en alza. Las operaciones promedio se centraron en unas 120-175 recogidas por hora y una precisión de pedidos del 98-99 %, mientras que las instalaciones líderes en su categoría se centraron en más de 250 recogidas por hora y una precisión del 99.5-99.9 %. Los sistemas de manipulación de materiales semiautomatizados y automatizados, como los sistemas AS/RS, las soluciones de producto a persona y la selección por voz, demostraron reducciones del 30-75 % en el tiempo de recogida y una precisión cercana al 99.9 %. Las tendencias futuras apuntaban a una mayor integración entre sistemas WMS y ERP, KPIs generalizados en tiempo real en planta y un uso más amplio de la IA para la predicción de la demanda, la asignación dinámica de espacios de trabajo y la planificación de la mano de obra.
La implementación práctica requirió un despliegue por fases. Las plantas que tuvieron éxito generalmente comenzaron con mediciones de referencia, mejoras rápidas en la optimización del diseño y la ruta de selección, y la estandarización de los métodos de selección e instrucciones de trabajo. Posteriormente, integraron sistemas WMS, LMS y paneles de control en tiempo real, seguidos de una automatización específica donde la justificación comercial era más sólida, como en el caso de SKUs de alta velocidad o zonas de trabajo con restricciones. Una hoja de ruta equilibrada consideró la automatización como un amplificador de procesos bien diseñados, no como un sustituto.
El panorama tecnológico evolucionó rápidamente, pero los fundamentos se mantuvieron estables. Los indicadores clave de rendimiento (KPI) claros, la formación continua, la eliminación de desperdicios y las estaciones de trabajo ergonómicamente seguras siguieron siendo esenciales. Los gemelos digitales y el análisis predictivo mejoraron las pruebas de escenarios y las decisiones de inversión, pero aún dependían de datos precisos y una ejecución disciplinada. Las organizaciones que revisaban periódicamente el rendimiento en función de los objetivos, ajustaban los diseños y alineaban las metas trimestrales con las expectativas de servicio al cliente fueron las que lograron y mantuvieron consistentemente altas tasas de preparación de pedidos en el almacén. Para las operaciones que involucraban sistemas de preparación de pedidos o plataformas de tijera , la integración efectiva de estas herramientas se volvió fundamental. Además, el uso de transpaletas manuales garantizó flexibilidad en las operaciones manuales.
