Aprende cómo plataformas tipo Uber equilibran oferta y demanda usando liquidez, precios dinámicos y coordinación de despacho para que la movilidad urbana parezca programable.
Una ciudad no es software, pero partes de cómo se mueve pueden tratarse como software cuando una plataforma puede detectar lo que ocurre, aplicar reglas y aprender de los resultados.
En ese sentido, “programable” no significa controlar la ciudad. Significa ejecutar una capa de coordinación que se actualiza continuamente encima de ella.
Una red programable es un sistema donde:
Uber es un ejemplo claro porque traduce continuamente la realidad caótica de la ciudad en señales legibles por máquina, toma miles de pequeñas decisiones y luego actualiza esas decisiones cuando llegan nuevas señales.
La coordinación es compleja porque las “entradas” son inestables y en parte humanas.
El tráfico puede pasar de despejado a atascado en minutos. El clima cambia la demanda y la velocidad de conducción. Conciertos, partidos, retrasos en el metro y cierres de vías crean picos repentinos. Y las personas no se comportan como sensores: responden a precios, tiempos de espera, incentivos y hábitos.
Así que el reto no es solo predecir qué pasará; es reaccionar lo bastante rápido para que la reacción no genere nuevos problemas.
Cuando la gente dice que Uber “programa” una ciudad, normalmente se refiere a que usa tres palancas para mantener el mercado funcionando:
Juntas, estas palancas convierten elecciones individuales dispersas en un flujo coordinado.
Este artículo se centra en conceptos y mecanismos: la lógica básica detrás de la liquidez, la tarificación dinámica, el emparejamiento y los bucles de retroalimentación.
No intentará describir código propietario, fórmulas exactas ni detalles internos de implementación. Piénsalo como un modelo reutilizable para entender cómo las plataformas coordinan servicios físicos a escala urbana.
Uber no es tanto “una app de taxis” como un mercado de dos caras que coordina a dos grupos con objetivos distintos: pasajeros que quieren un viaje ahora, y conductores que buscan trabajo rentable y predecible. El trabajo de la plataforma es traducir miles de decisiones separadas—solicitar, aceptar, esperar, cancelar—en un flujo constante de viajes completados.
Para la mayoría de pasajeros, la experiencia no la define tanto el coche como la rapidez con la que se emparejan y la certeza de que la recogida sucederá. El tiempo hasta la recogida y la fiabilidad (no ser cancelado, no ver la ETA moverse constantemente) son el “producto” práctico.
Por eso la liquidez importa: cuando hay suficientes conductores disponibles cerca de los pasajeros, el sistema puede emparejar rápido, mantener las ETAs estables y reducir cancelaciones.
Cada emparejamiento es un acto de equilibrio entre resultados contrapuestos:
Para gestionar esos compromisos, las plataformas vigilan un puñado de métricas que señalan la salud:
Cuando estos indicadores se mueven, normalmente no es un único problema: es una reacción en cadena en ambos lados del mercado.
La liquidez en un mercado al estilo Uber se define así: suficiente oferta cercana para la demanda, la mayor parte del tiempo. No “muchos conductores en algún lugar de la ciudad”, sino conductores lo bastante cerca como para que un pasajero pida un viaje y reciba un emparejamiento fiable rápidamente.
Cuando la liquidez baja, los síntomas aparecen de inmediato:
No son problemas separados: son distintas caras de la misma escasez: no hay suficientes coches disponibles dentro del radio que importa.
Una ciudad puede tener muchísimos conductores en total y aun así sentirse “seca” si están dispersos. La liquidez es hiperlocal: cambia por manzana y por minuto.
Un estadio que sale a las 22:17 es un mercado distinto del barrio a dos calles a las 22:19. Una intersección lluviosa difiere de una seca. Incluso un único cierre de construcción puede cambiar dónde se acumula la oferta y dónde desaparece.
Por eso la densidad importa más que el tamaño: cada milla extra entre pasajero y conductor añade tiempo de espera, incertidumbre y la posibilidad de que alguien cancele.
Cuando los pasajeros confían en que “llegará un coche”, piden más a más horas del día. Esa demanda constante facilita que los conductores predigan sus ingresos y se mantengan conectados. Más oferta consistente mejora la fiabilidad de nuevo.
La liquidez no es solo un resultado: es una señal que moldea el comportamiento de ambos lados para que sigan usando la plataforma.
Todo lo que hace Uber aguas abajo—precios, emparejamientos, ETAs—depende de una imagen continuamente actualizada de lo que está pasando ahora mismo. Piensa en ello como un “estado en tiempo real” de la ciudad: una instantánea viva que convierte calles caóticas en entradas sobre las que el sistema puede actuar.
A nivel práctico, el estado se construye a partir de muchas señales pequeñas:
Reaccionar es sencillo: aparece un pico de solicitudes en un área y el sistema responde.
Pero el movimiento más valioso es la predicción: pronosticar dónde estará la oferta y demanda antes de que se separen demasiado. Eso puede significar anticipar el final de un concierto, una lluvia o la rutina del viaje matutino. Los pronósticos ayudan a evitar “perseguir el último problema”, donde los conductores llegan solo después de que el pico ya se fue.
A pesar de la etiqueta “tiempo real”, las decisiones se suelen tomar en lotes:
Las calles reales generan datos desordenados. El GPS puede desviarse en cañones urbanos, las actualizaciones pueden llegar tarde y algunas señales desaparecen cuando los teléfonos pierden conectividad. Gran parte de la capa de datos consiste en detectar y corregir estos problemas para que las decisiones posteriores no se basen en fantasmas, ubicaciones obsoletas o velocidades engañosas.
Si quieres ver cómo estas señales influyen en pasos posteriores, continúa en /blog/dynamic-pricing-balancing-supply-and-demand.
La tarificación dinámica (a menudo llamada surge) se entiende mejor como una herramienta de equilibrio. No es principalmente “una forma de cobrar más”; es una perilla de control que la plataforma puede girar cuando el mercado se desajusta.
Un mercado de viajes tiene un problema simple: las personas piden viajes en ráfagas, mientras que los conductores disponibles están desigualmente repartidos y son limitados en cada instante. La meta del sistema es reducir la demanda excesiva (demasiados pasajeros pidiendo) y atraer o retener oferta (suficientes conductores dispuestos a estar disponibles en las zonas correctas).
Cuando los precios se ajustan rápidamente, la plataforma intenta influir dos decisiones a la vez:
Piénsalo así:
Esto funciona minuto a minuto porque las condiciones cambian minuto a minuto: los conciertos terminan, empieza a llover, se retrasan trenes, un barrio se vacía.
Como los precios afectan a las personas directamente, la tarificación dinámica suele necesitar guardarraíles. En la práctica, esto puede incluir:
El punto importante es que la tarificación dinámica es una señal de comportamiento. Es un mecanismo para mantener el mercado usable: permitir recogidas posibles y evitar que los tiempos de espera se disparen cuando la oferta y la demanda dejan de coincidir brevemente.
El precio en una plataforma de viajes no es solo “más alto cuando hay demanda, más bajo cuando está quieto.” El algoritmo intenta mantener el mercado funcionando: suficientes pasajeros piden viajes, suficientes conductores los aceptan y los viajes ocurren con tiempos de espera previsibles.
La precisión importa porque los errores tienen costos asimétricos. Si el sistema sobrevalora, los pasajeros se retiran o posponen viajes y la plataforma puede parecer oportunista. Si lo subvalora durante un pico, las solicitudes entran más rápido de lo que los conductores pueden atender: las ETAs suben, las cancelaciones aumentan y los conductores pueden desconectarse porque la oportunidad no compensa. En ambos casos, la fiabilidad sufre.
La mayoría de sistemas de precios combinan varias señales para estimar condiciones a corto plazo:
El objetivo no es tanto predecir el futuro exacto como moldear el comportamiento ahora: atraer suficientes conductores a zonas ocupadas y desalentar solicitudes con baja probabilidad de servicio.
Aunque la demanda se mueva rápido, los precios no pueden oscilar salvajemente sin dañar la confianza. Técnicas de suavizado (ajustes graduales, topes y promedios en ventanas temporales) ayudan a prevenir saltos bruscos por pequeños cambios de datos, permitiendo respuestas más fuertes ante picos reales por eventos.
Como el comportamiento de pasajeros y conductores es sensible, las plataformas suelen confiar en experimentos controlados (tests A/B) para afinar resultados—equilibrando conversión, aceptación, cancelaciones y tiempos de espera—sin asumir que exista un “precio perfecto”.
El despacho es el momento en que el mercado se convierte en movimiento: el sistema decide qué conductor recoge a qué pasajero y cuál es la mejor acción siguiente.
En cualquier instante hay muchas coincidencias posibles entre conductores y pasajeros cercanos. Despachar y emparejar es elegir una de esas combinaciones sabiendo que esa elección cambiará lo posible en un minuto.
No es solo “el conductor más cercano recibe la solicitud.” La plataforma puede considerar quién puede llegar antes, quién es probable que acepte y cómo esa asignación afecta la congestión en la zona. Cuando hay pooling, también decide si dos pasajeros pueden compartir un vehículo sin romper los tiempos prometidos.
Un objetivo común es minimizar el tiempo de recogida manteniendo la salud del sistema. “Salud” incluye la experiencia del pasajero (esperas cortas, ETAs fiables), la del conductor (ingresos constantes, tiempo muerto razonable) y la equidad (evitar patrones donde ciertos barrios o grupos reciban sistemáticamente peor servicio).
Las decisiones de despacho están limitadas por reglas del mundo real:
Cada emparejamiento mueve oferta. Enviar a un conductor 6 minutos al norte para recoger a un pasajero puede mejorar la espera de ese pasajero, pero también quita oferta del sur, elevando futuras ETAs y posiblemente provocando más reposicionamientos. El despacho es, por tanto, un problema continuo de coordinación: miles de decisiones pequeñas que colectivamente determinan dónde estarán los coches, qué verán los pasajeros y cuánta liquidez permanece en el mercado con el tiempo.
La promesa central de Uber no es solo “llegará un coche”, sino qué tan pronto, qué tan predecible y qué tan fluido será el viaje. La coordinación logística es la capa que intenta hacer esa promesa fiable, incluso cuando calles, clima, eventos y elecciones humanas cambian constantemente.
Las ETAs son parte del producto: los pasajeros deciden pedir (o cancelar) en función de ellas, y los conductores deciden si un viaje merece la pena. Para estimar llegada y duración, el sistema combina datos de mapas con señales en tiempo real: velocidades recientes en segmentos de vía, ralentizaciones típicas según la hora y lo que está pasando ahora (obras, incidentes, un estadio que se vacía).
El enrutamiento nace de eso: no siempre es la “distancia más corta”, sino a menudo el “tiempo esperado más rápido”, actualizado conforme cambian las condiciones. Cuando las ETAs se alargan, la plataforma puede ajustar puntos de recogida, sugerir vueltas alternativas o actualizar las expectativas de ambos.
Aunque el enrutamiento sea bueno, la oferta aún necesita estar cerca de la demanda. Reposicionar es simplemente que los conductores se muevan—por elección—hacia zonas donde es más probable que aparezcan solicitudes pronto. Las plataformas fomentan esto de maneras que no son solo subidas de tarifa: mapas de calor que muestran zonas activas, guías como “dirígete al centro”, sistemas de colas en aeropuertos o recintos y reglas de prioridad que recompensan esperar en áreas designadas.
La coordinación también tiene un problema de retroalimentación: cuando muchos conductores siguen la misma señal, pueden aumentar el tráfico y reducir la fiabilidad de las recogidas. La plataforma reacciona a la ciudad (el tráfico ralentiza las ETAs), y la ciudad reacciona (el movimiento de conductores cambia el tráfico). Ese bucle bidireccional es por qué las señales de enrutamiento y reposicionamiento deben ajustarse continuamente: no solo para perseguir la demanda, sino para evitar crear nuevos cuellos de botella.
Uber no solo empareja pasajeros y conductores una vez; moldea el comportamiento continuamente. Pequeñas mejoras (o fallos) se amplifican porque cada viaje afecta lo que la gente hace después.
Cuando los tiempos de recogida son cortos y los precios parecen predecibles, los pasajeros piden más. Esa demanda constante hace la conducción más atractiva: los conductores pueden mantenerse ocupados, ganar de forma consistente y pasar menos tiempo esperando.
Más conductores en los lugares adecuados reduce las ETAs y las cancelaciones, lo que mejora de nuevo la experiencia del pasajero. En términos simples: mejor servicio → más pasajeros → más conductores → mejor servicio. Así una ciudad puede entrar en un estado saludable donde el mercado se siente sin esfuerzo.
Lo mismo sucede en sentido contrario. Si los pasajeros sufren cancelaciones repetidas o largas esperas, dejan de confiar en la app para viajes sensibles al tiempo. Piden menos o abren varias apps a la vez.
Menos solicitudes reducen la predictibilidad de ingresos de los conductores, así que algunos se desconectan o se van a zonas más concurridas. Esa contracción empeora las ETAs, incrementa cancelaciones y reduce aún más la demanda: cancelaciones → desconfianza → menos solicitudes → menos liquidez.
Unos momentos de servicio perfecto no compensan una experiencia típica inconsistente. La gente planifica según lo que puede contar. ETAs consistentes y menos resultados “quizás” (como cancelaciones de último minuto) crean hábito, y el hábito mantiene a ambos lados volviendo.
Algunas áreas caen en un mínimo local: poca oferta conduce a largas esperas, así los pasajeros dejan de pedir, lo que hace que el área sea menos atractiva para conductores. Sin un empujón externo—incentivos dirigidos, reposicionamiento más inteligente o ajustes de precios—el barrio puede permanecer en un estado de baja liquidez incluso si zonas cercanas prosperan.
La mayor parte del tiempo, un mercado de viajes se comporta previsiblemente: la demanda sube y baja, los conductores van hacia zonas activas y las ETAs se mantienen en un rango familiar. Los “casos límite” son los momentos en que esos patrones se rompen—a menudo de forma repentina—y el sistema debe decidir con entradas imprecisas o incompletas.
Picos por eventos (conciertos, salidas de estadios), choques climáticos y cierres viales grandes pueden crear demanda sincronizada y al mismo tiempo ralentizar recogidas y entregas. Caídas de la app o fallos de pago son distintos: no solo cambian la demanda, sino que interrumpen los canales de retroalimentación que la plataforma usa para “ver” la ciudad. Incluso problemas más pequeños (deriva del GPS en el centro, un retraso de metro que descarga pasajeros en la calle) pueden agravarse cuando muchos usuarios los sufren a la vez.
La coordinación es más difícil cuando las señales están atrasadas o parciales. La disponibilidad de conductores puede aparentar ser alta, pero muchos pueden estar atrapados en tráfico, a mitad de un viaje o reacios a aceptar una recogida con acceso incierto. De igual forma, un pico de solicitudes puede llegar más rápido de lo que el sistema confirma oferta, así que las predicciones a corto plazo pueden sobrepasar o quedarse cortas frente a la realidad.
Las plataformas suelen apoyarse en una mezcla de palancas: frenar el crecimiento de la demanda (por ejemplo, limitar solicitudes repetidas), priorizar tipos de viaje y adaptar la lógica de emparejamiento para reducir la rotación (como cancelaciones excesivas y reasignaciones). Algunas estrategias se enfocan en mantener el servicio viable en un área más pequeña en lugar de estirarlo por toda la ciudad.
Cuando las condiciones son inestables, las señales claras al usuario importan: ETAs realistas, cambios de precio transparentes y políticas de cancelación entendibles. Incluso pequeñas mejoras en la claridad pueden reducir “toques de pánico”, cancelaciones innecesarias y re-solicitudes repetidas—comportamientos que de otro modo amplifican el estrés en la red.
Cuando una plataforma puede enrutar coches y fijar precios en tiempo real, también puede moldear quién recibe servicio, dónde y a qué coste. Por eso “hacer el sistema mejor” no puede reducirse a un solo número.
Las preocupaciones por la equidad aparecen en resultados cotidianos:
Cualquier algoritmo de precios o despacho intercambia implícitamente objetivos, como:
No se pueden maximizar todos a la vez. Elegir qué optimizar es una decisión de política tanto como técnica.
Los datos de viajes son sensibles porque pueden revelar patrones de hogar/trabajo, rutinas y visitas a lugares privados. Un enfoque responsable enfatiza la minimización de datos (recoger solo lo necesario), retención limitada, controles de acceso y uso cuidadoso de trazas GPS precisas.
Apunta a una mentalidad de “sistema digno de confianza”:
Si desmontas la marca y la app, el efecto de “ciudad programable” de Uber está impulsado por tres palancas que funcionan continuamente y se refuerzan mutuamente: liquidez, precios y despacho/logística.
1) Liquidez (densidad en los momentos/lugares adecuados). Más oferta cercana reduce tiempos de espera, lo que aumenta viajes completados, atrae más pasajeros y mantiene a los conductores con ganancias—creando un bucle auto-reforzante.
2) Precios (dirigir comportamiento). La tarificación dinámica no se trata tanto de “precios más altos” como de desplazar incentivos para que la oferta vaya hacia picos de demanda y los pasajeros revelen cuán urgente es su viaje. Bien hecha, la tarificación protege la fiabilidad; mal hecha, puede provocar abandono y escrutinio regulatorio.
3) Despacho y logística (aprovechar al máximo lo disponible). El emparejamiento, el enrutamiento y el reposicionamiento convierten la oferta bruta en oferta utilizable. Mejores ETAs y emparejamientos inteligentes “crean” liquidez al reducir tiempo inactivo y cancelaciones.
Cuando estas palancas están alineadas, se obtiene un bucle simple: mejor emparejamiento → recogidas más rápidas → mayor conversión → más ingresos/disponibilidad → más pasajeros → más datos → emparejamientos y precios aún mejores.
Puedes aplicar el mismo modelo a entrega de comida, fletes, servicios domésticos e incluso mercados de citas y citas programadas:
Si quieres más sobre métricas y primeras lecciones de precios, ve a /blog/marketplace-metrics y /blog/dynamic-pricing-basics.
Si estás construyendo un mercado con palancas similares—estado en tiempo real, reglas de precios, flujos de trabajo de despacho y guardarraíles—el desafío principal suele ser la rapidez: convertir ideas en un producto funcional lo bastante rápido para iterar sobre comportamiento y métricas. Plataformas como Koder.ai pueden ayudar a equipos a prototipar y lanzar estos sistemas más deprisa permitiendo construir back offices web (a menudo React), backends en Go/PostgreSQL e incluso apps móviles mediante flujos de trabajo guiados por chat—útil cuando quieres probar lógica de despacho, paneles de experimentación o configuración de reglas de precios sin rehacer la infraestructura.
Qué medir: ETA de recogida (p50/p90), tasa de cobertura (fill rate), tasa de cancelación (por lado), utilización/tiempo inactivo, tasa de aceptación, ingresos por hora, distribución de multiplicadores de precio y tasa de repetición.
Qué afinar: reglas de emparejamiento (prioridad, lotes), nudges de reposicionamiento, diseño de incentivos (bonos vs multiplicadores) y los “guardarraíles” que previenen resultados extremos.
Qué comunicar: qué provoca cambios de precio, cómo se protege la fiabilidad y qué pueden hacer los usuarios (esperar, caminar, programar, cambiar de nivel). Explicaciones claras reducen el miedo a que “el algoritmo es aleatorio”—y la confianza es su propia forma de liquidez.
Una ciudad “programable” no es literalmente software: es una ciudad en la que una plataforma puede:
El servicio de transporte bajo demanda es un ejemplo claro porque convierte el caos urbano en señales legibles por máquina y actúa continuamente sobre ellas.
Una red programable combina:
La idea clave es que las decisiones se actualizan repetidamente a medida que llegan nuevas señales.
Porque las entradas son inestables y en parte humanas:
La plataforma no solo predice la ciudad: reacciona en tiempo real intentando no crear nuevos problemas (por ejemplo, precios volátiles o oferta mal distribuida).
Liquidez significa tener suficientes conductores y pasajeros cercanos para que los emparejamientos ocurran de forma rápida y fiable.
No es “muchos conductores en la ciudad”, sino densidad a nivel bloque por bloque, porque la distancia aumenta:
La baja liquidez suele manifestarse como:
Estos síntomas están conectados: son diferentes caras de la misma escasez local.
La tarificación dinámica debe verse como un mecanismo de equilibrio, no solo como “cobrar más”. Cuando la demanda supera la oferta, precios más altos pueden:
Cuando el desajuste disminuye, los precios pueden volver a niveles normales.
Los guardarraíles son decisiones de diseño que evitan que los precios dañen la confianza o causen perjuicios. Ejemplos comunes:
El objetivo es mantener el mercado usable y predecible.
No siempre gana el conductor más cercano. El emparejamiento suele considerar:
Un buen emparejamiento mejora el viaje actual sin degradar los próximos minutos del sistema.
La plataforma forma un “estado en tiempo real” a partir de señales como:
Las decisiones se suelen tomar en lotes (cada pocos segundos) sobre del mapa y ventanas de tiempo cortas para reducir el ruido.
Las plataformas pueden optimizar velocidad y ingresos y aun así generar malos resultados. Las preocupaciones principales son:
Salvaguardias prácticas incluyen auditorías por impacto disparate, minimización y límites de retención de datos, monitorización de anomalías y vías de intervención humana.
