¿Podemos anticipar los retrasos?
Ciencia de datos e inteligencia artificial aplicadas al desafío logístico de NutriFresh S.A.S.
Cuatro problemas. Una prioridad.
El crecimiento de NutriFresh ha evidenciado fallas logísticas; priorizamos la detección de retrasos como pregunta analítica.
Retrasos en las entregas
De archivos dispersos a datos analizables.
CRISP-DM como estructura metodológica: comprensión del negocio, datos, preparación, modelado, evaluación y comunicación.
Dashboard interactivo.
Explorar el comportamiento de la muestra académica, con filtros, denominadores y visualizaciones sustentadas en datos.
Distribución de estados de entrega
Conteos por estado con filtro activo
Lectura para gerencia
Las conclusiones cambian con el segmento seleccionado y su tamaño.
¿Qué tan bien anticipamos?
Clasificación de retrasos confirmados. Entrenamiento con 174 pedidos anteriores y prueba con 43 posteriores; 11 retrasos reales en prueba.
Columnas: predicción puntual / retraso. Filas: resultado puntual / retraso.
De los resultados a las decisiones.
Cada recomendación debe enlazar un hallazgo con una acción plausible y un indicador para verificarla en el futuro.
La ciencia de datos también consiste en reconocer límites.
El principal aporte es la trazabilidad del proceso y la identificación de lo que NutriFresh necesita medir antes de confiar en pronósticos operativos.
Material para consulta del docente
Los archivos académicos se incluyen en el paquete del sitio. La bitácora y el video se agregarán cuando estén disponibles.
Fuentes metodológicas y alcance del análisis
Chapman et al. (2000), CRISP-DM 1.0: Step-by-step data mining guide; NIST/SEMATECH, e-Handbook of Statistical Methods; scikit-learn, documentación de clasificación y evaluación. Los 220 pedidos corresponden al CSV académico de 2023, no a un diagnóstico actual de la empresa. Las cifras generales de la pantalla inicial provienen del enunciado del caso.