Sistema georreferencial para la representación de zonas rojas del servicio de delivery alimenticio en la Región Metropolitana

Abstract

Este trabajo presenta el desarrollo de una plataforma web georreferencial orientada al análisis de la cobertura de servicios de entrega de alimentos en la Región Metropolitana de Santiago, con énfasis en áreas con brechas socioeconómicas y digitales, comúnmente denominadas zonas rojas. La plataforma integra diversas tecnologías, incluyendo Sistemas de Información Geográfica, técnicas de Machine Learning, RPA (Automatización Robótica de Procesos) y web scraping, para recopilar, procesar y visualizar datos socioeconómicos, demográficos y delictivos, así como información de cobertura proveniente de aplicaciones de delivery como Uber Eats, Rappi y PedidosYa. El resultado principal es un sistema interactivo que facilita la identificación de zonas con menor acceso a servicios de delivery alimenticio, permitiendo así visibilizar inequidades y orientar acciones informadas por parte de usuarios finales, investigadores y autoridades. Adicionalmente, el proyecto incorpora un módulo clasificatorio que estima la cobertura futura en zonas censales, reduciendo el tiempo de consultas masivas y potenciando la toma de decisiones en ámbitos como el diseño de políticas públicas más inclusivas. La implementación en la nube (Microsoft Azure) asegura la escalabilidad y disponibilidad de la solución, respaldando su adaptabilidad a distintos contextos socioeconómicos.

This work presents the development of a georeferenced web platform aimed at analyzing the coverage of food delivery services in the Metropolitan Region of Santiago, with a focus on areas facing socioeconomic and digital gaps, commonly referred to as ’red zones’. The platform integrates various technologies, including Geographic Information Systems, Machine Learning techniques, RPA (Robotic Process Automation), and web scraping, to collect, process, and visualize socioeconomic, demographic, and crime-related data, as well as coverage information from delivery applications such as Uber Eats, Rappi, and PedidosYa. The primary outcome is an interactive system that facilitates the identification of areas with limited access to delivery services, thereby making inequalities visible and guiding informed actions by end users, researchers, and authorities. Additionally, the project incorporates a predictive module that estimates future coverage in census areas, reducing the time required for massive queries and enhancing decision-making processes in domains such as the design of more inclusive public policies. The implementation in the cloud (Microsoft Azure) ensures the scalability and availability of the solution, supporting its adaptability to different socioeconomic contexts.