Kristjjanpoller Rodríguez, Werner David (Profesor Guía)Michell Valencia, Kevin Esteban (Profesor Correferente)Mora Mansilla, Francisco Andrés2024-10-302024-10-302024-04https://repositorio.usm.cl/handle/123456789/58413Este trabajo se enfoca en la optimización de la cadena de suministro en el sector de e-commerce mediante la aplicación de técnicas de Machine Learning (ML) para mejorar la predicción de los tiempos de entrega. Con el crecimiento del comercio electrónico, la eficiencia en la entrega se ha convertido en un diferenciador competitivo crucial. Este estudio utiliza datos del mercado brasileño, específicamente de la plataforma Olist, para desarrollar modelos predictivos que ayuden a las empresas a mejorar su logística y, por consiguiente, la satisfacción del cliente. La investigación aborda el problema de la optimización de tiempos desde una perspectiva técnica y operativa, haciendo uso de diversos algoritmos de ML como regresión lineal, árboles de decisión, Random Forest, y modelos avanzados como XGBoost, Gradient Boosting Machine (GBM), CatBoost y LightGBM. Se evalúan estos modelos en términos de su capacidad para predecir con precisión los tiempos de entrega basados en características del producto y parámetros logísticos. Los resultados del estudio muestran que la implementación de estas tecnologías no solo permite predicciones más precisas sino que también ofrece estrategias para mejorar la gestión logística integral. Los hallazgos sugieren que la integración de ML puede significar una ventaja competitiva, mejorando la eficiencia operativa y la experiencia del cliente en un mercado altamente competitivo.info:eu-repo/semantics/openAccessMachine LearningOptimización LogísticaE-commerceXGBoosLightGBM3560900285538