Resumen:
This project aims to implement an interactive visualization tool based on machine learning models to support logistical planning and improve loading efficiency in a crop nutrition production plant. The CRISP–DM methodology was applied to structure the process, including business understanding, exploratory analysis, data preparation, predictive modeling, and deployment within Power BI.
Supervised regression models (Linear Regression, Random Forest, and XGBoost) were trained, with Random Forest achieving the best performance. The model reduced the average planning error from 14.02 to 7.38 minutes, representing a 47.3% improvement compared to the current manual estimation method used by the plant. The visualization tool enables planners to view predicted loading times, compare them with actual values, and identify operational deviations through indicators such as OTIF.
The economic assessment shows operational savings of approximately USD 1,200 to USD 1,600 per month, equivalent to around USD 18,000 annually, excluding indirect benefits such as reduced idle time and improved process stability. The study demonstrates the feasibility of integrating machine learning techniques with business intelligence tools in real logistics environments, providing a methodological framework that can be replicated in similar industrial operations.
Keywords: logistics, machine learning, Random Forest, CRISP–DM, data visualization, Power BI, loading time estimation.
Descripción:
El presente proyecto tiene como objetivo implementar una herramienta de visualización interactiva basada en modelos de aprendizaje automático para apoyar la planificación logística y mejorar la eficiencia del proceso de carga en una planta de productos de nutrición de cultivos. Se aplicó la metodología CRISP–DM para estructurar el análisis, incluyendo la comprensión del negocio, el análisis exploratorio, la preparación de datos, el modelado predictivo y el despliegue en Power BI.
Se entrenaron modelos de regresión supervisada (Regresión Lineal, Random Forest y XGBoost), determinándose que Random Forest ofrece el mejor desempeño al reducir el error promedio de planificación de 14.02 a 7.38 minutos, lo que representa una mejora del 47.3 % respecto al método manual utilizado por la planta. La herramienta desarrollada permite visualizar estimaciones de tiempo de carga por jornada, comparar valores reales y predichos, e identificar desviaciones operativas mediante indicadores como OTIF.
El análisis económico evidencia un ahorro operativo estimado entre USD 1,200 y USD 1,600 mensuales, equivalente a aproximadamente USD 18,000 anuales, sin considerar beneficios indirectos como la reducción de tiempos muertos y la mayor estabilidad del proceso. El estudio demuestra la viabilidad de integrar técnicas de machine learning y herramientas de inteligencia de negocios en entornos logísticos reales, aportando una base metodológica aplicable a otras operaciones del sector
