Predicción de la aceptación de pedidos por parte de los repartidores en la industria de entregas a domicilio utilizando machine learning

dc.contributor.advisorBeltrán Castañón, César Armando
dc.contributor.authorAlarcon Flores, Jorge Brian
dc.date.accessioned2024-08-14T14:08:09Z
dc.date.available2024-08-14T14:08:09Z
dc.date.created2024
dc.date.issued2024-08-14
dc.description.abstractLa industria de entregas a domicilio ha experimentado un auge significativo debido a la creciente demanda de los consumidores que buscan la comodidad de recibir productos y alimentos directamente en sus hogares. El avance de tecnologías y aplicaciones móviles ha impulsado el crecimiento de este mercado, permitiéndole adaptarse a las preferencias cambiantes de los consumidores [10] [19]. Sin embargo, un componente crítico en este proceso son los repartidores, quienes, tras la realización de un pedido por parte del cliente en la plataforma de la empresa, reciben notificaciones que les ofrecen una serie de pedidos sugeridos. Si aceptan, asumen la responsabilidad de recoger y entregar el pedido a los consumidores, así como la ganancia asociada, pero en ocasiones, los repartidores pueden declinar la aceptación de un pedido, lo que potencialmente conlleva a retrasos en la entrega, generando experiencias insatisfactorias para los usuarios. Este aspecto se presenta como un desafío significativo en la optimización de las operaciones de entrega a domicilio, el cual puede abordarse con soluciones de aprendizaje de máquina. En este artículo se presentan los resultados de la experimentación realizada con diversos modelos de aprendizaje de máquina, aplicándose la técnica de balanceo Smartly OverSampling con SMOTE. Los modelos se aplicaron a un conjunto de datos proporcionado por una institución latinoamericana líder en el sector de entregas a domicilio, reportando el algoritmo LightGBM, los mejores resultados con un AUC de 0.88 y un Average Precision Recall de 0.47.es_ES
dc.identifier.urihttp://hdl.handle.net/20.500.12404/28670
dc.language.isospaes_ES
dc.publisherPontificia Universidad Católica del Perúes_ES
dc.publisher.countryPEes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by/2.5/pe/*
dc.subjectAprendizaje automático (Inteligencia artificial)es_ES
dc.subjectSoftware de aplicaciónes_ES
dc.subjectNegocios--Tecnología de la informaciónes_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.02.01es_ES
dc.titlePredicción de la aceptación de pedidos por parte de los repartidores en la industria de entregas a domicilio utilizando machine learninges_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
renati.advisor.dni29561260
renati.advisor.orcidhttps://orcid.org/0000-0002-0173-4140es_ES
renati.author.dni72353123
renati.discipline611087es_ES
renati.jurorMelgar Sasieta, Héctor Andréses_ES
renati.jurorBeltrán Castañón, César Armandoes_ES
renati.jurorVillanueva Talavera, Edwin Rafaeles_ES
renati.levelhttps://purl.org/pe-repo/renati/level#maestroes_ES
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeInvestigaciones_ES
thesis.degree.disciplineInformática con mención en Ciencias de la Computaciónes_ES
thesis.degree.grantorPontificia Universidad Católica del Perú. Escuela de Posgrado.es_ES
thesis.degree.levelMaestríaes_ES
thesis.degree.nameMaestro en Informática con mención en Ciencias de la Computaciónes_ES

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
ALARCON_FLORES_JORGE_BRIAN.pdf
Size:
521.96 KB
Format:
Adobe Portable Document Format
Description:
Texto completo
No Thumbnail Available
Name:
ALARCON_FLORES_JORGE_BRIAN_T.pdf
Size:
2.41 MB
Format:
Adobe Portable Document Format
Description:
Reporte de originalidad

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: