Gestión de Pedidos en Comida Rápida

1 Objetivo del Proyecto

1.0.0.1 Analizar la oferta y de manda para poder implementar una empresa dedicada al rubro de la comida rápida “hamburguesería” analizar la demanda que tiene en la zona y creando un programa adecuado para su rendimiento optimo acortando los tiempos de espera que son una de las metas y ser auto sustentable mediante la toma de mediciones con los programas que se implementan

---

1.1 Etapa de Recolección de Datos

1.1.0.1 Obtener una base de datos representativa para el análisis de tiempos.

1.1.0.2 Métodos: Se utiliza una simulación Monte Carlo para generar datos de pedidos basados en el canal de venta (Digital vs. Tradicional).

# Configuración de simulación
set.seed(123)
n_pedidos <- 100
productos <- c("Pizza", "Hamburguesa", "Pollo", "Salchipapa", "Gaseosa")

# Generación del dataframe
df_pedidos <- data.frame(
  ID = 1:n_pedidos,
  Producto = sample(productos, n_pedidos, replace = TRUE),
  Canal = sample(c("Digital", "Tradicional"), n_pedidos, replace = TRUE),
  Cant = sample(1:5, n_pedidos, replace = TRUE)
)

# Lógica de tiempos: Digital es más eficiente que el Tradicional
df_pedidos$Tiempo <- ifelse(df_pedidos$Canal == "Digital", 
                         round(rnorm(n_pedidos, 8 + df_pedidos$Cant*0.5, 1.5), 1), 
                         round(rnorm(n_pedidos, 18 + df_pedidos$Cant*0.8, 2.5), 1))

# Mostrar los primeros registros
head(df_pedidos)

  ID    Producto       Canal Cant Tiempo
1  1       Pollo     Digital    2   10.8
2  2       Pollo     Digital    1    7.7
3  3 Hamburguesa     Digital    2    7.5
4  4 Hamburguesa     Digital    4   12.5
5  5       Pollo Tradicional    5   21.7
6  6     Gaseosa Tradicional    1   15.7

2 Análisis Descriptivo de los Datos

2.0.0.1 Identificar patrones de consumo y distribución de carga de trabajo.

2.0.0.2 Métodos: Análisis de frecuencias y visualización mediante gráficos de cajas y barras.

library(ggplot2)

# Gráfico de cajas para ver la distribución de tiempos por canal
ggplot(df_pedidos, aes(x = Canal, y = Tiempo, fill = Canal)) +
  geom_boxplot() +
  theme_minimal() +
  labs(title = "Distribución de Tiempos por Canal", y = "Minutos")

# Gráfico de barras de productos más pedidos
ggplot(df_pedidos, aes(x = Producto, fill = Producto)) +
  geom_bar() +
  coord_flip() +
  theme_light() +
  labs(title = "Preferencia de Productos")

3 Identificación de Relaciones y Tendencias

3.0.0.1 Modelar la relación entre el volumen del pedido y el tiempo de despacho.

3.0.0.2 Métodos: Regresión Lineal Múltiple para cuantificar el impacto de la cantidad y el canal en el tiempo.

# Creación del modelo predictivo
modelo_pedidos <- lm(Tiempo ~ Cant + Canal, data = df_pedidos)

# Resumen estadístico del modelo
summary(modelo_pedidos)

Call:
lm(formula = Tiempo ~ Cant + Canal, data = df_pedidos)

Residuals:
    Min      1Q  Median      3Q     Max 
-5.3147 -1.2063 -0.0398  1.4900  6.5181 

Coefficients:
                 Estimate Std. Error t value Pr(>|t|)    
(Intercept)        7.4485     0.4731  15.743  < 2e-16 ***
Cant               0.8164     0.1339   6.096 2.21e-08 ***
CanalTradicional  10.4170     0.4182  24.910  < 2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.08 on 97 degrees of freedom
Multiple R-squared:  0.8776,    Adjusted R-squared:  0.8751 
F-statistic: 347.9 on 2 and 97 DF,  p-value: < 2.2e-16

# Visualización de la tendencia lineal
ggplot(df_pedidos, aes(x = Cant, y = Tiempo, color = Canal)) +
  geom_point() +
  geom_smooth(method = "lm", se = TRUE) +
  theme_minimal() +
  labs(title = "Tendencia: Cantidad vs Tiempo")

`geom_smooth()` using formula = 'y ~ x'

4 Evaluación de Hipótesis

4.0.0.1 Validar si existe una diferencia estadísticamente significativa entre los canales de atención.

4.0.0.2 Métodos: Prueba T-Student para muestras independientes.

# Prueba de Hipótesis
# Ho: No hay diferencia entre Digital y Tradicional
# Ha: El canal Digital es significativamente distinto al Tradicional
prueba_t <- t.test(Tiempo ~ Canal, data = df_pedidos)

print(prueba_t)

    Welch Two Sample t-test

data:  Tiempo by Canal
t = -21.762, df = 82.9, p-value < 2.2e-16
alternative hypothesis: true difference in means between group Digital and group Tradicional is not equal to 0
95 percent confidence interval:
 -11.652167  -9.700615
sample estimates:
    mean in group Digital mean in group Tradicional 
                 9.721569                 20.397959