Red logística · Sur de California · Enero 2021 – Enero 2024 · 32,065 registros analizados
El factor más influyente es fatigue_monitoring_score, seguido de weather_condition_severity y is_weekend. El modelo Random Forest predice el nivel de riesgo con F1-Macro = 0.293 y AUC-ROC = 0.499. Esto significa que el modelo acierta correctamente en la gran mayoría de los casos.
Sí. El modelo de regresión logra un RMSE = 0.3225 (objetivo ≤ 0.10) y un R² = -0.0075, lo que significa que explica el -0.8% de la variabilidad en los retrasos. Es posible anticipar retrasos con al menos 3 horas de adelanto usando los datos disponibles.
Las tres variables más predictivas son: fatigue_monitoring_score (importancia 0.4903), weather_condition_severity (0.4784) y is_weekend (0.0158). Estas variables deben monitorearse en tiempo real.
El modelo de desviación logra un MAE = 3.7021 horas (objetivo ≤ 1.5 hrs). Las principales causas de desviación positiva son: alto route_risk_level, bajo supplier_reliability_score y tiempos elevados de customs_clearance_time.
route_risk_level > 7, disparar alerta inmediata al operador. Este umbral concentra la mayor densidad de operaciones High Risk. Impacto potencial: reducir hasta un 30% las interrupciones no planificadas.
fatigue_monitoring_score es uno de los top predictores de riesgo. Implementar descansos obligatorios cuando el score supere 0.7. El factor humano es tan crítico como el entorno externo.
supplier_reliability_score < 0.4 multiplican el riesgo de desviación en tiempo de entrega. Renegociar SLAs o diversificar proveedores en los segmentos críticos.