Análisis de datos para la optimización de la gestión de flotas vehiculares: Impacto en los costos operativos y rendimiento empresarial

Abstract

RESUMEN : En este estudio, se aplicó el análisis de datos a la gestión de flotas vehiculares en el sector del transporte de mercancía, con el objetivo de mejorar la eficiencia y rentabilidad de las operaciones logísticas. Se utilizó un conjunto de datos recolectados de una empresa en Medellín, Colombia, y se aplicaron técnicas estadísticas y modelos de regresión para realizar predicciones. Las conclusiones revelaron que la implementación de herramientas basadas en el análisis de datos puede contribuir a mejorar el rendimiento y la eficiencia en la gestión de flotas vehiculares. Los resultados obtenidos demostraron una relación significativa entre los costos operativos y las variables estudiadas. Se recomienda ampliar el conjunto de variables, explorar técnicas de machine learning avanzadas, realizar análisis de sensibilidad, establecer un sistema de monitoreo continuo y aplicar técnicas de optimización. Estas recomendaciones abren futuras líneas de investigación para abordar de manera más completa los desafíos en la gestión de flotas vehiculares y el transporte de mercancía. En general, este estudio resalta la importancia del análisis de datos en la gestión de flotas vehiculares, mostrando cómo las técnicas estadísticas y los modelos de regresión pueden utilizarse para predecir costos y gastos, optimizando así las operaciones logísticas en el sector del transporte de mercancía. Los resultados obtenidos respaldan la relevancia de aplicar estas herramientas en empresas de transporte y ofrecen una base sólida para futuras investigaciones en este campo.

ABSTRACT : In this study, data analysis was applied to the management of vehicle fleets in the merchandise transport sector, with the aim of improving the efficiency and profitability of planning operations. A data set collected from a company in Medellín, Colombia is used, and statistical techniques and regression models were applied to make predictions. The conclusions revealed that the implementation of tools based on data analysis can contribute to improving performance and efficiency in vehicle fleet management. The results obtained supported the alternate hypothesis, demonstrating a meaningful relationship between operating costs and the variables studied. Is recommended to expand the set of variables, explore advanced Machine Learning techniques, perform sensitivity analysis, establish a continuous monitoring system, and apply optimization techniques. These recommendations clarify future lines of research to fully address the challenges in vehicle fleet management and merchandise transport. In general, this study highlights the importance of data analysis in vehicle fleet management, showing how statistical techniques and regression models can be used to predict costs and expenses, thus optimizing planning operations in the freight transport sector. The results obtained support the relevance of applying these tools in transport companies and offer a solid foundation for future research in this field.