Publicación: Estrategias basadas en machine learning para la planificación de proyectos de diseño en ingeniería en la empresa Audubon, Sucursal Colombiana
Portada
PDF 
FLIP 
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Director
Fecha
Resumen en español
Los proyectos de ingeniería en el sector Oil & Gas presentan alta complejidad y riesgos financieros debido a la falta de planeación detallada. Esta investigación propone un modelo de aprendizaje automático para identificar variables críticas y anticipar impactos financieros negativos en la empresa Audubon. Se utiliza una metodología descriptiva y aplicada, implementando algoritmos como Regresión Logística, Árbol de Decisión, Random Forest y XGBoost, validados con métricas de Recall, F1-Score y AUC-ROC. Los resultados muestran que los modelos de ensamblado (Random Forest y XGBoost) superan a los modelos logísticos, con valores de recall y AUC-ROC superiores a 0.95 y 0.97 respectivamente. Estos modelos capturan relaciones no lineales y generalizan bien, siendo idóneos para predecir viabilidad financiera en entornos de datos heterogéneos. Los hallazgos apoyarán la toma de decisiones estratégicas, optimizarán la gestión de proyectos y mitigarán riesgos financieros.
Resumen en inglés
Engineering projects in the Oil & Gas sector are highly complex and carry significant financial risks due to a lack of detailed planning. This research proposes a machine learning model to identify critical variables and anticipate negative financial impacts at Audubon. A descriptive and applied methodology is used, implementing algorithms such as Logistic Regression, Decision Tree, Random Forest, and XGBoost, validated with Recall, F1-Score, and AUC-ROC metrics. The results show that the assembly models (Random Forest and XGBoost) outperform the logistic models, with recall and AUC-ROC values exceeding 0.95 and 0.97, respectively. These models capture nonlinear relationships and generalize well, making them ideal for predicting financial viability in heterogeneous data environments. The findings will support strategic decision-making, optimize project management, and mitigate financial risks.