Estrategias basadas en machine learning para la planificación de proyectos de diseño en ingeniería en la empresa Audubon, Sucursal Colombiana

Abstract

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.

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.