Diseño e implementación de un sistema de control y pronóstico de conexiones para una compañía distribuidora de combustible

Abstract

El presente trabajo de título se centra en la falta de herramientas de control para el desempeño y la estimación de conexiones de clientes nuevos en el proceso de densificación de la empresa Metrogas S.A., el cual se encarga de las conexiones a la red de gas de clientes residenciales. Esto produce retrasos en la generación de reportes y discrepancias entre lo controlado por el área comercial y el área operacional. El objetivo de este trabajo de tesis, es disminuir el tiempo de obtención de Key Performance Indicator (KPI s) en el proceso de densificación, a partir del desarrollo de un Sistema de Control y Pronóstico (SCP) basado en Business Intelligence (BI), que reflejen la eficiencia del proceso de densificación. Para su desarrollo se utilizaron herramientas de Business Intelligence (BI) apoyado con Data Mining (DM). Para esto se tomó como directriz principal la metodología CRISP-DM (Cross Industry Standard Process for Data Mining). Para el análisis del negocio y la definición de KPI s se utilizó el enfoque de Balances Scorecard (BSC) y su modelamiento con herramientas de BPMN (Businness Process Management Notation). Con esto se realizaron técnicas de ETL (Extract, Transform and Load), almacenando la información en un Data Mart (DM). Luego se generaron modelamientos descriptivos en base a métricas, y predictivos a partir de modelos de series de tiempo. La aplicación de minería de datos, permitió diseñar indicadores de gestión y pronóstico para el proceso de conexión, lo que entregó herramientas para la toma de decisiones fundamentadas, tales como solicitud de materiales o redistribución de cuadrillas de conexión, y realizar las adaptaciones en la asignación de cargas de trabajo a cada contratista, para lograr el cumplimiento de las metas definidas. El principal resultado obtenido con el diseño del Sistema de Control y Pronóstico, fue entregar una herramienta de gestión, que permite pronosticar las conexiones futuras con un margen de error del 5%, y estimar brechas de forma automática. Esto disminuye el tiempo de obtención de KPI s en un 90%, logrando llevar a nueve horas un trabajo antes desarrollado en noventa horas, estableciendo el tiempo para la generación de reportes en un día, entregando información útil y confiable.