Desarrollo de un modelo de predicción de asistencia a servicios de mantención automotriz y recomendación de acciones para mejora la demanda

Abstract

El mercado de las empresas automotrices está en constante crecimiento, por lo que la gran cantidad de empresas existentes y las emergentes están en un constante intento de diferenciación del resto. En este contexto, una empresa automotriz reconocida, con un nivel bajo de uso de recursos computacionales está comenzando a integrar tecnologías que permitan mejorar el desempeño de sus áreas de trabajo y principalmente del área de post-venta, donde se ofrece el servicio de mantenciones automotrices.

El servicio de mantención automotriz es un servicio con costo que presta la empresa a todos sus clientes (dueños de vehículos de la marca) para que puedan mantener su vehículo en óptimas condiciones, pero los últimos años la asistencia a estas mantenciones ha ido decayendo poco a poco. En este marco, nace la necesidad de la empresa de intentar conocer el comportamiento de asistencia a las primeras 3 mantenciones de pauta recomendadas a sus clientes, con el fin de tener espacio a determinar un plan de trabajo de marketing que logre fomentar la demanda de estos servicios.

El presente trabajo tiene por objetivo identificar clientes idóneos a asistir a servicios de mantención vehicular y sus respectivos períodos de cumplimiento de pautas de mantención, y con esto, realizar recomendaciones a la empresa con el fin de aumentar la demanda del servicio. Para esto se pretende determinar la próxima fecha y propensión de asistencia de un cliente a la próxima mantención pauta correspondiente, por lo que se trabaja en la comparación de modelos de Machine Learning como por ejemplo Random Forest y Máquinas de soporte vectorial para determinar los de mejor desempeño.

Para determinar la próxima fecha de asistencia se trabaja con modelos de regresión que permiten predecir los días hasta la próxima mantención y los algoritmos que mejores resultados presentan son Bosques aleatorios y Máquinas de soporte vectorial, obteniendo en los mejores casos un error porcentual absoluto medio de 20%. Para la propensión de asistencia al servicio se utilizan algoritmos de clasificación que permiten obtener una respuesta positiva o negativa de asistencia, y se obtiene que el algoritmo de mejor desempeño en cuanto a sensibilidad es Potenciación del gradiente, con un nivel de acierto cercano a 80% en los casos de estudio.

Finalmente se concluye que si bien los modelos realizados presentan en algunos casos un bajo nivel de predicción, siguen implicando una mejora en comparación a los métodos de predicción utilizados actualmente por la empresa. Aún así, el gran obstáculo que se presentó en el desarrollo del trabajo es la escasa cantidad de datos de calidad existentes y el bajo nivel de información sociodemográfica disponible para estudio.