Evaluación entre metodologías de aprendizaje de máquinas y método tradicional de programación para la normalización de direcciones en una empresa de despacho

Abstract

Históricamente, el servicio de despacho de paquetes ha sido esencial para el desarrollo y progreso de la sociedad, evolucionando desde mensajeros hasta drones. La normalización de direcciones es clave para su eficiencia y calidad, aunque presenta desafíos significativos para las empresas de despacho. El presente trabajo tiene como objetivo principal proponer y evaluar mejoras en el sistema de normalización de direcciones de una empresa de despachos en Chile, a través del uso del aprendizaje automático. Se desarrolló un modelo supervisado que integra técnicas de Procesamiento de Lenguaje Natural (NLP) con un algoritmo de clasificación de Máquinas de Soporte Vectorial (SVM), específicamente diseñado para optimizar la normalización de direcciones. Al comparar el modelo de aprendizaje supervisado propuesto con el sistema de progra- mación tradicional actualmente en uso, se emplearon dos conjuntos de datos: uno ficticio y otro real. La precisión de ambos modelos se evaluó con una métrica estándar para el mo- delo de aprendizaje supervisado y una métrica específica desarrollada para este estudio en el caso del modelo tradicional. Los resultados indicaron que el modelo supervisado alcanzó una precisión del 97 % con la base de datos ficticia, superando significativamente al 59 % del modelo tradicional. Sin embargo, al aplicarlo a una base de datos real, la precisión del modelo supervisado disminuyó a 63 %, superando solo ligeramente al 61 % del modelo tradicional. Esta disminución sustancial en la precisión sugiere la posibilidad de sobreajuste en el modelo supervisado, limitando su efectividad en entornos reales. Actualmente, la persona encargada de la corrección manual de direcciones en la empresa logra abarcar, cómo máximo, el 30 % de las correcciones necesarias diariamente, lo que sub- raya la urgencia de mejorar este proceso. Al final del estudio, se revela que una reducción de tan solo el 2 % en el error de normalización de nuevas direcciones podría resultar en un ahorro de 129 millones para la empresa. Para el futuro, se propone la exploración de tecnologías avanzadas, como la implementación de chatbots de IA a través de una API específica para la normalización de direcciones, y la adopción de técnicas de aprendizaje por refuerzo para perfeccionar los modelos de aprendizaje supervisado. Estas iniciativas apuntan a abordar las limitaciones actuales, optimizando la normalización de direcciones para satisfacer el objetivo de la empresa de liderar en calidad de servicio. Este estudio sienta las bases para futuras mejoras que prometen no solo aumentar la precisión en la normalización de direcciones sino también contribuir significativamente a la eficiencia, satisfacción del cliente y éxito económico de la empresa.