Browsing by Subject "Hospitality industry"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Mantenimiento preventivo en equipos hoteleros con base en ocupación, daños históricos y reservas futuras
    (Pontificia Universidad Javeriana Cali, 2026) De la Ossa Pabón, Carlos Eduardo; Pabón Burbano, María Constanza
    En el sector hotelero, la operatividad continua de las áreas generadoras de ingresos es esencial. La interrupción no planificada o la entrega de una experiencia deficiente puede resultar en costos significativos a corto y largo plazo. Este proyecto desarrolló un modelo de predicción del momento de fallo de equipos hoteleros, utilizando la ocupación histórica del hotel, reservas futuras y datos históricos de mantenimiento como indicadores clave. Se trabajó con datos reales del sistema Nuvola, plataforma SaaS de gestión hotelera, correspondientes a cuatro hoteles independientes en Estados Unidos con periodos de operación entre 2020 y 2026. Dada la limitación de los datos reales (ausencia de clasificación preventiva/correctiva y de indicadores de condición), se diseñaron tres escenarios de análisis: (1) datos reales con las variables disponibles, (2) datos sintéticos calibrados con perfiles de madurez por hotel que incluyen el campo condicion_post, y (3) escenario ideal que agrega variables físicas de vida útil de los equipos. La metodología siguió el framework CRISP-DM e implementó, desde cero en Python, análisis de supervivencia mediante Kaplan-Meier, regresión logística con regularización L2 y una validación cruzada Leave-One-Hotel-Out (LOHO-CV) diseñada específicamente para respetar la independencia entre propiedades hoteleras. Los resultados del Escenario 1 con datos reales muestran un AUC LOHO de 0.724. La comparación de seis técnicas de aprendizaje automático — regresión logística, LR con feature engineering, SVM lineal, SVM con kernel RBF, Random Forest y Gradient Boosting— confirma que el Gradient Boosting obtiene el mejor AUC (0.738), aunque la diferencia entre técnicas es menor que la varianza interhotel (±0.15), evidenciando que el volumen del dataset es la limitación principal. El sistema fue desplegado localmente mediante una API REST con FastAPI y Docker, permitiendo el ingreso de datos en tiempo real sobre la ocupación y las variables identificadas. Los resultados demuestran la viabilidad técnica del enfoque predictivo para la gestión de mantenimiento hotelero, y establecen un esquema mínimo de datos que los hoteles deben registrar para implementar modelos similares.