García Arboleda, Isabel CristinaDuarte Quintero, Daniel Felipe2025-10-222025-10-222025http://hdl.handle.net/11522/4958Este proyecto se centró en el diseño e implementación de un sistema predictivo de capacidad y eficiencia en una planta de producción de especialidades químicas, mediante el uso de ciencia de datos y aprendizaje automático. La problemática abordada fue la brecha operativa del 20% entre la capacidad teórica de los trenes de producción (agrupación de equipos con tecnologías similares) y su capacidad real, generando subutilización de recursos y reducción en la eficiencia global. La solución desarrollada comprendió la captura automatizada de datos en planta mediante formularios digitales, la integración de múltiples fuentes (plan de producción, ERP, históricos de parada) y la construcción de una base consolidada para modelado. Se entrenaron cuatro modelos por tren (Regresión Lineal Múltiple, Random Forest, XGBoost y Prophet), evaluados mediante métricas de error como RMSE, MAE, MAPE y R², y validados con técnicas de validación cruzada. Además, se generaron predicciones a seis meses por tren y se compararon con la capacidad teórica establecida por la alta gerencia. Como resultado, se obtuvo una arquitectura predictiva robusta, complementada por un tablero interactivo (Power BI) para la visualización dinámica del desempeño por tren, incluyendo predicciones, brechas de capacidad y alertas operativas. Esta herramienta permite soportar la toma de decisiones estratégicas en la planificación de la producción. Si bien el enfoque se diseñó para una planta específica, su metodología es escalable a otras unidades productivas con adaptaciones mínimas. El proyecto representa una aplicación integral de la ciencia de datos al entorno industrial específicamente a la producción de químicos, articulando captura de datos, procesamiento, modelado, validación y visualización de resultados en una solución operativa lista para implementación.64 p.application/pdfspaPredicciónIndustria químicaMachine LearningEficienciaBusiness intelligencePredictionChemical industryMachine LearningEfficiencyBusiness intelligencemaster thesishttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2