Establecimiento de KPI y generación de predicción de la demanda para el grupo “viajar por Escocia”
Bibliographic record
Abstract
El presente trabajo busca reflejar una aplicación práctica de un rol logístico analítico dentro de una empresa de servicios. El objetivo del trabajo es proporcionar al lector una visión global de la implementación de un proyecto a nivel gerencial dentro de una empresa, el rol logístico involucra entre sus funciones la capacidad de proporcionar soluciones prácticas a problemas cotidianos y la capacidad de incrementar la eficiencia. Este proyecto se enfoca en dos grandes proyectos para el grupo de empresas VIAJAR POR ESCOCIA, la generación, medición y seguimiento de KPI empresariales y la generación de un pronóstico de la demanda aplicando modelos estacionales para apoyar la planificación logística. \nLas herramientas generadas no solo para el departamento de logística sino también para los otros departamentos que conforman la compañía, fueron un aporte para apoyar el éxito empresarial. Todos fueron realizados haciendo uso de técnicas, mecanismos y herramientas que fueron aprendidas durante diferentes cursos que forman parte del máster en Logística. En el siguiente trabajo se encuentra detallado el proceso de planteamiento del problema, generación de hipótesis y objetivos, así como generación e implementación de las herramientas. Durante este proceso se cuenta con el apoyo de los directivos de la compañía con el fin de generar herramientas robustas que puedan continuarse aplicando en un futuro, con este fin se genera también un manual que detalla los fundamentos de la formulación de la herramienta y expone el mecanismo de actualización de las mismas. Se presentan de igual manera los resultados obtenidos, una medición del error para comprobar la efectividad de los modelos generados y también se hace uso de las herramientas generadas para realizar un análisis de la situación actual de la compañía.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.000 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".