Caso anonimizado
Modelo predictivo para baterías de flota eléctrica
Industria: Transporte y movilidad eléctrica
Modelo de machine learning para estimar comportamiento de baterías y apoyar decisiones diarias en una operación de transporte eléctrico de gran escala.
El caso se presenta sin nombres de clientes. Las métricas aparecen solo cuando existen en la experiencia profesional documentada; los demás resultados se expresan de forma cualitativa.
Desafío
La operación requería anticipar patrones de descarga, mejorar la confiabilidad de datos operacionales y transformar registros históricos en soporte para decisiones de planificación y mantenimiento.
Enfoque de solución
Se desarrolló un flujo analítico con exploración de datos, limpieza, modelamiento predictivo, validación y despliegue mediante API para integrar el resultado con bases de datos operacionales.
Resultados documentados
- Modelo Random Forest con R² de 0.93 en validación cruzada
- Soporte analítico para la gestión diaria de una flota de 800 buses eléctricos
- Mayor visibilidad sobre patrones de descarga y comportamiento operacional