Tasa de Aceptación General

• 92.3% de aceptación general (115,860 de 125,549 pedidos)
• Variación significativa por hora: desde 54.8% (5h) hasta 97.4% (10h)

Factores Principales

• Factor distancia
• Impacto de elevación
• Estructura de ganancias

Detalles del Conjunto de Datos

• Tamaño: 125,549 pedidos
• Período: 5 Sep - 4 Oct 2017 (30 días)
• Alcance: 808 tiendas analizadas

Enfoque de Análisis

• Análisis exploratorio de datos
• Modelado estadístico
• Análisis predictivo
• Análisis temporal y por tienda

Herramientas y Técnicas

• R (tidyverse, tidymodels, etc.) + Quarto
• Modelos: Regresión Logística, Random Forest, XGBoost
• Pruebas estadísticas y validación
• Métricas para datos desbalanceados

Cobertura Temporal

• Datos de un período limitado (5 Sep - 4 Oct 2017)
• Patrones estacionales no capturados

Características Faltantes

• Sin ubicación del repartidor
• Sin tiempo de preparación del pedido
• Sin ratings de cliente/repartidor

Alcance del Análisis

• Sin análisis geoespacial (solo análisis por tienda)

Consideraciones

• Reentrenar modelo periódicamente
• Mejoras futuras con más características

Variables Principales

• order_id: Carácter (125,549 únicos)
• store_id: Carácter (808 tiendas)
• to_user_distance: Numérico (0-9.36 km)
• to_user_elevation: Numérico (-260 a 975 m)
• total_earning: Numérico (0-108,200 COP)
• created_at: Fecha (5 Sep - 4 Oct 2017)
• taken: Binario (0/1)

Calidad de Datos

• Completitud: 100% (0% faltantes)
• Unicidad: 100% (0 duplicados)
• Validez: 100%
• Alcance: 125,549 pedidos, 808 tiendas

Valores Atípicos

• Distancia: 0.9% (1,144)
• Elevación: 7.9% (9,960)
• Ganancias: 2.1% (2,615)

Resumen de Características:

• Features originales: 11
• Features creadas: 46
• Total: 57 features

Temporales: weekday, hour, time_of_day, is_peak_hours, is_weekend

Distancia: distance_bins, earning_per_km, log_distance, is_near/medium/far

Elevación: elevation_abs, direction, is_steep, elevation_per_km

Económicas: earning_bins, earning_per_km, earning_to_distance_ratio

Dificultad: difficulty_score, difficulty_category

Interacción & Store-level: distance × elevation, peak × distance, store_acceptance_rate, store_n_orders

¿Cuántos pedidos NO fueron tomados?

• 9,689 pedidos rechazados (7.7%)
• 115,860 pedidos aceptados (92.3%)

¿Qué día tiene mayor rechazo?

• Sábado: 10.0% rechazo (peor)
• Domingo: 4.7% rechazo (mejor)
• Ranking: Sáb > Vie/Jue (8.9%) > Lun (8.6%) > Mar (7.3%) > Mié (6.8%) > Dom

Efectos Topográficos:

• Entregas cuesta arriba: 92.6% de aceptación
• Entregas cuesta abajo: 91.4% de aceptación
• Terreno plano: 93.1% de aceptación (mejor rendimiento)

Efectos de Interacción:

• Distancia × Elevación: Correlación negativa con aceptación (-0.064)
• Impacto combinado: Rutas largas con elevación alta muestran menor aceptación

Compensación Actual:

• Ganancias promedio (aceptados): $5,399 COP
• Ganancias promedio (rechazados): $5,085 COP (7.7% menor)
• Aceptación por categoría: Baja (86.4%) → Media (92.9%) → Alta (93.3%)

Recomendaciones:

• Precios dinámicos por distancia/elevación
• Precios de sobrecarga para rutas difíciles
• Correlación: r = 0.066 (ganancias por km vs aceptación)

Variabilidad entre Tiendas:

• 707 tiendas analizadas (mínimo 10 pedidos)
• Rango de aceptación: desde 25% hasta 100%
• Variabilidad significativa sugiere factores específicos por tienda

Tiendas con Mejor Rendimiento:

• Top 5 tiendas: 100% de aceptación
• Características comunes: distancias promedio 1.0-1.5 km, ganancias promedio 4,800-6,400 COP

Tiendas con Bajo Rendimiento:

• Peores tiendas: 25-56% de aceptación
• Factores asociados: distancias mayores (1.4-2.2 km) y/o ganancias relativamente bajas (4,900-7,000 COP)

Implicaciones:

• Oportunidades de mejora en tiendas problemáticas
• Identificar y replicar mejores prácticas de tiendas top

Factores Negativos:

• Hora +1: -2.8 pp [-3.3, -2.3]
• Distancia +1km: -2.5 pp [-2.9, -2.1]
• Pedido nocturno: -2.3 pp [-2.5, -2.0]
• Ganancias bajas: -1.4 pp [-1.6, -1.2]

Factores Positivos:

• Ganancias +1 SD: +2.4 pp [+2.1, +2.7]
  • (~1,785 COP)
• Distancia cercana: +0.8 pp [+0.3, +1.3]
• Elevación +1m: +0.5 pp [+0.2, +0.8]

Modelos Entrenados:

• Regresión Logística
• Random Forest
• XGBoost

Métricas de Evaluación:

• ROC-AUC
• Precisión / Recall
• F1-Score
• MCC (Matthews Correlation)

Enfoque Metodológico:

• Validación cruzada estratificada (k=5)
• Split temporal train/test (70/30)
• Métricas para target desbalanceados
• Optimización de umbrales

Resultados (ROC-AUC):

• Logistic Regression: 0.383 (mejor)
• Random Forest: 0.354
• XGBoost: 0.338
• Desbalance: 11.6:1 (clase minoritaria 7.9%)

Escenario 1: Pedido Típico (5km, tarde)

• Baseline: 92.3% aceptación
• Distancia 5km: -12.7 pp → 79.6%
• Si es tarde (vs. noche): +1.3 pp → 80.9%
• Con ganancias +2,000 COP: +2.7 pp → 83.6%

Acción: Incrementar compensación en pedidos largos

Escenario 2: Pedido Nocturno Cercano

• Baseline: 92.3% aceptación
• Pedido nocturno: -2.3 pp → 90.0%
• Distancia cercana (<1km): +0.8 pp → 90.8%
• Elevación favorable: +0.5 pp → 91.3%

Insight: Factores se compensan entre sí

Hallazgo:

• Cada km adicional reduce 2.5 pp la aceptación
• Pedidos >5km tienen 12.7 pp menos aceptación

Propuesta:

• Incrementar compensación progresiva por distancia
• Prima adicional para pedidos >4km
• Ajuste basado en hora del día

Implementación:

1. Piloto A/B en tiendas seleccionadas
2. Métrica clave: Tasa de aceptación en pedidos largos
3. Validar costo vs. beneficio operativo

Potencial:

Mejorar 7.7% de pedidos rechazados (~9,689 pedidos)

Hallazgo:

• Pedidos nocturnos: -2.3 pp aceptación
• Hora pico: -0.6 pp aceptación
• Variación significativa por hora (54.8% a 97.4%)

Propuesta:

• Incentivos diferenciados por franja horaria
• Bonos para horas de baja aceptación (5-8h)
• Estrategia de reclutamiento nocturno

Acción Inmediata:

• Analizar disponibilidad de repartidores vs. demanda
• Ajustar compensación en ventanas críticas
• Comunicar claramente primas nocturnas

Beneficio:

Balancear oferta/demanda en horas problemáticas

Hallazgo:

• Variabilidad 25%-100% entre tiendas
• 707 tiendas analizadas (≥10 pedidos)
• Tiendas bajas: distancias mayores + compensación baja

Propuesta:

• Identificar top 20% tiendas con peor desempeño
• Análisis profundo de factores locales
• Intervención específica por tienda

Acciones:

1. Diagnóstico: Perfil de cada tienda problemática
2. Ajuste: Compensación personalizada
3. Monitoreo: KPIs semanales de mejora

Meta:

Reducir variabilidad y elevar piso de aceptación

Propuesta:

• Modelo en tiempo real para predecir rechazo
• Score de riesgo por pedido (alto/medio/bajo)
• Alertas proactivas a despachadores
• Sugerencias de ajuste de compensación

Basado en:

• Distancia, hora, elevación, compensación
• Efectos marginales validados

Implementación:

• API de predicción en tiempo real
• Dashboard para operaciones
• Logs para mejora continua

Valor:

Intervenir antes del rechazo, no después

Flujo de Predicción:

┌─────────────────┐
│  Pedido Creado  │
└────────┬────────┘
         │
    ┌────▼────┐
    │ ML API  │
    └────┬────┘
         │
    ┌────▼─────────┐
    │ Motor de     │
    │ Decisión     │
    └────┬─────────┘
         │
    ┌────▼────────┐
    │ Despachador │
    │ + Repartidor│
    └─────────────┘

Componentes Clave:

1. API de Predicción
   • Recibe features del pedido
   • Retorna score de riesgo
2. Motor de Decisión
   • Ajusta compensación
   • Sugiere rutas alternativas
3. Monitoreo
   • Performance en tiempo real
   • Alertas de degradación