Modelo de mantenimiento predictivo basado en machine learning y datos telemáticos para optimización logística en el servicio posventa de vehículos pesados

Abstract

En Colombia, donde alrededor del 80 % de la carga se moviliza mediante vehículos pesados, garantizar su disponibilidad y confiabilidad es esencial para la eficiencia logística. No obstante, los concesionarios encargados de la posventa enfrentan desafíos operativos debido a retrasos en las intervenciones de mantenimiento, causados por la baja disponibilidad de repuestos, la escasez de personal técnico calificado y la limitada capacidad instalada en talleres. Este estudio propone un modelo de mantenimiento predictivo basado en técnicas de aprendizaje automático y datos telemáticos, con el objetivo de detectar fallas en componentes críticos y optimizar la planificación de recursos. Se analizó una flota de 117 vehículos bajo un esquema de gestión de flotas de una comercializadora de vehículos pesados, identificando al sensor de nivel de Fluido de Escape Diésel como uno de los componentes con mayor recurrencia de fallas. Se utilizaron registros históricos de mantenimiento y datos telemáticos segmentados en intervalos de 15 minutos para entrenar y evaluar tres modelos de clasificación: Árbol de Clasificación, Random Forest y Gradient Boosting. Este último obtuvo el mejor desempeño (exactitud: 99,97%; sensibilidad: 99,40%; AUC: 0,9997). A partir de este resultado, se diseñó un sistema predictivo capaz de procesar datos en tiempo real, emitir alertas tempranas y coordinar la logística de repuestos e intervención técnica. Esta estrategia reduce los tiempos de inactividad, mitiga daños colaterales y mejora la eficiencia operativa de los talleres, impactando positivamente la satisfacción del cliente y el cumplimiento normativo. La metodología es escalable y replicable en otros componentes o flotas, representando una herramienta estratégica para la transformación digital del servicio posventa. (Texto tomado de la fuente)

In Colombia, where approximately 80% of freight is transported by heavy-duty vehicles, ensuring their availability and reliability is critical for logistics efficiency. However, dealerships responsible for after-sales service face operational challenges due to delays in maintenance interventions, primarily driven by limited spare parts availability, shortages of qualified technicians, and restricted workshop capacity. This study proposes a predictive maintenance model that leverages machine learning techniques and telematics data to detect failures in critical components and optimize resource planning. A fleet of 117 vehicles managed by a heavy-duty vehicle distributor under a centralized fleet management scheme was analyzed, identifying the Diesel Exhaust Fluid level sensor as one of the most failure-prone components. Historical maintenance records and telematics data were segmented into 15-minute intervals and used to train and evaluate three classification models: Classification Tree, Random Forest, and Gradient Boosting. The latter achieved the best performance (accuracy: 99.97%; sensitivity: 99.40%; AUC: 0.9997). Based on this, a predictive system was developed to process real-time vehicle data, trigger early alerts, and support proactive coordination of part supply and technician availability. This approach reduces downtime, repair costs, and collateral damage to surrounding systems, while enhancing workshop efficiency and customer satisfaction. Additionally, it supports compliance with emission standards by preventing unnoticed sensor failures. The proposed methodology is scalable, adaptable to other components, and replicable across multiple fleets, positioning itself as a strategic tool for the digital transformation of after-sales service logistics in the heavy-duty vehicle sector.