{"id":{"repo_id":"utdt","oai_identifier":"oai:repositorio.utdt.edu:20.500.13098/12937"},"canonical_url":"https://search.dev.ndltd.org/etd/utdt/oai:repositorio.utdt.edu:20.500.13098/12937","repository":{"repo_id":"utdt","name":"Universidad Torcuato di Tella","base_url":"https://repositorio.utdt.edu/oai/request"},"display":{"title":"Modelo Predictivo de machine learning para la Anticipación y Optimización de Contrataciones en el Departamento de Postventa de una Comercializadora de Analizadores de Laboratorio Clínico","abstract":"En el entorno competitivo de comercialización de analizadores de laboratorio clínico, GEMATEC SRL se enfrenta a retos significativos en su departamento de postventa, derivados del crecimiento constante de su base instalada. Esta expansión resulta en una demanda creciente de servicios de soporte técnico, un desafío exacerbado por la monopolización del conocimiento técnico necesario por los fabricantes de estos equipos. Dada la dificultad para encontrar técnicos con experiencia, un nuevo empleado en GEMATEC SRL requiere aproximadamente ocho meses de capacitación para alcanzar la autonomía en sus funciones. Esta tesis propone abordar estas dificultades mediante el desarrollo de un modelo de predicción de demanda utilizando técnicas de machine learning, que permitirá anticipar las necesidades futuras de servicio de manera precisa. Paralelamente, se implementará un modelo de programación lineal entera para optimizar los tiempos de contratación de nuevos técnicos, asegurando que el departamento de postventa pueda responder de manera eficiente y efectiva a los requerimientos de servicio. Con estos modelos, se espera no solo mejorar la planificación y gestión de recursos humanos en el departamento de postventa, sino también incrementar la satisfacción del cliente mediante respuestas más rápidas y efectivas. Esta integración de machine learning y optimización matemática proporcionará a GEMATEC SRL una herramienta estratégica para enfrentar los desafíos del mercado actual y mejorar continuamente su rendimiento operativo.","abstract_html":"En el entorno competitivo de comercialización de analizadores de laboratorio clínico, GEMATEC SRL se enfrenta a retos significativos en su departamento de postventa, derivados del crecimiento constante de su base instalada. Esta expansión resulta en una demanda creciente de servicios de soporte técnico, un desafío exacerbado por la monopolización del conocimiento técnico necesario por los fabricantes de estos equipos. Dada la dificultad para encontrar técnicos con experiencia, un nuevo empleado en GEMATEC SRL requiere aproximadamente ocho meses de capacitación para alcanzar la autonomía en sus funciones. Esta tesis propone abordar estas dificultades mediante el desarrollo de un modelo de predicción de demanda utilizando técnicas de machine learning, que permitirá anticipar las necesidades futuras de servicio de manera precisa. Paralelamente, se implementará un modelo de programación lineal entera para optimizar los tiempos de contratación de nuevos técnicos, asegurando que el departamento de postventa pueda responder de manera eficiente y efectiva a los requerimientos de servicio. Con estos modelos, se espera no solo mejorar la planificación y gestión de recursos humanos en el departamento de postventa, sino también incrementar la satisfacción del cliente mediante respuestas más rápidas y efectivas. Esta integración de machine learning y optimización matemática proporcionará a GEMATEC SRL una herramienta estratégica para enfrentar los desafíos del mercado actual y mejorar continuamente su rendimiento operativo.","abstract_has_math":false,"creators":["González Nuñez, Eduardo A."],"institution":"Universidad Torcuato Di Tella","degree_name":"Master in Management + Analytics","degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Marenco, Javier"],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-07-27T21:55:38Z","subjects":["Predicción tecnológica","Technological Prediction","Satisfaccion del cliente","Customer care","Demanda de consumo"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.utdt.edu/handle/20.500.13098/12937","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Marenco, Javier"]},{"key":"dc:creator","label":"Author","values":["González Nuñez, Eduardo A."]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-08-06T18:14:07Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-08-06T18:14:07Z"]},{"key":"dc:date.issued","label":"Date","values":["2024"]},{"key":"dc:publisher","label":"Institution","values":["Universidad Torcuato Di Tella"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis","info:ar-repo/semantics/tesis de maestría"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Master in Management + Analytics"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Predicción tecnológica","Technological Prediction","Satisfaccion del cliente","Customer care","Demanda de consumo"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.utdt.edu/handle/20.500.13098/12937"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["En el entorno competitivo de comercialización de analizadores de laboratorio clínico, GEMATEC SRL se enfrenta a retos significativos en su departamento de postventa, derivados del crecimiento constante de su base instalada. Esta expansión resulta en una demanda creciente de servicios de soporte técnico, un desafío exacerbado por la monopolización del conocimiento técnico necesario por los fabricantes de estos equipos. Dada la dificultad para encontrar técnicos con experiencia, un nuevo empleado en GEMATEC SRL requiere aproximadamente ocho meses de capacitación para alcanzar la autonomía en sus funciones. Esta tesis propone abordar estas dificultades mediante el desarrollo de un modelo de predicción de demanda utilizando técnicas de machine learning, que permitirá anticipar las necesidades futuras de servicio de manera precisa. Paralelamente, se implementará un modelo de programación lineal entera para optimizar los tiempos de contratación de nuevos técnicos, asegurando que el departamento de postventa pueda responder de manera eficiente y efectiva a los requerimientos de servicio. Con estos modelos, se espera no solo mejorar la planificación y gestión de recursos humanos en el departamento de postventa, sino también incrementar la satisfacción del cliente mediante respuestas más rápidas y efectivas. Esta integración de machine learning y optimización matemática proporcionará a GEMATEC SRL una herramienta estratégica para enfrentar los desafíos del mercado actual y mejorar continuamente su rendimiento operativo."]},{"key":"dc:title","label":"Title","values":["Modelo Predictivo de machine learning para la Anticipación y Optimización de Contrataciones en el Departamento de Postventa de una Comercializadora de Analizadores de Laboratorio Clínico"]}]}],"canonical_facts":{"dc:contributor.advisor":["Marenco, Javier"],"dc:creator":["González Nuñez, Eduardo A."],"dc:date.accessioned":["2024-08-06T18:14:07Z"],"dc:date.available":["2024-08-06T18:14:07Z"],"dc:date.issued":["2024"],"dc:description.abstract":["En el entorno competitivo de comercialización de analizadores de laboratorio clínico, GEMATEC SRL se enfrenta a retos significativos en su departamento de postventa, derivados del crecimiento constante de su base instalada. Esta expansión resulta en una demanda creciente de servicios de soporte técnico, un desafío exacerbado por la monopolización del conocimiento técnico necesario por los fabricantes de estos equipos. Dada la dificultad para encontrar técnicos con experiencia, un nuevo empleado en GEMATEC SRL requiere aproximadamente ocho meses de capacitación para alcanzar la autonomía en sus funciones. Esta tesis propone abordar estas dificultades mediante el desarrollo de un modelo de predicción de demanda utilizando técnicas de machine learning, que permitirá anticipar las necesidades futuras de servicio de manera precisa. Paralelamente, se implementará un modelo de programación lineal entera para optimizar los tiempos de contratación de nuevos técnicos, asegurando que el departamento de postventa pueda responder de manera eficiente y efectiva a los requerimientos de servicio. Con estos modelos, se espera no solo mejorar la planificación y gestión de recursos humanos en el departamento de postventa, sino también incrementar la satisfacción del cliente mediante respuestas más rápidas y efectivas. Esta integración de machine learning y optimización matemática proporcionará a GEMATEC SRL una herramienta estratégica para enfrentar los desafíos del mercado actual y mejorar continuamente su rendimiento operativo."],"dc:identifier.uri":["https://repositorio.utdt.edu/handle/20.500.13098/12937"],"dc:language":["spa"],"dc:publisher":["Universidad Torcuato Di Tella"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:subject":["Predicción tecnológica","Technological Prediction","Satisfaccion del cliente","Customer care","Demanda de consumo"],"dc:title":["Modelo Predictivo de machine learning para la Anticipación y Optimización de Contrataciones en el Departamento de Postventa de una Comercializadora de Analizadores de Laboratorio Clínico"],"dc:type":["info:eu-repo/semantics/masterThesis","info:ar-repo/semantics/tesis de maestría"],"thesis:degree_name":["Master in Management + Analytics"]},"updated_at":"2026-07-27T21:55:38Z"}