Optimizar entregas con analítica avanzada

Dispongo de históricos completos de la operación — hora exacta de pedido, recogida y entrega, coordenadas del restaurante, cliente y repartidor, además de tráfico, clima y tipo de vehículo utilizado — y necesito convertirlos en un sistema de inteligencia que disminuya al máximo los tiempos de entrega.

La prioridad es clara: reducir cada minuto que pasa entre el clic del usuario y la entrega final. Para lograrlo quiero, por encima de todo, recomendaciones accionables que asignen al repartidor óptimo a cada pedido en tiempo real o casi real. El modelo debe detectar patrones de retraso, proponer la mejor combinación de repartidor-zona-horario y mostrarme los motivos detrás de cada sugerencia para poder justificar decisiones ante el equipo operativo.

Datos disponibles
• Hora del pedido, recogida y entrega
• Ubicación de restaurante, cliente y repartidor
• Tráfico, clima y tipo de vehículo

Alcance esperado
1. Limpieza y estructuración de los registros actuales (millones de filas en CSV y logs de API).
2. Análisis diagnóstico para identificar cuellos de botella por zona, franja horaria y condiciones externas.
3. Desarrollo de un modelo predictivo-prescriptivo (Python, sklearn/lightgbm o similar, preferentemente desplegado en AWS o GCP) que genere las recomendaciones de asignación en tiempo real.
4. Panel interactivo (Tableau, Power BI o equivalente) que muestre KPIs clave y permita simular escenarios.
5. Documentación reproducible: notebooks, scripts ETL, requisitos y guía de uso.

Criterios de aceptación
• Precisión ≥ 85 % en la predicción de retrasos frente al histórico.
• Prueba en entorno de staging demostrando al menos 10 % de mejora en tiempo medio de entrega en un A/B offline.
• Código versionado en Git con README claro.

Si tu experiencia combina machine learning, optimización de rutas y visualización de datos aplicados a delivery urbano, me interesa avanzar contigo cuanto antes.