26 de octubre de 2026
Modelo integrado de predicción y optimización para operaciones de campo en el sector de energía eléctrica
Rondinele Araujo Carvalho; Patrícia Belfiore Fávero
DOI: 10.22167/2675-6528-202603429
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
La gestión de operaciones de campo en el sector eléctrico enfrenta desafíos diarios como alto volumen de órdenes de servicio, restricciones regulatorias estrictas y demanda variable, resultando frecuentemente en improductividad y violación de plazos. Para abordar esta cuestión, se desarrolló y evaluó un modelo integrado de predicción y optimización aplicado a estas operaciones. Se utilizaron 321.781 órdenes de servicio reales, recolectadas entre diciembre de 2024 y abril de 2026, con una media de 639,7 órdenes por día, tratadas de forma agregada y anonimizada. La metodología combinó análisis exploratorio de datos, modelado predictivo con SARIMA y estrategias prescriptivas de priorización y asignación. El modelo SARIMA redujo el error cuadrático medio (RMSE) en un 48,6% en comparación con una línea de base de media móvil (177,27 frente a 344,66). La simulación prospectiva de escenarios demostró que el enfoque híbrido, que priorizó por plazo regulatorio y optimizó espacialmente, elevó el cumplimiento de Service Level Agreement (SLA) en 0,83 punto porcentual sobre el escenario base y redujo el desplazamiento medio estimado en un 20%. Se concluyó que el modelo generó ganancias simultáneas de conformidad regulatoria y eficiencia logística, sustituyendo decisiones reactivas por un proceso estructurado y orientado por datos.
Palabras clave: Asignación de recursos; Gestión de campo; Investigación de operaciones; SARIMA; Series temporales.
1. Introducción
La gestión de operaciones de campo en el sector de la energía eléctrica representa un desafío complejo, caracterizado por el alto volumen diario de órdenes de servicio, la rigidez de las restricciones regulatorias y la demanda altamente variable. Las distribuidoras dependen de una cadena de prestación de servicios para garantizar que cortes, reconexiones, nuevas conexiones y atenciones de emergencia se realicen con calidad y dentro de los plazos establecidos para millones de consumidores. Esta dinámica es particularmente exigente durante el Plan Verano, período entre octubre y marzo, cuando las lluvias intensas aumentan los accionamientos de emergencia.
Históricamente, las decisiones de asignación y priorización de atenciones se toman de forma reactiva, basadas en reglas empíricas o en la experiencia individual de los gestores. Este modelo, aunque funcional en operaciones de menor escala, revela fragilidades en entornos de gran tamaño, con equipos geográficamente dispersos y múltiples restricciones simultáneas (Gil, 2017). La consecuencia directa de este enfoque es la baja productividad, el desplazamiento innecesario de los equipos y el riesgo de violación de los plazos regulatorios, conocidos como Service Level Agreement (SLA), además de un aumento en el riesgo de formación de backlog e improductividad, especialmente en los meses críticos del Plan Verano.
Para mitigar estos desafíos, la literatura especializada señala la eficacia de técnicas cuantitativas, como el análisis de datos, la modelización predictiva y la investigación de operaciones, que demuestran resultados consistentes en la mejora de la eficiencia y el cumplimiento de los requisitos regulatorios (Fávero; Belfiore, 2024; Hillier; Lieberman, 2015). La creciente madurez de la Ciencia de Datos y la Investigación de Operaciones permite la integración de previsiones de demanda, información geográfica y restricciones operacionales en sistemas de apoyo a la decisión más robustos. Tales sistemas posibilitan anticipar escenarios críticos, priorizar atenciones de forma estructurada y organizar secuencias de ejecución de manera lógica, promoviendo una gestión proactiva en lugar de reactiva (Santos et al., 2023). El problema de asignación y secuenciación de órdenes de servicio en campo guarda estrecha analogía con los Problemas de Ruteo de Vehículos con Ventanas de Tiempo (VRPTW), cuya naturaleza combinatoria hace que la búsqueda de soluciones óptimas sea computacionalmente inviable en contextos operacionales reales, justificando el empleo de enfoques heurísticos y prescripciones estructuradas (Hillier; Lieberman, 2015; Arenales et al., 2007).
En este contexto, la investigación propone un modelo integrado de pronóstico y optimización para las operaciones de campo en el sector eléctrico. El modelo combina análisis exploratorio de datos, modelado predictivo utilizando Seasonal Autoregressive Integrated Moving Average (SARIMA) y estrategias prescriptivas de priorización y asignación. Se utilizaron 321.781 órdenes de servicio reales, abarcando el período de diciembre de 2024 a abril de 2026, con un promedio de 639,7 órdenes de servicio por día, tratadas de forma agregada y anonimizada.
Ante la necesidad de mejorar el cumplimiento normativo y la eficiencia logística, el presente trabajo tuvo como objetivo desarrollar y evaluar un modelo integrado de predicción y optimización enfocado en operaciones de campo en el sector eléctrico.
2. Material y Métodos
La investigación adoptó un diseño cuantitativo y aplicado, según las directrices de Creswell (2016), para investigar la gestión de operaciones de campo en el sector eléctrico. El estudio se basó en una base de datos que reunió registros históricos de órdenes de servicio provenientes de operaciones reales. En conformidad con las normas de confidencialidad y ética, los datos fueron tratados de forma agregada y anonimizada, sin ninguna identificación de instituciones, personas o valores individuales, siguiendo el Manual de Instrucciones y Normas para Trabajos de Conclusión de Curso de la USP/Esalq.
La unidad de análisis consistió en 321.781 órdenes de servicio reales, recopiladas a lo largo del período de diciembre de 2024 a abril de 2026, con un promedio diario de 639,7 órdenes de servicio. Para cada registro, se disponía de información como fecha y hora de apertura y ejecución de la orden de servicio, coordenadas geográficas (latitud y longitud), tipo de servicio, estado de ejecución y el plazo regulatorio de atención (SLA).
El preprocesamiento de los datos se realizó en un entorno Python, utilizando la biblioteca Pandas para las etapas de lectura, limpieza, filtrado y transformación. Se excluyeron del análisis los registros con el campo `ordem_servico` nulo. Las variables de tiempo operativo, `duracao` (tiempo de ejecución de la actividad en campo) y `tempo_de_deslocamento` (tiempo de desplazamiento entre atenciones consecutivas), se trataron para permitir análisis independientes de eficiencia de ejecución y logística.
El análisis exploratorio tuvo como objetivo mapear el comportamiento operativo a lo largo del período estudiado. Se investigaron patrones de volumen diario, la distribución de las órdenes por tipo de servicio y las variaciones estacionales. La agregación de los registros por fecha permitió calcular el volumen diario de atenciones e identificar la estacionalidad semanal, así como la variación anual asociada al Plan Verano.
Para la modelización predictiva del volumen diario de órdenes de servicio, se empleó el modelo Seasonal Autoregressive Integrated Moving Average (SARIMA), dada la presencia de estacionalidad semanal identificada en el análisis exploratorio (Fávero; Belfiore, 2024). El SARIMA combinó componentes autorregresivos, de media móvil y estacionales, adecuados para series con patrones cíclicos regulares. Una media móvil de siete días se utilizó como línea de base para la comparación del rendimiento.
El rendimiento del modelo SARIMA fue evaluado por el error porcentual absoluto medio (MAPE) y el error cuadrático medio (RMSE), tras la partición de los datos en conjuntos de entrenamiento (80%) y prueba (20%), procedimiento recomendado para la evaluación de la capacidad de generalización de modelos predictivos (Hastie et al., 2009). La selección de los parámetros del modelo SARIMA (p, d, q)(P, D, Q)[s] siguió el Criterio de Información de Akaike (AIC), que penaliza la complejidad del modelo y minimiza el riesgo de sobreajuste.
La estacionariedad de la serie se verificó mediante la prueba de Dickey-Fuller Aumentada (ADF), donde un valor p inferior a 0,05 confirmó la ausencia de raíz unitaria, lo que permitió prescindir de una diferenciación adicional más allá del orden d = 1 ya incorporado. La adecuación del ajuste se validó mediante la prueba de Ljung-Box sobre los residuos, que no rechazó la hipótesis de ausencia de autocorrelación residual, condición necesaria para la validez de las predicciones generadas por el modelo.
La estimación del riesgo operacional se realizó para capturar las diferencias en el grado de criticidad de las órdenes de servicio. Se calculó un indicador de riesgo basado en la tasa histórica de improductividad por tipo de servicio, asignando un peso mayor a las órdenes con mayor frecuencia de no conclusión en la primera atención, influyendo en el proceso de priorización.
La etapa prescriptiva se centró en la estructuración de un proceso de optimización para la asignación y priorización de las atenciones, buscando tres objetivos simultáneos: maximizar el cumplimiento de los plazos regulatorios (SLA), reducir los desplazamientos geográficos de los equipos y elevar la eficiencia operativa general. La estrategia combinó reglas de priorización explícita con una heurística de secuenciación espacial del tipo vecino más cercano, donde las órdenes con plazo crítico fueron asignadas primero, y las demás secuenciadas por proximidad geográfica, calculada por la distancia euclidiana entre coordenadas.
Desde el punto de vista de la Investigación de Operaciones, el modelo prescriptivo se estructuró con variables de decisión (la secuencia de ejecución por equipo), una función objetivo (maximización simultánea del cumplimiento del SLA y minimización del tiempo total de desplazamiento) y restricciones (capacidad máxima de atenciones por equipo por día, plazos de la ANEEL por tipo de servicio y disponibilidad geográfica de los equipos) (Hillier; Lieberman, 2015). Debido a la naturaleza combinatoria del problema, que hace inviable la resolución exacta para el volumen diario de órdenes de servicio, se adoptó un enfoque heurístico constructivo, una práctica consolidada en la literatura de optimización operativa (Arenales et al., 2007).
Para evaluar el impacto de las estrategias propuestas en relación con la práctica actual, se simularon tres escenarios operativos: (i) Escenario Base, con secuenciación según la práctica vigente y sin diferenciación por plazo regulatorio; (ii) Escenario Eficiencia, con secuenciación exclusiva por proximidad geográfica; y (iii) Escenario SLA-first (Híbrido), donde las órdenes de servicio con plazo crítico fueron asignadas primero, y las remanentes secuenciadas por proximidad. La simulación fue prospectiva, modelando la ejecución secuencial de hasta 50 órdenes de servicio por día por equipo, con un tiempo medio de 30 minutos por orden de servicio y 15 minutos de desplazamiento base, utilizando parámetros calibrados por datos reales de la operación, incluyendo la tasa histórica de ejecución y los plazos regulatorios de la ANEEL por tipo de servicio.
3. Resultados y Discusión
La investigación reveló un modelo integrado de pronóstico y optimización capaz de transformar la gestión de operaciones de campo en el sector eléctrico, sustituyendo enfoques reactivos por un proceso estructurado y orientado a datos. Los hallazgos demuestran ganancias significativas en cumplimiento regulatorio y eficiencia logística, validando la aplicación de técnicas de análisis de datos e investigación de operaciones. El análisis exploratorio inicial proporcionó una comprensión profunda del comportamiento de la demanda, mientras que la modelización predictiva con SARIMA ofreció una capacidad de anticipación robusta. Finalmente, la simulación de escenarios confirmó la eficacia de las estrategias prescriptivas de priorización y asignación, evidenciando la superioridad del enfoque híbrido propuesto.
Análisis exploratorio de los datos
El análisis exploratorio de los datos reveló una variabilidad expresiva en el volumen diario de atenciones a lo largo del período estudiado. La base de datos comprendió un total de 321.781 registros de órdenes de servicio, recolectados entre diciembre de 2024 y abril de 2026, con una media general de 639,7 órdenes por día. La mayor parte de estas atenciones se concentraba en servicios esenciales como corte, reconexión y conexión nueva, reflejando la naturaleza crítica de las operaciones de campo en el sector eléctrico. Esta caracterización inicial fue fundamental para comprender la dinámica operacional y los desafíos inherentes a la gestión diaria.
Se identificó una variación estacional relevante, especialmente entre los meses de octubre y marzo, período conocido como Plan Verano. Durante este intervalo, que coincide con una mayor incidencia de lluvias y activaciones de emergencia, la media diaria de atenciones se redujo a 550,4 órdenes de servicio por día, en contraste con la media de 689,1 órdenes por día observada en el período regular, de abril a septiembre. Esta disminución en la capacidad de atención durante el Plan Verano indica una restricción operativa significativa y un riesgo elevado de formación de backlog, particularmente en actividades con plazos regulatorios más cortos, lo que subraya la necesidad de estrategias proactivas.
La distribución de los estados operativos de las órdenes de servicio también señaló una parte considerable de atenciones que no se concluyeron en el primer contacto. Esta tasa de improductividad, que varió según el tipo de servicio y el período del año, presentó índices más elevados durante el Plan Verano. La constatación reforzó la importancia de incorporar la tasa histórica de no conclusión como un criterio fundamental en el proceso de priorización de las atenciones, con el fin de mitigar los riesgos de incumplimiento de los plazos regulatorios y optimizar la asignación de recursos.
Resultados de la previsión de demanda
Para predecir el volumen diario de órdenes de servicio, se desarrolló el modelo Seasonal Autoregressive Integrated Moving Average (SARIMA) y se comparó con una línea base de media móvil de siete días. Después de la agregación diaria de las órdenes de servicio, los datos se dividieron en 402 días para entrenamiento y 101 días para prueba. El error cuadrático medio (RMSE) fue la métrica principal de evaluación, ya que el error porcentual absoluto medio (MAPE) fue descartado debido a la presencia de días con volumen nulo, lo que distorsionaría los resultados por la división por cero.
El modelo SARIMA demostró un rendimiento superior, alcanzando un RMSE de 177,27, en comparación con el RMSE de 344,66 de la línea base de media móvil. Este rendimiento representa una reducción del 48,6% en el error, lo que indica una capacidad significativamente mayor para anticipar el volumen diario de órdenes de servicio. La selección de los parámetros del modelo SARIMA se guió por el Criterio de Información de Akaike (AIC), y la estacionariedad de la serie se confirmó mediante la prueba de Dickey-Fuller Aumentada, con un valor p inferior a 0,05, validando la ausencia de raíz unitaria.
La adecuación del ajuste del modelo fue aún validada por la prueba de Ljung-Box sobre los residuos, que no rechazó la hipótesis de ausencia de autocorrelación residual, una condición esencial para la fiabilidad de las predicciones. El SARIMA demostró ser particularmente eficaz en capturar la caída estacional de la demanda característica del trimestre de diciembre a febrero, período en el que el volumen de emergencias tiende a aumentar debido a las lluvias. Esta precisión en la predicción es crucial para la gestión, permitiendo ajustar proactivamente la asignación de equipos y reducir el riesgo de incumplimiento de los plazos regulatorios, según lo destacado por Silver (2012).
Optimización prescriptiva
La etapa de optimización prescriptiva se estructuró para alcanzar tres objetivos simultáneos: maximizar el cumplimiento de los plazos regulatorios (SLA), reducir los desplazamientos geográficos de los equipos y elevar la eficiencia operativa general. Para ello, se combinó un conjunto de reglas de priorización explícita con una heurística de secuenciación espacial del tipo *nearest neighbor*. Las órdenes de servicio con plazos críticos se priorizaron y asignaron primero, mientras que las demás se secuenciaron en función de la proximidad geográfica, calculada por la distancia euclidiana entre las coordenadas.
La criticidad de las órdenes de servicio se determinó mediante un indicador de riesgo basado en la tasa histórica de improductividad por tipo de servicio. Las órdenes con mayor frecuencia de no finalización en la primera atención recibieron un peso más alto en el proceso de priorización, asegurando que los recursos se dirigieran primero a las atenciones más sensibles. Este enfoque sistemático contrasta con las decisiones reactivas adoptadas históricamente, que a menudo resultaban en improductividad y desplazamientos ineficientes.
Desde el punto de vista de la Investigación de Operaciones, el modelo prescriptivo se estructuró formalmente con variables de decisión que definen la secuencia de ejecución de las órdenes por cada equipo en campo. La función objetivo buscó la maximización simultánea del cumplimiento de SLA y la minimización del tiempo total de desplazamiento. Las restricciones incluyeron la capacidad máxima de atenciones por equipo por día, los plazos regulatorios de la ANEEL por tipo de servicio y la disponibilidad geográfica de los equipos (Hillier; Lieberman, 2015). La complejidad combinatoria de resolver este modelo exactamente para un volumen diario de aproximadamente 640 órdenes de servicio y decenas de equipos justificó la adopción de un enfoque heurístico constructivo, que sacrifica la optimalidad global en favor de soluciones viables y computacionalmente eficientes (Arenales et al., 2007).
Simulación de escenarios con restricciones de SLA
Para evaluar el impacto de las estrategias propuestas en relación con la práctica actual, se simularon tres escenarios operativos distintos. El Escenario Base representó la práctica vigente, sin diferenciación por plazo regulatorio. El Escenario Eficiencia se centró en la secuenciación exclusiva por proximidad geográfica. Finalmente, el Escenario SLA-first, o Híbrido, priorizó las órdenes de servicio con plazo crítico y secuenció las restantes por proximidad. Los parámetros de la simulación se calibraron con datos reales de la operación, incluyendo una tasa histórica de ejecución del 50,93% y los plazos regulatorios de la ANEEL para diferentes tipos de servicio, como 4 horas para reconexión/emergencia, 8 horas para corte, 48 horas para nueva conexión y 72 horas para medición.
La simulación prospectiva modeló la ejecución secuencial de hasta 50 órdenes de servicio por equipo por día, considerando un tiempo promedio de 30 minutos por orden de servicio y 15 minutos de desplazamiento base. Los indicadores resultantes revelaron que el Escenario SLA-first presentó el mayor cumplimiento de plazo, alcanzando un 39,80% de SLA cumplido, lo que representa una ganancia de 0,83 punto porcentual sobre el Escenario Base, que registró un 38,97%. El Escenario Eficiencia, por su parte, obtuvo un 39,70% de SLA cumplido, con una ganancia de 0,73 punto porcentual en relación al escenario base.
En términos de eficiencia logística, ambos escenarios de optimización, Eficiencia y SLA-first, resultaron en una reducción significativa del desplazamiento diario promedio de los equipos. El desplazamiento total se redujo en un 20%, pasando de 750 minutos por día en el Escenario Base a 600 minutos por día en los escenarios optimizados. Esta reducción del 20% en el tiempo de desplazamiento tiene implicaciones económicas directas y sustanciales, ya que, en operaciones con múltiples equipos activos, cada minuto ahorrado por equipo al día se traduce en ganancias acumuladas en costos de combustible, depreciación de flota y horas-equipo liberadas para atenciones productivas adicionales (Lima, 2023).
Aunque la ganancia absoluta en el cumplimiento del SLA es modesta, reflejando el cuello de botella de capacidad operativa impuesto por la combinación de plazos regulatorios cortos (4 a 8 horas para el 55% de las órdenes de servicio) y el tiempo necesario para la ejecución secuencial, la estrategia híbrida demostró ser la más eficaz. La comparación entre el Escenario Eficiencia y el Escenario SLA-first confirmó que la priorización por urgencia regulatoria debe preceder al secuenciamiento espacial, ya que el enfoque híbrido obtuvo un rendimiento de SLA ligeramente superior. La priorización estructurada por SLA también contribuye a la reducción de la exposición contractual a penalidades regulatorias, mitigando riesgos operativos derivados del incumplimiento de los plazos de la ANEEL.
Los resultados obtenidos están en consonancia con la literatura especializada, que apunta a la eficacia de la combinación de priorización estructurada con criterios logísticos en la promoción de mejoras simultáneas en conformidad y eficiencia (Hillier; Lieberman, 2015; Santos et al., 2023). La investigación también evidenció que el principal limitador del cumplimiento de SLA es la capacidad de atención por equipo, sugiriendo que futuras extensiones del modelo podrían incorporar decisiones de dimensionamiento de la fuerza de trabajo. Desde el punto de vista gerencial, incluso una versión inicial del modelo integrado, con heurísticas relativamente simples, es capaz de generar valor operacional inmediato, permitiendo anticipar ajustes en la fuerza de trabajo y elevar la conformidad regulatoria y la productividad de los equipos.
En resumen, el modelo integrado de previsión y optimización demostró su capacidad para generar ganancias simultáneas de cumplimiento regulatorio y eficiencia logística en las operaciones de campo del sector eléctrico. El análisis exploratorio detalló la estacionalidad y los desafíos operativos, el modelo SARIMA proporcionó pronósticos de demanda con una reducción del 48,6% en el RMSE, y la simulación de escenarios confirmó que el enfoque híbrido de priorización por plazo regulatorio y optimización espacial elevó el cumplimiento del SLA en 0,83 puntos porcentuales y redujo el desplazamiento promedio en un 20%. Estos hallazgos validan la sustitución de decisiones reactivas por un proceso estructurado y orientado a datos, promoviendo una gestión más proactiva y eficiente.
4. Conclusión
El presente trabajo buscó desarrollar y evaluar un modelo integrado de predicción y optimización para las operaciones de campo en el sector eléctrico, con el objetivo de mejorar la conformidad regulatoria y la eficiencia logística. Se verificó que el modelo SARIMA demostró una capacidad predictiva superior, reduciendo el error cuadrático medio (RMSE) en un 48,6% en comparación con la línea de base de media móvil, lo que permitió una anticipación robusta del volumen diario de órdenes de servicio. La simulación prospectiva de escenarios evidenció que el enfoque híbrido, que combinó la priorización por plazo regulatorio con la optimización espacial, elevó el cumplimiento del Service Level Agreement (SLA) en 0,83 punto porcentual sobre el escenario base y redujo el desplazamiento medio estimado de los equipos en un 20%. Estos hallazgos confirman la viabilidad de sustituir decisiones reactivas por un proceso estructurado y orientado por datos, generando ganancias simultáneas de conformidad regulatoria y eficiencia logística, además de ofrecer valor gerencial inmediato al permitir ajustes proactivos en la fuerza de trabajo y mitigar riesgos de penalidades regulatorias.
A pesar de las ganancias observadas, se identificó que el principal limitante del cumplimiento del SLA reside en la capacidad operativa de atención por equipo, influenciada por la combinación de plazos regulatorios cortos y el tiempo necesario para la ejecución secuencial de las órdenes. Como extensiones futuras, se sugiere la incorporación de decisiones de dimensionamiento de la fuerza de trabajo al modelo, la exploración de algoritmos predictivos más sofisticados, como Random Forest y XGBoost, para capturar relaciones no lineales, y la inclusión de indicadores financieros y regulatorios de la ANEEL en la evaluación de los escenarios. Se recomienda, además, la evolución hacia un sistema de apoyo a la decisión en tiempo real, integrado a las bases de datos operacionales, lo que ampliaría la aplicabilidad del modelo a otras distribuidoras y regiones.
Referencias Bibliográficas
Arenales, M.; Armentano, V.; Morabito Neto, R.; Yanasse, H. 2007. Pesquisa operacional. Elsevier, Rio de Janeiro, RJ, Brasil.
Creswell, J.W. 2016. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 5ed. Penso, Porto Alegre, RS, Brasil.
Fávero, L.P.; Belfiore, P. 2024. Análise de dados: estatística e modelagem multivariada com Excel, SPSS, Stata, R e Python. 2ed. GEN | LTC, Rio de Janeiro, RJ, Brasil.
Gil, A.C. 2017. Métodos e técnicas de pesquisa social. 7ed. Atlas, São Paulo, SP, Brasil.
Hastie, T.; Tibshirani, R.; Friedman, J. 2009. The elements of statistical learning: data mining, inference, and prediction. 2ed. Springer, New York, NY, USA.
Hillier, F.S.; Lieberman, G.J. 2015. Introduction to operations research. 10ed. McGraw-Hill Education, New York, NY, USA.
Lima, F.G. 2023. Análise de riscos. 3ed. Atlas, São Paulo, SP, Brasil.
Santos, M.; Gomes, C.F.S.; Moreira, M.A.L.; Costa, I.P.A. 2023. Ferramentas computacionais de apoio à tomada de decisão. 1ed. Atlas, São Paulo, SP, Brasil.
Silver, N. 2012. The signal and the noise: why so many predictions fail but some don’t. Penguin Press, New York, NY, USA.
Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy