| dc.contributor.advisor | Carrascal Porras, Fernando Luis | |
| dc.coverage.spatial | cead_-_josé_acevedo_y_gómez | |
| dc.creator | Cala Zuluaga, John Eduard | |
| dc.date.accessioned | 2025-02-24T14:52:11Z | |
| dc.date.available | 2025-02-24T14:52:11Z | |
| dc.date.created | 2025-02-15 | |
| dc.identifier.uri | https://repository.unad.edu.co/handle/10596/67165 | |
| dc.description.abstract | El problema identificado en el edificio administrativo de la sede regional de Coomeva en Bogotá es la baja capacidad de respuesta y los altos costos asociados al mantenimiento de este, lo que afecta la operatividad y continuidad del negocio. Actualmente, el modelo de mantenimiento aplicado es reactivo, lo que genera costos elevados por repuestos y afecta tanto el servicio interno como externo. Según el Instituto de Mantenimiento y Gestión de Instalaciones (IMGI, 2021), el mantenimiento reactivo puede incrementar los costos operativos en un 30% y aumentar el tiempo de inactividad en un 40%. Esta situación pone de relieve la necesidad de un modelo preventivo que minimice la necesidad de reparaciones imprevistas y costosas (Solano, 2024).
La resistencia al cambio, tanto cultural como organizacional, es otro factor que impide la adopción de un enfoque preventivo y proactivo. Muchos líderes de la sede regional corporativa creen que la manera en que se ha manejado el mantenimiento hasta ahora es suficiente y no ven la necesidad urgente de cambiar a un modelo más eficiente y basado en datos (Carballo, 2024). Sin embargo, la investigación plantea que un modelo basado en Machine Learning (ML) puede ser una solución efectiva para mitigar estos problemas, trayendo también otros beneficios asociados a éste. Para este caso, la metodología utilizada, como opción de grado, fue el método PRISMA.
Palabras clave: Mantenimiento predictivo, Edificios Administrativos, Machine Learning. | |
| dc.format | pdf | |
| dc.title | Cómo el Machine learning puede optimizar la administración de los edificios (gestión administrativa en mantenimiento) para mejorar la oportunidad de respuesta y costos | |
| dc.type | Monografía | |
| dc.subject.keywords | Mantenimiento predictivo | |
| dc.subject.keywords | Edificios Administrativos | |
| dc.subject.keywords | Machine Learning | |
| dc.description.abstractenglish | The problem identified in the administrative building of Coomeva's regional headquarters in Bogotá is the low response capacity and the high costs associated with its maintenance, which affects the operation and continuity of the business. Currently, the maintenance model applied is reactive, which generates high costs for spare parts and affects both internal and external service. According to the Institute of Facility Maintenance and Management (IMGI, 2021), reactive maintenance can increase operating costs by 30% and increase downtime by 40%. This situation highlights the need for a preventive model that minimizes the need for unforeseen and costly repairs (Solano, 2024).
Resistance to change, both cultural and organizational, is another factor that prevents the adoption of a preventive and proactive approach. Many leaders at the corporate regional headquarters believe that the way maintenance has been handled so far is sufficient and do not see the urgent need to shift to a more efficient, data-driven model (Carballo, 2024). However, the research suggests that a model based on Machine Learning (ML) can be an effective solution to mitigate these problems, also bringing other benefits associated with it. In this case, the methodology used, as a degree option, was the PRISMA method.
Keywords: Predictive maintenance, Administrative Buildings, Machine Learning. | |
| dc.subject.category | machine learning | |
