Este trabajo propone el diseño y evaluación de un modelo predictivo que estime, para cada paquete de importación courier en Ecuador, la probabilidad de asignación a cuatro clases de aforo: automático, documental, físico intrusivo y físico no intrusivo (RX). El problema se formula como una clasificación multiclase con severo desbalance, por lo que se emplean métricas robustas (macro-F1, balanced accuracy) y medidas específicas para eventos raros como curvas Precision-Recall (Saito & Rehmsmeier, 2015). Dado que el objetivo operativo requiere probabilidades confiables, se incorpora evaluación de calibración probabilística y el uso de puntuaciones probabilísticas (Niculescu-Mizil & Caruana, 2005; Guo et al., 2017).
La metodología se alinea con CRISP-DM, emplea partición temporal para evitar fuga de información y combina modelos supervisados con segmentación no supervisada para descubrir perfiles latentes de riesgo (He & Garcia, 2009; OSCE, s. f.). Se utilizan datos históricos anonimizados del courier (N=128,484), donde la clase automática representa ~95.9% de los casos. Los resultados preliminares muestran que la etapa de detección de casos no automáticos alcanza ROC-AUC=0.731 y PR-AUC=0.186, con umbral operativo para recall≈0.80 y precisión≈0.12, priorizando la capacidad de alerta temprana. Se discuten implicaciones operativas (gestión de tiempos y comunicación al cliente), aportes académicos (identificación de factores asociados a mayor control) y límites del estudio (no causalidad y dependencia del conjunto de datos del courier).
