PROBLEMA	OBJETIVOS	HIPÓTESIS	VARIABLES	DIMENSIONES	INDICADORES
Problema General: ¿De qué manera un modelo predictivo basado en Machine Learning, desarrollado con datos históricos de la Intranet de E2Service Perú S.A.C., influye en la gestión operativa mediante la mejora de la precisión en la estimación del tiempo de finalización de proyectos, en comparación con el método manual actual en Lima, 2026?	Objetivo General: Determinar la influencia de un modelo predictivo basado en Machine Learning en la gestión operativa mediante la estimación del tiempo de finalización de proyectos en la empresa E2Service Perú S.A.C., Lima 2026.	Hipótesis General: El modelo predictivo basado en Machine Learning tiene un impacto significativo en la gestión operativa de la empresa E2Service Perú S.A.C., Lima 2026; lo cual se define y cuantifica operacionalmente mediante la optimización integral de sus procesos en la fase de Post-test.	Variable Independiente: Modelo predictivo basado en Machine Learning (XGBoost / Random Forest).	D1: Calidad del Dataset: Procesamiento técnico de los datos históricos de la Intranet.	I1: Porcentaje de valores nulos o atípicos corregidos. I2: Volumen de datos históricos procesados (575 registros).
				D2: Configuración del Algoritmo: Ajuste de hiperparámetros para optimizar los conjuntos.	I3: Número de estimadores (árboles) en el ensamble. I4: Tasa de aprendizaje (Learning Rate) configurada.
				D3: Capacidad Predictiva: Rendimiento técnico del modelo frente a los datos de testeo.	I5: Error Cuadrático Medio (RMSE). I6: Error Absoluto Medio (MAE). I7: Coeficiente de determinación ($R^2$).
Problemas Específicos: 1. ¿En qué medida el modelo predictivo basado en Machine Learning permite optimizar la planificación temporal mediante la reducción de la desviación de tiempos en la empresa E2Service Perú S.A.C., 2026?	Objetivos Específicos: 1. Evaluar la mejora en la planificación temporal mediante la reducción de la desviación entre el tiempo estimado y el real, utilizando la capacidad predictiva del modelo de Machine Learning en la empresa E2Service Perú S.A.C., 2026.	Hipótesis Específicas: 1. El modelo predictivo basado en Machine Learning optimiza significativamente la planificación temporal en la empresa E2Service Perú S.A.C., 2026; reduciendo la desviación promedio desde una línea base de 31.45% (Pre-test) hasta una tasa controlada de 5.01% (Post-test).	Variable Dependiente: Gestión operativa de proyectos.	D1: Planificación Temporal: Enfocada en la precisión del tiempo de finalización (TFF).	I1: Tiempo real de ejecución de proyectos (horas). I2: Desviación porcentual del tiempo de entrega.
2. ¿De qué manera el modelo predictivo basado en Machine Learning contribuye a la gestión de recursos mediante la asignación técnica de personal y horas-hombre en la empresa E2Service Perú S.A.C., 2026?	2. Determinar la contribución del modelo predictivo basado en Machine Learning a la gestión de recursos mediante la optimización de la asignación de personal técnico y la reducción de horas-hombre en la empresa E2Service Perú S.A.C., 2026.	2. El modelo predictivo basado en Machine Learning contribuye positivamente a la gestión de recursos en la empresa E2Service Perú S.A.C., 2026; incrementando el uso eficiente de horas-hombre transitando de un 53.80% (Pre-test) a un 92.15% (Post-test).		D2: Eficiencia de Recursos: Enfocada en la optimización de horas-hombre y asignación de personal.	I3: Horas-hombre (HH) invertidas por tipo de servicio.
3. ¿Cómo influye el modelo predictivo basado en Machine Learning en la logística de inventario considerando la disponibilidad de stock para la estimación de proyectos en la empresa E2Service Perú S.A.C., 2026?	3. Analizar la influencia del modelo predictivo basado en Machine Learning en la logística de inventario mediante la integración de la disponibilidad de materiales en la estimación de finalización de proyectos de la empresa E2Service Perú S.A.C., 2026.	3. El modelo predictivo basado en Machine Learning mejora la logística de inventario en la empresa E2Service Perú S.A.C., 2026; incrementando el control logístico desde un 42.30% en el Pre-test hasta un 89.50% en la fase de Post-test.		D3: Gestión Logística: Enfocada en la disponibilidad de materiales y prevención de quiebres de stock.	I4: Tasa de quiebre de stock (Stock-out) por retrasos.