Modelo predictivo para reducir pérdidas financieras por la variabilidad en el valor de recuperación de los vehículos eléctricos en Costa Rica

Abstract

Este Trabajo Final de Graduación desarrolla y valida un modelo predictivo que estima el valor residual de los vehículos eléctricos financiados por la empresa Áltica en Costa Rica, con el fin de reducir las pérdidas económicas derivadas de la alta variabilidad de precios al final del contrato. La investigación es de tipo aplicada y cuantitativa; se siguió la metodología CRISP-DM: recopilación y depuración de 1 318 registros procedentes de cuatro fuentes (ventas históricas, avalúos y dos web-scrapings), análisis exploratorio y estandarización de variables clave (edad, kilometraje, autonomía, química de batería), comparación de algoritmos lineales, de ensamble y de series temporales, y validación mediante validación cruzada estratificada y un conjunto de prueba. El modelo seleccionado, un Stacking Regressor que combina Random Forest y Gradient Boosting, alcanza R² = 0,83 y MAE ≈ $6 900, cumpliendo los umbrales de negocio. La herramienta se integrará en el flujo de tasación como apoyo al juicio experto.

This Final Graduation Project develops and validates a predictive model that estimates the residual value of electric vehicles financed by the company Áltica in Costa Rica, aiming to lessen the economic losses stemming from high price variability at contract termination. The research is applied and quantitative; it follows the CRISP-DM methodology: collection and cleansing of 1,318 records from four sources (historical sales, appraisals, and two web scrapings); exploratory analysis and standardization of key variables (age, mileage, range, battery chemistry); comparison of linear, ensemble, and time-series algorithms; and validation through stratified cross-validation and a hold-out test set. The selected model is the Stacking Regressor combining Random Forest and Gradient Boosting achieving R² = 0.83 and MAE ≈ $6 900, satisfying the business thresholds. The tool will be integrated into the valuation workflow to support expert judgment.