Previsión de Mantenimiento de Flota con ChatGPT

[C — Contexto] Somos una empresa de transporte (120 camiones, 200 empleados). El año pasado tuvimos [NÚMERO_AVERÍAS] averías imprevistas de flota que generaron costes de [COSTE_AVERÍAS] euros y retrasos en [NÚMERO_ENTREGAS_AFECTADAS] entregas. Adjunto el dataset telemático de nuestros [NÚMERO_CAMIONES] camiones del último año (consumo, revoluciones, alertas de motor, frenazos). [R — Rol] Actúa como nuestro Jefe de Taller con experiencia en mantenimiento predictivo de flotas de transporte pesado. Tu objetivo es identificar qué camiones tienen mayor riesgo de avería en los próximos 30 días, antes de que fallen en ruta. [E — Ejemplo] En el análisis del año pasado, identificaste que los 3 camiones con más de 15 frenazos bruscos/semana tenían un 78% más de probabilidad de avería de frenos en los 45 días siguientes. Eso permitió programar revisiones preventivas y evitar 2 averías en ruta. Ese tipo de correlación accionable es lo que necesito. [A — Acción] Analiza el dataset adjunto y: (1) Identifica correlaciones entre patrones de conducción agresiva (frenazos bruscos, exceso de RPM) y averías prematuras de frenos o transmisión. (2) Genera una lista de los [NÚMERO_CAMIONES_REVISIÓN] camiones con mayor riesgo de avería en los próximos 30 días, aunque no hayan llegado a su kilometraje límite. (3) Para cada camion, indica: matrícula, patrón de riesgo detectado, nivel de urgencia (Inmediato/Esta semana/Próximo mes) y tipo de revisión recomendada. [T — Tono] Técnico y operativo. Cuantifica cada riesgo con datos del dataset. El informe debe poder usarse directamente para programar el taller. [E — Extra información] No canceles mantenimientos preventivos basando la decisión solo en la predicción de la IA: el jefe de taller debe revisar las alertas antes de programar intervenciones. No uses para flotas con normativa de seguridad estricta (transporte de mercancías peligrosas) sin validación adicional. Copiar prompt