Antes de hablar de modelos, hablemos de datos

Esta es la parte que casi nadie dice al principio: un modelo predictivo necesita histórico. Si quieres estimar la demanda del próximo mes, hacen falta meses anteriores registrados con suficiente detalle. Si quieres detectar operaciones anómalas, hacen falta ejemplos de operaciones normales. Sin eso no hay modelo, hay adivinanza con matemáticas encima.

Por eso la primera conversación es sobre qué datos tienes, dónde están y con cuánto detalle se guardan. A veces la conclusión es que todavía no toca entrenar nada y que el primer proyecto es instrumentar bien el proceso para tener ese histórico dentro de unos meses. Preferimos decirlo a vender un modelo que no va a funcionar.

Qué tipo de preguntas resuelve

Cuánto va a pasar. Demanda, consumo, cobranza esperada, carga de trabajo: series de tiempo para planificar compras, turnos o inventario con una base.
Qué probabilidad hay. Scoring: qué clientes tienen más riesgo de dejar de comprar, qué solicitudes tienen más probabilidad de terminar en venta, qué cuentas se van a atrasar.
Qué se sale de lo normal. Detección de anomalías en transacciones, consumos o comportamientos, para revisar veinte casos sospechosos en lugar de veinte mil.
Cómo se agrupa esto de verdad. Segmentación por comportamiento real y no por la categoría que alguien asignó a mano hace años.

Cómo sabemos si el modelo sirve

Un modelo se evalúa contra datos que nunca vio durante el entrenamiento; es la única forma honesta de saber si aprendió algo o solo memorizó. Antes de entrenar acordamos contigo qué significa «suficientemente bueno» para tu caso, porque no es lo mismo equivocarse prediciendo stock que equivocarse marcando un fraude.

Y no termina al entregarlo. Los modelos se degradan cuando la realidad cambia —cambia el mercado, cambia tu catálogo, cambia el comportamiento de tus clientes—, así que dejamos monitoreo de su rendimiento y un plan de reentrenamiento en lugar de dejarte un archivo y desaparecer.

Escenarios habituales

Las preguntas de negocio que suelen llegarnos:

¿Cuánto voy a vender el mes que viene?

Estimación de demanda por producto o zona para comprar y programar con una base, no con la sensación del año pasado.

¿A qué cliente atiendo primero?

Priorización por probabilidad de cierre o por riesgo de pérdida, en lugar de por orden de llegada.

¿Esta operación es rara?

Detección de lo que se desvía del patrón habitual para revisarlo antes de que sea un problema.

¿Cuántos tipos de cliente tengo en realidad?

Segmentación por lo que hacen y no por la etiqueta que tienen puesta en el sistema.

Con qué lo construimos

Elegimos cada herramienta por el problema que hay que resolver y por su mantenibilidad a largo plazo. Puedes ver el stack completo en la portada.

Python Modelos de clasificación Series de tiempo Scoring Detección de anomalías SQL PostgreSQL MongoDB Redis Docker AWS Google Cloud

Cómo empezamos

Con una conversación de diagnóstico, sin costo, en la que entendemos el proceso actual y dónde se está perdiendo tiempo o dinero. Con eso preparamos una propuesta con alcance, arquitectura, entregables y plazos. Si la apruebas, desarrollamos por iteraciones revisables hasta el despliegue en producción. Está explicado paso a paso en cómo trabajamos.

Los otros servicios

Casi todos los proyectos combinan varias áreas. Estas son las demás:

Software a medida Automatización con IA Automatización de tareas Ciberseguridad Apps móviles

Machine learning con tus propios datos