Data Science

Qué construimos

Cinco modelos que cubren las preguntas que más se repiten en empresas con clientes recurrentes y con inventario. Cada uno tiene su propia página con el detalle de cómo funciona.

No es un catálogo abierto. Son los modelos que hemos construido, y para cada uno sabemos dónde falla, qué datos hacen falta de verdad y qué se descubre a mitad de camino.

Qué significa "en producción"

Un modelo que vive en un cuaderno y produce un informe no es un modelo en producción. Es un análisis. Sirve una vez y envejece desde el día siguiente.

En producción quiere decir cuatro cosas concretas.

Corre solo, con la cadencia que decida el negocio.

Diaria, semanal, mensual o ante un evento puntual que lo active. Nadie tiene que acordarse de ejecutarlo.

Deja el resultado donde tu equipo ya trabaja.

El CRM, la herramienta de campañas, el almacén de datos, el ERP, o directamente un proceso que se dispara con ese dato. Como un campo más sobre el que segmentar o filtrar, o como la señal que pone algo en marcha. Sin herramientas nuevas y sin que nadie tenga que mover un fichero.

Está vigilado.

Es natural que los modelos de machine learning se degraden con el tiempo. No es un defecto de construcción: es lo que pasa cuando el mundo que el modelo aprendió deja de parecerse al que tiene delante. Por eso se mide de forma continua tanto la deriva de los datos como el acierto, y el reentrenamiento se dispara antes de que la caída llegue a los resultados para que nunca pierda valor.

Está documentado.

Con el procedimiento escrito de cómo se ejecuta, qué se revisa y qué hacer cuando algo se sale de rango.

Ningún modelo entrega una caja negra

Cada predicción viene con las señales que la explican. No es un extra técnico: es lo que permite decidir qué hacer con ella. Un cliente en riesgo por precio y otro por caída de actividad necesitan acciones distintas, y sin el motivo las dos entran en la misma campaña.

En sectores regulados hay además una razón formal, que es poder justificar por qué un cliente entró en una lista.

Dónde termina el modelo y empieza tu criterio

Un modelo devuelve una probabilidad o un valor esperado. No decide a quién llamar, cuánto descuento ofrecer ni qué campaña lanzar. Eso depende del margen de cada cliente, del coste de cada acción, de la capacidad real del equipo y de la estrategia comercial, que son cosas que tu equipo sabe y el modelo no.

Esa frontera se puede mover, y es un proyecto aparte: una capa de decisión que combina los resultados de varios modelos con tus reglas de negocio y propone la acción.

Con qué datos se empieza

Con los que tienes hoy. Casi siempre alcanzan para algo, aunque casi nunca alcancen para todo, y saber cuál de las dos cosas es tu caso es la primera entrega del diagnóstico.

La respuesta honesta a veces es que todavía no. Cuando el histórico es demasiado corto o el evento que hay que predecir no está bien registrado, lo que corresponde es arreglar eso primero y no construir un modelo que va a fallar por debajo.

Después de la entrega

Un modelo en producción no se queda quieto. El comportamiento que aprendió cambia, y con el tiempo eso pide ajustes: reentrenamiento, revisión de las señales que usa, a veces una reconstrucción parcial. No es una falla, es el ciclo natural de cualquier modelo vivo.

Por eso la propuesta incluye el seguimiento mensual: vigilancia del rendimiento, reentrenamiento cuando la señal lo indica, y una revisión periódica con propuesta de reacondicionamiento si el modelo ya no da lo que daba. Va planteado desde el principio, con su alcance y su precio.

Preguntas frecuentes