Data Science
Modelos predictivos explicables, en producción, integrados en el sistema donde se toma la decisión
Qué construimos
Modelos que cubren las problemáticas que más se repiten en nuestros clientes. No es un catálogo abierto. Son los modelos que hemos construido, y para cada uno sabemos qué datos hacen falta, cómo desarrollarlo, dónde suele fallar y qué resultado es el que realmente sirve.
Predicción de abandono
Anticipar qué clientes están por irse y por qué, para crear una estrategia segmentada Ver caso →Valor de vida del cliente
Estimar cuánto va a valer cada cliente sin necesidad de un histórico de transacciones que lo demuestre Ver caso →Propensión de compra
Identificar qué clientes son más propensos a volver a comprar, y qué producto Ver caso →Con qué datos se empieza
Tu data disponible define la efectividad del modelo. Mientras más maduros sean los datos, más robusto será el modelo. Saber cuál es tu caso es la primera entrega del diagnóstico.
Cuando el histórico es demasiado corto o el evento que hay que predecir no está bien registrado, lo que corresponde es construir esa lógica primero.
Ningún modelo entrega una caja negra
Cada predicción viene con las señales que la explican, para poder decidir qué hacer con ella.
Un cliente en riesgo por precio y otro por caída de actividad necesitan acciones distintas. Sin el motivo, las dos entran en la misma campaña.
Hay además una razón formal: poder justificar por qué un cliente entró en una lista.
Qué predice un modelo — y qué no →Qué significa "en producción"
Un modelo que vive en un cuaderno y produce un informe no es un modelo en producción. Es un análisis puntual, es estático y envejece desde el día siguiente.
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.
Leer más →Deja el resultado donde tu equipo ya trabaja.
Como un campo más sobre el que segmentar o filtrar, o como un input para otros sistemas de decisión. Sin herramientas nuevas y sin que nadie tenga que mover un fichero.
Leer más →Evita perder su valor con el tiempo.
Los modelos se degradan con el tiempo porque el mundo que aprendieron deja de parecerse al que tiene delante. Anticiparte a ello permite activar su reentrenamiento para que nunca pierda valor.
Leer más →Facilita su entendimiento y los ajustes futuros.
Con el procedimiento escrito de cómo se ejecuta, qué se revisa y qué hacer cuando algo se sale de rango.
Leer más →Dónde termina el modelo y empieza tu criterio
Los modelos estiman la probabilidad de que un evento ocurra. La decisión de qué hacer con ello sigue siendo tuya, porque depende del margen de cada cliente, del coste de cada acción, de la capacidad del equipo y de la estrategia comercial. Ese es tu terreno, no el del modelo.
- Estima probabilidades
- Calcula valores esperados
- Ordena prioridades
- A quién llamar
- Qué oferta hacer
- Qué campaña lanzar
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. Ver el caso completo →
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 tienes claro por dónde empezar o qué tiene sentido construir primero?
Acompañamiento estratégico →Preguntas frecuentes
¿Cuántos datos hacen falta?
Menos de lo que se suele creer, y no se cuenta por filas. Para predecir si algo va a pasar, lo que importa es cuántas veces ya pasó: cien mil clientes con doscientas bajas dan menos que veinte mil con dos mil. Para estimar una cantidad, cuántos ciclos completos hay. Para segmentar, que haya variedad de comportamiento. Tu caso sale del diagnóstico.
Nuestros datos están sucios y desordenados. ¿Sirven igual?
Casi siempre sí. Campos vacíos, duplicados y criterios que cambiaron a mitad de camino son lo normal, y ordenarlos es parte del trabajo. Lo que bloquea no es el desorden sino la ausencia: si algo nunca se registró, no se recupera.
¿Hace falta tener un almacén de datos o un equipo de datos?
Ninguna de las dos cosas. Lo que sí hace falta es un sitio donde los datos que vienen de distintas fuentes queden guardados y se puedan cruzar. Si no existe, se monta como parte del proyecto, y hoy el almacenamiento cuesta muy poco: el trabajo está en organizar los datos, no en guardarlos.
¿En qué se diferencia esto de lo que ya hace nuestro BI?
El BI es descriptivo: ordena y muestra lo que ya pasó. Un modelo predictivo es prospectivo: estima lo que todavía no pasó, caso por caso. Son capas distintas y se usan juntas.