Antes de predecir, mide lo que ya haces

Esta es la situación cómoda: los cimientos aguantan, los procesos van solos y las métricas están acordadas. La pregunta deja de ser qué pasó y pasa a ser qué va a pasar. Es el momento en el que un modelo tiene sentido, y también en el que es más fácil gastarse el presupuesto en uno que no hacía falta.

Ya tienes un modelo, aunque no lo llames así

Si hoy decides a quién llamar, qué reponer o a quién ofrecer algo, ya estás prediciendo. Puede ser una regla de tres líneas, la intuición de alguien con veinte años de oficio o un umbral que puso otro y nadie ha revisado. Eso es la línea base, y es contra lo que hay que medir. Un modelo que acierta el 85 % suena bien hasta que descubres que la regla actual acierta el 84 %.

Qué hay que dejar atado antes

• Cuál es la regla actual, escrita, y qué resultado da hoy.
• Qué métrica decide si el modelo gana, elegida antes de ver ningún resultado.
• Qué mejora justifica el coste de mantenerlo, en el número que le importa al negocio.
• Con qué datos se entrena y si esos datos estarán disponibles el día que haya que decidir de verdad.

Ese último punto tumba más proyectos de los que parece: se entrena con información que solo existe a posteriori y, en producción, cuando toca decidir, todavía no está.

Y si no gana, se dice

Es la conversación más incómoda de este oficio y la que más veces evita un gasto inútil. Un modelo tiene coste de mantenimiento, de vigilancia y de explicar por qué ha dicho lo que ha dicho. Si la mejora es marginal, la regla aburrida que ya funciona sale ganando.

La pregunta no es si el modelo acierta, sino si acierta más que lo que ya hacías.

Cómo trabajamos la ciencia de datos y la IA→