01 / 05
Modelos de previsión de demanda, de ventas y de tesorería.
Logg Tandy · CC BY 4.0
04 · predicción
Solo si supera a la regla que ya usas.
International Gemini Observatory/NOIRLab/NSF/AURA/J. ChuCC BY 4.0
01
Por qué
El análisis explica lo que ya ha ocurrido; la ciencia de datos estima lo que va a ocurrir. Es la última capa del ciclo y la que más depende de las tres anteriores: sobre datos que no cuadran, un modelo predictivo no resuelve el problema, solo automatiza el error y lo reparte más rápido.
«Medimos bien y queremos anticiparnos.»
Por eso aquí empezamos siempre por una prueba acotada y con una referencia: lo que ya haces hoy, aunque sea una regla escrita en una servilleta. Si el modelo no la supera con claridad, no llega a producción y te lo decimos. Es la parte de este servicio que más veces nos ha costado un proyecto y la que más confianza nos ha dado después.
02
Qué hacemos
02 / 05
Segmentación de clientes y estimación de quién está a punto de irse, con tiempo para hacer algo.
NASA · Dominio público
03 / 05
Detección de anomalías, tanto en la operación como en la propia calidad del dato.
DarTar · CC BY 3.0
04 / 05
Automatización de tareas documentales repetitivas con modelos de lenguaje, cuando el volumen lo justifica.
Autor desconocido · Dominio público
05 / 05
Puesta en producción y mantenimiento: versionado de modelo y datos, vigilancia de la deriva y reentrenamiento.
Nederlandse Spoorwegen · CC0
03
Cuándo llamarnos
- 01
El inventario o la plantilla se planifican con intuición y con el histórico del año pasado.
- 02
Queréis saber qué clientes se van a ir antes de que se vayan.
- 03
Hay un modelo en un cuaderno que nunca llegó a producción.
- 04
Hay un proceso manual repetitivo sobre documentos o texto que se lleva horas todos los meses.
04
Qué te llevas
- 01
La comparación contra lo que hacías antes, con los números de las dos.
- 02
El modelo y sus datos de entrenamiento versionados y reproducibles.
- 03
El servicio en producción, con su vigilancia de deriva y su plan de reentrenamiento.
- 04
El límite escrito: en qué casos el modelo no es de fiar y qué hacer entonces.
Herramientas habituales
- Python
- scikit-learn
- PyTorch
- MLflow
- FastAPI
- Docker
Siguiente paso
¿Te suena «Medimos bien y queremos anticiparnos»?
Entonces esta es tu etapa. Cuéntanos cómo se manifiesta en tu caso y te decimos qué haríamos primero.
Respondemos en 24 h laborables