Portafolio · Data Science para servicios financieros
Soy Emilio Luna, Ingeniero en Computación Inteligente y estudiante de la Maestría en Ciencia de Datos e IA. Trabajo en Nissan Renault Finance Mexico automatizando datos de seguros y ventas financieras con Python y SQL. Aquí están 18 proyectos end-to-end con datos públicos: cada uno con resumen ejecutivo, gráficas interactivas, código completo y una demo de Python que corre en tu navegador.
18 de 18 proyectos
Churn, supervivencia e inferencia causal
Quién se va, cuánto vale retenerlo y a qué porcentaje de la cartera conviene contactar.
Kaplan-Meier y Cox PH para estimar el tiempo hasta la cancelación y las palancas que lo mueven.
Inferencia causal con un experimento: a quién le cambia la decisión la campaña y qué correo enviarle.
Scorecards y priorización de cartera vencida
Scorecard tradicional con WoE / IV, puntos, KS, Gini y una política de corte.
Priorizar la gestión de cartera vencida según la probabilidad de regularización.
Red neuronal tabular en PyTorch contra LightGBM sobre 307 mil solicitudes y 4 tablas relacionales.
Autoencoder e Isolation Forest sin etiquetas contra boosting supervisado, con presupuesto de alertas.
Propensión, segmentación y valor del cliente
Propensión con validación fuera de tiempo: cómo el drift cambia el umbral óptimo de llamada.
Segmentos validados por estabilidad y CLV probabilístico (BG/NBD) vs. ML vs. regla simple.
Next best offer: qué producto nuevo contratará cada cliente el próximo mes, evaluado fuera de tiempo.
Pronóstico con datos oficiales de México
Serie oficial de INEGI vía API: 5 modelos, walk-forward y pronóstico con intervalos.
¿Mueve la tasa objetivo la cartera automotriz? API SIE, proyecciones locales, VAR y prueba fuera de muestra.
Quejas, embeddings, RAG regulatorio y LLM
Clasificar 30 mil quejas reales con TF-IDF y embeddings locales, detectar temas que crecen y comparar con un LLM.
Recuperación de artículos de ley (LTOSF, CONDUSEF, datos personales) con BM25, embeddings e híbridos, y respuesta con cita.
Un LLM traduce preguntas a SQL sobre el Data Warehouse, ejecutado en un sandbox con lista blanca y sin PII.
Data Warehouse, calidad y monitoreo de modelos
Modelo estrella de una financiera sintética con SQL portable a Snowflake y reporte ejecutivo.
Reglas de calidad con semáforo, diccionario de datos automático y clasificación de PII.
12 meses simulados en producción: drift, alertas y recalibrar vs. reentrenar.
🧬 Laboratorio bioinspirado
En los proyectos donde el resultado fue débil probé algoritmos inspirados en la naturaleza (enjambres, evolución, redes de Kohonen), siempre contra una referencia honesta. A veces ganan, a veces no: ambas cosas se reportan.
Cada punto naranja es una partícula: se mueve combinando su inercia, su mejor posición personal y la mejor del enjambre (verde). Las zonas azules son los valles; el reto es no quedarse atrapado en un mínimo local.
22 → 5 variables con AUC 0.840 vs. 0.845: mismo poder, modelo mucho más simple.
Regla legible con +7.8 pp vs. +7.7 pp a todos; confirma que el efecto es casi homogéneo.
+20% de valor esperado vs. la regla con el mismo costo; el solver exacto es la herramienta correcta.
Mapa visual de la cartera (U-matrix y planos); para CLV y segmentación no supera a la regla ni a K-Means.
El promedio simple (3.31 %) vence al ingenuo (3.64 %, p = 0.033); los pesos genéticos se sobreajustan.
🔬 Búsqueda del mejor algoritmo
Cada proyecto con margen de mejora tiene una bitácora: hipótesis → experimento con los mismos folds → decisión, y una sola evaluación final del campeón contra la línea base.
🧪 Rigor y reproducibilidad
Un resultado sospechosamente bueno (o malo) se investiga antes de publicarlo. Estos hallazgos cambiaron cifras del portafolio, casi siempre hacia abajo.
pip install -r proyectos/requirements.txt y python proyectos/run_all.py. Los proyectos
con datos de registro leen estas variables de entorno; sin ellas usan su caché o se omiten. Ninguna credencial
vive en el repositorio.
Cada requisito del puesto, ligado al proyecto que lo demuestra.
Nissan Renault Finance Mexico
Nissan Renault Finance Mexico
SoftServe