Laboratorio
Cómo se llega a un buen modelo
Experimentos, enfoques alternativos y rigor metodológico: lo que normalmente no se ve detrás de una métrica.
Laboratorio bioinspirado
Cuando el modelo no convence, se cambia de enfoque
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.
Enjambre de partículas en vivo
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.
Selección de variables con enjambre de partículas (PSO)
22 → 5 variables con AUC 0.840 vs. 0.845: mismo poder, modelo mucho más simple.
Reglas de segmentación evolucionadas con un algoritmo genético
Regla legible con +7.8 pp vs. +7.7 pp a todos; confirma que el efecto es casi homogéneo.
Asignación de canal de cobranza: genético vs. óptimo exacto
+20% de valor esperado vs. la regla con el mismo costo; el solver exacto es la herramienta correcta.
Mapa autoorganizado de Kohonen (SOM)
Mapa visual de la cartera (U-matrix y planos); para CLV y segmentación no supera a la regla ni a K-Means.
Ensamble de pronósticos con pesos de algoritmo genético
El promedio simple (3.31 %) vence al ingenuo (3.64 %, p = 0.033); los pesos genéticos se sobreajustan.
Búsqueda del mejor algoritmo
Iterar hasta encontrar al campeón (y decir cuándo no vale la pena)
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.
0.8443 Ensamble EBM + splines + CatBoost
0.8503 AUC · 7 it.#4 Scorecard de originación de crédito Scorecard WoE
0.5376 EBM monótono
0.5599 Gini · 6 it.#5 Cobranza: probabilidad de pago tras mora LightGBM monótono (14 variables)
0.7328 LightGBM afinado con Optuna
0.7454 AUC · 7 it.#7 Propensión a contratar (cross-sell) LightGBM · cliente
0.5568 Logística · cliente
0.5698 AUC · 8 it.#8 Segmentación RFM y CLV predictivo Regla: promedio histórico
0.5106 Ensamble de rangos (BG/NBD + LightGBM + hurdle)
0.5414 Spearman · 8 it.#10 Pronóstico de ventas de autos en México Ingenuo estacional
10.0275 Promedio de 5 modelos
4.5519 MAPE % · 8 it.
Rigor y reproducibilidad
Errores que encontré y cómo los corregí
Un resultado sospechosamente bueno (o malo) se investiga antes de publicarlo. Estos hallazgos cambiaron cifras del portafolio, casi siempre hacia abajo.
Regenerar todo
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.