Las seis fases del proyecto
Este flujo se adapta al tamaño del proyecto. Un modelo predictivo sencillo puede completarse en ocho semanas; una plataforma de datos completa puede requerir entre cuatro y seis meses. Lo importante es que usted sabe en todo momento en qué fase estamos y qué viene después.
Descubrimiento y diagnóstico
Nos reunimos con su equipo (presencial o virtual, según prefiera) para entender el problema de negocio, las fuentes de datos disponibles y los sistemas actuales. No hablamos de algoritmos en esta etapa: hablamos de qué decisiones toma su empresa hoy con intuición y cuáles podrían apoyarse en datos.
Duración típica: una a dos semanas. Entregable: un documento de diagnóstico con el alcance propuesto, los datos necesarios y una estimación de impacto realista.
Preparación de datos
Esta fase suele consumir entre el 40 % y el 60 % del tiempo total. Conectamos las fuentes de datos (bases SQL, archivos Excel, APIs de terceros), limpiamos registros inconsistentes y creamos un pipeline reproducible. Si sus datos están dispersos en cinco hojas de cálculo mantenidas por personas distintas, este es el momento en que los unificamos.
Trabajamos junto con la persona de su equipo que mejor conoce los datos. Esa colaboración es clave: nadie entiende las excepciones y los casos raros mejor que quien lleva años trabajando con esa información.
Diseño y entrenamiento del modelo
Seleccionamos la técnica más adecuada al problema: regresión, clasificación, series temporales, procesamiento de lenguaje natural o visión por computador. Probamos varias configuraciones, comparamos métricas (precisión, recall, F1, error absoluto medio, según el caso) y elegimos la que mejor equilibra rendimiento y complejidad.
Le presentamos los resultados preliminares con ejemplos concretos de su propio negocio, no con gráficas abstractas. Si el modelo confunde un tipo de producto con otro, lo mostramos tal cual para que decida si ese margen de error es aceptable o necesitamos ajustar.
Validación con datos reales
Antes de poner el modelo en producción, lo ejecutamos con datos recientes que no se usaron durante el entrenamiento. Comparamos las predicciones del modelo con lo que realmente ocurrió. Un distribuidor de alimentos, por ejemplo, comparó las previsiones de demanda del modelo con los pedidos reales de las últimas doce semanas y confirmó un error medio inferior al 8 %.
Si los resultados no alcanzan el umbral acordado en la fase 1, volvemos al paso anterior. No desplegamos un modelo que no cumpla el estándar pactado.
Despliegue en producción
Integramos el modelo en su infraestructura: puede ser una API que su ERP consulta en tiempo real, un job programado que genera reportes cada mañana o un dashboard interactivo. Configuramos alertas automáticas para detectar caídas de rendimiento o anomalías en los datos de entrada.
Capacitamos al equipo que va a interactuar con el sistema. No se trata de una presentación de PowerPoint: hacemos sesiones prácticas donde cada persona ejecuta las tareas que hará en su día a día.
Monitoreo y mejora continua
Durante los primeros 90 días revisamos el rendimiento del modelo cada semana. Después, la frecuencia pasa a ser mensual o trimestral, dependiendo de la volatilidad de los datos. Si el comportamiento del mercado cambia (un nuevo competidor, una temporada atípica), reentrenamos el modelo con datos actualizados.
Este acompañamiento está incluido en el contrato inicial. No cobramos extra por los ajustes dentro del periodo de garantía.
Preguntas frecuentes sobre el proceso
¿Listo para empezar?
El primer paso es una conversación de 30 minutos donde evaluamos si su problema es un buen candidato para Artificial Intelligence. Sin compromiso.
Solicitar evaluación inicial