Un modelo predictivo de banca, paso a paso

La mayoría aprende ML en el orden equivocado: empieza por el algoritmo. En un banco, el algoritmo es el paso 6 de 7. Construí modelos predictivos en banca regulada de punta a punta, y lo que separa un modelo que llega a producción de uno que muere en un notebook casi siempre es el orden.

Pasos 1–3: pregunta, target, baseline

1. La pregunta de negocio. ¿Qué decisión va a cambiar con esta predicción? Si no la puedes decir en una frase, para.
2. El target. Qué predices exactamente, con qué ventana. Ambiguo aquí = inútil después.
3. Una baseline tonta. La regla más simple posible. Si tu modelo no le gana a "asumir que todos pagan", no tienes modelo: tienes un notebook caro.

Pasos 4–5: features y validación

4. Features con sentido de negocio. Variables que un analista de riesgo pueda explicar, no 200 automáticas que nadie entiende. En banca regulada, lo inexplicable no se despliega.
5. Validación temporal, no aleatoria. Entrenas con el pasado, validas con el futuro. Es el error que más modelos mata en producción —y por eso lo repito en cada análisis.

Pasos 6–7: calibración y monitoreo

6. Calibración. No basta con ordenar bien el riesgo. Si el modelo dice "10% de probabilidad de mora", tiene que ser de verdad cerca de 10%: una provisión se calcula sobre ese número.
7. Monitoreo desde el día 1, no agregado después. Un modelo sin plan de monitoreo no está terminado: está abandonado con buena nota.

La idea que se queda

El algoritmo es intercambiable. El orden no. Haz los siete pasos en orden y un modelo simple le gana a uno complejo hecho al revés —siempre.

Ver en video

El recorrido por los 7 pasos, con el notebook ordenado, está en mi canal: Cristina Chapoñán | Data & IA — busca "Un modelo predictivo de banca, paso a paso".

¿En qué paso sueles empezar tú? Sé honesto. Cuéntame.