2026

El problema de un dashboard de riesgo casi nunca es la herramienta: es el diseño. Una pregunta por pantalla, KRI antes que KPI, color con significado y un modelo semántico que sea la única fuente de verdad. El patrón que funcionó para más de 100 usuarios en banca.

El camino real de un scoring de crédito: del dato sucio al modelo evaluado como lo evaluaría un área de riesgo. Por qué el split temporal lo es todo, por qué accuracy miente en crédito, y por qué sin SHAP no lo puedes desplegar en banca regulada.

El 95% de exactitud en el notebook no significa nada si el modelo se cae en producción. Los tres asesinos reales (data drift, dependencias, supuestos de input) y el MLOps mínimo viable con Vertex AI y Evidently — sin Kubernetes.

El patrón exacto que uso para llevar un reporte regulatorio de una semana a ocho minutos: ingesta con dlt, transformación con DuckDB y Polars, y controles automáticos con Great Expectations. Con foco en lo que casi nadie enseña: la trazabilidad.