Lección 1Consideraciones de implementación: cadencia de reentrenamiento, pipelines de datos, monitoreo de drift y backtesting de pronósticosPlanificar la implementación de sistemas de previsión de ingresos, incluyendo cadencia de reentrenamiento, pipelines de datos automatizados, monitoreo de drift de datos y concepto, y backtesting continuo para asegurar rendimiento estable en condiciones de mercado cambiantes.
Diseño de pipelines de datos robustosProgramación de reentrenamientos y actualizacionesMonitoreo de drift de datos y conceptoBacktesting continuo y benchmarkingEstrategias de alertas y rollbackLección 2Comunicación de pronósticos a stakeholders: visualización de pronósticos puntuales e intervalos, análisis de escenarios, transparencia de supuestosComunicar pronósticos de ingresos de manera efectiva a stakeholders usando visualizaciones claras de predicciones puntuales e intervalos, análisis de escenarios y documentación transparente de supuestos, limitaciones y consideraciones de riesgo del modelo.
Visualización de pronósticos puntuales e intervalosDiseño de análisis de escenarios y what-ifExplicación de drivers y features claveDocumentación de supuestos y límitesAdaptación de mensajes a stakeholdersLección 3Modelos de series temporales de machine learning: random forests/gradient boosting con features lagged, XGBoost/LightGBM, y modelos de secuencia (LSTM/GRU)Entrenar modelos de machine learning para previsión de ingresos en series temporales, incluyendo ensembles de árboles con features lagged y modelos de secuencia como LSTM y GRU, manejando no estacionariedad, estacionalidad y heterogeneidad a nivel de producto.
Random forests con features laggedGradient boosting, XGBoost, LightGBMModelos de previsión globales vs localesModelos de secuencia con LSTM y GRUManejo de no estacionariedad y escaladoLección 4Formulación de objetivos de previsión y horizontes de evaluación (ej. próximos 3, 6, 12 meses)Definir objetivos de previsión para productos bancarios principales seleccionando targets de predicción, horizontes y granularidad, alineándolos con decisiones de negocio como presupuestos, precios, planificación de liquidez y necesidades regulatorias o de reporting de riesgo.
Elección de targets y unidades de ingresosSelección de horizontes y frecuencia de pronósticoAlineación de pronósticos con decisiones de negocioGranularidad por producto, segmento y regiónManejo de productos nuevos e historias cortasLección 5Identificación y obtención de datos de series temporales (series financieras públicas, volúmenes de pagos, técnicas de generación sintética)Aprender a identificar, evaluar y obtener datos de series temporales para previsión de ingresos bancarios, incluyendo métricas internas de productos, series financieras públicas y datos sintéticos que aumentan de manera segura registros históricos escasos o ruidosos.
Catálogo de series de ingresos de productos internosUso de fuentes públicas de datos macro y mercadoRecolección de datos de volúmenes de pagos y transaccionesEvaluación de calidad de datos, gaps y revisionesGeneración de datos sintéticos para escenarios de estrésLección 6Entrenamiento y tuning de hiperparámetros: grid/random search, optimización bayesiana, scoring consciente del tiempoOptimizar rendimiento del modelo usando estrategias estructuradas de tuning de hiperparámetros, incluyendo grid y random search, optimización bayesiana y scoring consciente del tiempo que respeta el orden temporal y enfoca horizontes críticos para el negocio.
Definición de espacios de búsqueda y priorsTrade-offs de grid y random searchWorkflows de optimización bayesianaValidación y scoring consciente del tiempoEarly stopping y límites de recursosLección 7Ensembling de modelos y reconciliación: promedio simple de modelos, ensembles ponderados, stacking para series temporalesCombinar múltiples modelos de previsión de ingresos bancarios usando promedios simples, ensembles ponderados y stacking, y aplicar reconciliación jerárquica para asegurar pronósticos coherentes a través de productos, sucursales y niveles organizacionales.
Promedio simple y ponderado de modelosStacking y meta-learners para seriesDiversidad y correlación entre modelosReconciliación jerárquica y agrupadaEvaluación de estabilidad de ensembles en el tiempoLección 8Métodos baseline de series temporales: ARIMA, ETS, modelos naive y seasonal naïve, descomposición (tendencia/estacionalidad)Explorar modelos baseline de series temporales para ingresos bancarios, incluyendo naive, seasonal naive, ARIMA, ETS y descomposición, para establecer rendimiento de referencia e interpretar tendencia y estacionalidad antes de usar modelos complejos de machine learning.
Benchmarks naive y seasonal naiveDescomposición clásica de tendencia y estacionalidadModelado ARIMA para series de ingresos bancariosSuavizado exponencial y variantes ETSComparación de baselines a través de productosLección 9Ingeniería de features para ingresos: lags, medias/std rodantes, diferenciación, efectos calendario, indicadores de feriados, efectos cohort, flags de marketing/campañasCrear features predictivas para ingresos bancarios, incluyendo lags, estadísticas rodantes, diferenciación, efectos calendario y feriados, indicadores de cohort y lifecycle, y flags de marketing o campañas que capturan cambios de demanda y quiebres estructurales.
Features de lag y lead para ingresosMedias rodantes, volatilidad y ratiosEfectos calendario, feriados y quincenaFeatures basadas en cohort y lifecycleFlags de impacto de marketing y campañasLección 10División de datos y cross-validation para series temporales: splits train/validation/test, CV de ventana expandida, CV bloqueadaDiseñar splits de datos conscientes del tiempo y esquemas de cross-validation para previsión de ingresos, incluyendo enfoques rodantes y bloqueados, para evitar leakage, simular uso en producción y obtener estimaciones confiables del rendimiento del modelo en el tiempo.
Splits holdout train, validación y testValidación de ventana rodante y expandidaCross-validation bloqueada para estacionalidadPrevención de leakage temporal en featuresBacktesting sobre múltiples orígenes de pronósticoLección 11Métricas de evaluación y análisis de errores: MAE, RMSE, MAPE, sMAPE simétrico, intervalos de predicción y coberturaEvaluar pronósticos de ingresos usando métricas como MAE, RMSE, MAPE, sMAPE simétrico y cobertura de intervalos, y realizar análisis detallado de errores por segmento, horizonte y régimen para descubrir sesgos y debilidades del modelo.
Métricas de error dependientes de escalaMétricas de error porcentual y relativoIntervalos de predicción y coberturaDiagnósticos a nivel horizonte y segmentoAnálisis de error por régimen y eventosLección 12Regresores macro y externos: uso de IPC, desempleo, tasas de interés, movilidad, Google Trends; selección de features y alineación de lagsIncorporar regresores macroeconómicos y externos en modelos de ingresos, como IPC, desempleo, tasas de interés, movilidad y tendencias de búsqueda, y aprender técnicas para alineación de lags, escalado y selección de features para evitar overfitting.
Selección de indicadores macro relevantesAlineación de lags entre macro e ingresosTransformación y escalado de datos externosSelección de features y regularizaciónOverlays de estrés y escenarios con macros
