Lección 1Consideraciones de despliegue: periodicidad de reentrenamiento, tuberías de datos, monitoreo de deriva y backtesting de pronósticosPlanifica el despliegue de sistemas de previsión de ingresos, incluyendo periodicidad de reentrenamiento, tuberías de datos automatizadas, monitoreo de deriva de datos y concepto, y backtesting continuo para garantizar un rendimiento estable en condiciones de mercado cambiantes.
Diseño de tuberías de datos robustasProgramación de reentrenamientos y actualizacionesMonitoreo de deriva de datos y conceptoBacktesting continuo y benchmarkingEstrategias de alertas y rollbackLección 2Comunicación de pronósticos a las partes interesadas: visualización de pronósticos puntuales e intervalos, análisis de escenarios, transparencia de supuestosComunica eficazmente los pronósticos de ingresos a las partes interesadas mediante 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 qué-pasaría-siExplicación de drivers y características claveDocumentación de supuestos y límitesAdaptación de mensajes a las partes interesadasLección 3Modelos de series temporales de aprendizaje automático: bosques aleatorios/gradient boosting con características rezagadas, XGBoost/LightGBM y modelos de secuencia (LSTM/GRU)Entrena modelos de aprendizaje automático para previsión de ingresos en series temporales, incluyendo ensembles de árboles con características rezagadas y modelos de secuencia como LSTM y GRU, manejando no estacionariedad, estacionalidad y heterogeneidad a nivel de producto.
Bosques aleatorios con características rezagadasGradient 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 (p.ej., próximos 3, 6, 12 meses)Define objetivos de previsión para productos bancarios principales seleccionando objetivos de predicción, horizontes y granularidad, alineándolos con decisiones empresariales como presupuestos, precios, planificación de liquidez y necesidades de informes regulatorios o de riesgo.
Elección de objetivos y unidades de ingresosSelección de horizontes y frecuencia de pronósticoAlineación de pronósticos con decisiones empresarialesGranularidad por producto, segmento y regiónManejo de nuevos productos e historiales cortosLección 5Identificación y obtención de datos de series temporales (series financieras públicas, volúmenes de pagos, técnicas de generación sintética)Aprende 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 forma segura registros históricos escasos o ruidosos.
Catálogo de series de ingresos de productos internosUso de fuentes públicas de datos macro y de mercadoRecopilación de datos de volúmenes de pagos y transaccionesEvaluación de calidad de datos, lagunas y revisionesGeneración de datos sintéticos para escenarios de estrésLección 6Entrenamiento y ajuste de hiperparámetros: búsqueda en rejilla/búsqueda aleatoria, optimización bayesiana, puntuación consciente del tiempoOptimiza el rendimiento del modelo mediante estrategias estructuradas de ajuste de hiperparámetros, incluyendo búsqueda en rejilla y aleatoria, optimización bayesiana y puntuación consciente del tiempo que respeta el orden temporal y se centra en horizontes críticos para el negocio.
Definición de espacios de búsqueda y priorsVentajas y desventajas de búsqueda en rejilla y aleatoriaFlujos de trabajo de optimización bayesianaValidación y puntuación conscientes del tiempoParada temprana y límites de recursosLección 7Ensemble de modelos y reconciliación: promedio simple de modelos, ensembles ponderados, stacking para series temporalesCombina múltiples modelos de previsión para ingresos bancarios mediante promedios simples, ensembles ponderados y stacking, y aplica reconciliación jerárquica para garantizar pronósticos coherentes entre productos, sucursales y niveles organizativos.
Promedio simple y ponderado de modelosStacking y meta-aprendices para seriesDiversidad y correlación entre modelosReconciliación jerárquica y agrupadaEvaluación de estabilidad de ensembles en el tiempoLección 8Métodos base de series temporales: ARIMA, ETS, modelos ingenuos y estacionales, descomposición (tendencia/estacionalidad)Explora modelos base de series temporales para ingresos bancarios, incluyendo ingenuos, ingenuos estacionales, ARIMA, ETS y descomposición, para establecer rendimiento de referencia e interpretar tendencia y estacionalidad antes de usar modelos complejos de aprendizaje automático.
Benchmarks ingenuos y estacionalesDescomposición clásica de tendencia y estacionalidadModelado ARIMA para series de ingresos bancariosSuavizado exponencial y variantes ETSComparación de baselines entre productosLección 9Ingeniería de características para ingresos: rezagos, medias/std rodantes, diferenciación, efectos calendáricos, indicadores festivos, efectos de cohortes, flags de marketing/campañasDiseña características predictivas para ingresos bancarios, incluyendo rezagos, estadísticas rodantes, diferenciación, efectos calendáricos y festivos, indicadores de cohortes y ciclo de vida, y flags de marketing o campañas que capturan cambios de demanda y quiebres estructurales.
Características de rezago y adelanto para ingresosMedias rodantes, volatilidad y ratiosEfectos calendáricos, festivos y de pagoCaracterísticas basadas en cohortes y ciclo de vidaFlags de impacto de marketing y campañasLección 10División de datos y validación cruzada para series temporales: divisiones train/validación/test, CV de ventana expandida, CV bloqueadaDiseña divisiones de datos conscientes del tiempo y esquemas de validación cruzada para previsión de ingresos, incluyendo enfoques rodantes y bloqueados, para evitar fugas, simular uso en producción y obtener estimaciones fiables del rendimiento del modelo a lo largo del tiempo.
Divisiones holdout de train, validación y testValidación de ventana rodante y expandidaValidación cruzada bloqueada para estacionalidadPrevención de fugas temporales en característicasBacktesting sobre múltiples orígenes de pronósticoLección 11Métricas de evaluación y análisis de errores: MAE, RMSE, MAPE, sMAPE simétrico, intervalos de predicción y coberturaEvalúa pronósticos de ingresos usando métricas como MAE, RMSE, MAPE, sMAPE simétrico y cobertura de intervalos, y realiza análisis detallado de errores por segmento, horizonte y régimen para descubrir sesgos y debilidades del modelo.
Métricas de error dependientes de escalaMétricas de error porcentuales y relativasIntervalos de predicción y coberturaDiagnósticos a nivel de horizonte y segmentoAnálisis de errores por régimen y eventosLección 12Regresores macro y externos: uso de IPC, desempleo, tipos de interés, movilidad, Google Trends; selección de características y alineación de rezagosIncorpora regresores macroeconómicos y externos en modelos de ingresos, como IPC, desempleo, tipos de interés, movilidad y tendencias de búsqueda, y aprende técnicas para alineación de rezagos, escalado y selección de características para evitar sobreajuste.
Selección de indicadores macro relevantesAlineación de rezagos entre macro e ingresosTransformación y escalado de datos externosSelección de características y regularizaciónSuperposiciones de estrés y escenarios con macros
