Este repositorio contiene proyectos de analítica avanzada e Inteligencia Artificial aplicados tanto al sector financiero como a la optimización de procesos industriales.
Contexto: La medición de variables críticas de calidad en planta dependía de pruebas de laboratorio con tiempos de respuesta de varias horas. Solución: Diseño de un sensor virtual mediante modelos de regresión para estimar calidad en tiempo real basándose en variables de proceso (Presión, Temperatura, Velocidad). Impacto: Reducción de desperdicios y optimización de la línea de producción al permitir ajustes en tiempo real.
- Tecnologías: Python, Scikit-Learn, Regresión, Ingeniería de Procesos.
Contexto: La alta volatilidad y la cantidad de activos en el mercado bursátil dificultan la creación de portafolios de inversión equilibrados. Solución: Implementación de técnicas de reducción de dimensionalidad (PCA) y clustering (K-Means) para agrupar acciones del S&P 500 según su comportamiento de riesgo-retorno. Impacto: Identificación de 4 perfiles de inversión claros, permitiendo una diversificación estratégica basada en datos y no en suposiciones.
- Tecnologías: Python, Pandas, Scikit-learn, Matplotlib.
Contexto: Las campañas de telemarketing financiero suelen tener bajas tasas de conversión, desperdiciando recursos en contactos con baja probabilidad de éxito. Solución: Desarrollo de un modelo de clasificación basado en Random Forest para predecir si un cliente contratará un depósito a plazo. Impacto: El modelo permite priorizar los leads con mayor potencial, aumentando la eficiencia de la campaña y optimizando el tiempo de los analistas.
- Tecnologías: Python, Random Forest, Seaborn (Visualización de datos).
Siguiendo las mejores prácticas de la industria, este repositorio se organiza de la siguiente manera:
- 📁
data/: Datasets utilizados (o links a las fuentes). - 📁
notebooks/: Cuadernos de Jupyter con el análisis exploratorio (EDA) y modelado. - 📄
requirements.txt: Lista de librerías necesarias para replicar los experimentos.