Un ejecutivo solicita una previsión de abandono de clientes (churn) para determinar el presupuesto de retención del próximo trimestre. Dispone de 48 horas, conoce bien el almacén de datos y se enfrenta a la presión de obtener una cifra concreta. La IA puede ayudarle a avanzar más rápido, pero no puede asumir la responsabilidad. Si el modelo provoca un gasto erróneo, el fallo resultante recae sobre el analista y la organización que lo implementó.
En el trabajo predictivo, la obligación fundamental permanece inalterada. Debe definir el objetivo, evitar la fuga de información (leakage), realizar evaluaciones fuera de la muestra y explicar qué variables utiliza el modelo. La IA puede redactar código, sugerir variables y resumir diagnósticos. Usted debe verificar que las definiciones se ajusten a las necesidades del negocio y que la evaluación sea coherente con la decisión que se va a tomar.
El enfoque práctico de este curso es sencillo: utilice la IA para generar propuestas de trabajo y, posteriormente, aplique procesos de validación por parte de analistas en aquellos puntos donde los errores puedan suponer un riesgo para la toma de decisiones.
Un entregable predictivo funciona como una cadena. Cada eslabón puede generar un tipo de error distinto, y la IA tiende a producir resultados que parecen plausibles incluso cuando el eslabón es incorrecto.
A continuación, veremos cómo se conectan las etapas principales y en qué puntos puede ayudar la IA.
Tus aprobaciones no son simples “pasos”; son puntos de responsabilidad directa.
En la fase de definición del problema, tú controlas el contexto de la decisión. La IA puede proponer métricas objetivo, pero tú eliges la que mejor se alinea con la actuación del negocio. En la fase de datos, tú defines las etiquetas y las ventanas temporales. La IA puede redactar código SQL, pero tú verificas las uniones (joins), la granularidad y los datos faltantes, ya que una explosión silenciosa de registros tras una unión altera la naturaleza del problema de aprendizaje.
En la fase de validación, tú gestionas la metodología de división entre entrenamiento y prueba (train-test split). La IA puede sugerir cómo realizar esta división, pero tú confirmas que se ajuste a la estructura temporal de los datos. Si se busca predecir la tasa de abandono (churn) para el próximo mes, una división aleatoria filtraría información del futuro e invalidaría la métrica.
En este curso, el término IA se refiere a un LLM (Large Language Model o modelo de lenguaje de gran tamaño). Se trata de un modelo capaz de generar texto, código y resultados estructurados a partir de patrones identificados en los datos de entrenamiento. Un LLM no examina tu base de datos a menos que tú le proporciones los datos, y no puede determinar si una métrica es adecuada para tu decisión empresarial.
Un prompt es la instrucción y el contexto que proporcionas al LLM. Un token es una unidad de texto que el LLM lee y escribe; esto es relevante porque las tablas y los registros extensos a menudo se truncan. Una alucinación ocurre cuando el LLM genera una afirmación categórica o un detalle de código que no se basa en los datos de entrada proporcionados.
Explora los puntos fuertes y las limitaciones de la IA en el trabajo de modelado predictivo.