Casos

Trabajo hecho, contado sin adornos.

Publicamos lo que podemos sostener en una junta. Cada caso se presenta de forma anónima, con autorización del cliente, y cuenta tres cosas: el reto, lo que construimos y qué cambió.

Construcción Analítica predictiva Prueba de concepto

Al 30% de la obra ya se sabía cuál iba a perder dinero.

Una constructora mexicana con obras de urbanización, edificación hotelera y obra civil en paralelo descubría que un proyecto iba a cerrar en pérdida cuando ya era tarde para corregirlo. La información para anticiparlo estaba en su sistema, pero repartida entre seis módulos que nadie leía juntos.

El reto

El deterioro se confirmaba cerca del cierre de obra, cuando el costo ya había rebasado lo vendido. A esas alturas solo queda absorber la pérdida; al 30% de avance todavía se puede renegociar un subcontrato o frenar gasto.

La regla que usaban —«el costo rebasó el precio de venta»— marcaba como enfermos proyectos que simplemente habían crecido con órdenes de cambio autorizadas.

Qué construimos

Primero, un mapa navegable de su sistema: de más de mil quinientas tablas a las veintiséis que importan, con las rutas de consulta documentadas.

Sobre eso, un modelo que lee únicamente la primera tercera parte de la ejecución y estima el riesgo de cierre en pérdida, más un tablero que no solo marca el riesgo: señala qué cuenta contable lo está causando.

Qué cambió

El método identificó correctamente los proyectos deteriorados de la cartera y, sobre todo, corrigió un falso positivo: una obra clasificada como perdedora que en realidad cerró con más de tres millones de pesos de utilidad.

En el proyecto de mayor riesgo, la alerta apuntó a una cuenta concreta que ya llevaba consumido el 58% de su presupuesto con apenas el 30% de avance.

+62%

de utilidad real en un proyecto que el criterio anterior daba por perdido. Una sola lectura equivocada de ese tipo puede desencadenar decisiones caras.

PythonPostgreSQLscikit-learnSHAPStreamlitGoogle Cloud
Agroindustria Inteligencia de mercado Plataforma de datos

El promedio estatal les escondía dónde estaba el negocio.

Una empresa del sector agroalimentario dirigía su esfuerzo comercial con cifras estatales, porque era lo único disponible. El problema es que un estado mezcla zonas de riego intensivo con zonas de temporal: ese promedio esconde justo lo que un vendedor necesita saber.

El reto

La información para decidir dónde vender existe y es pública, pero vive dispersa en portales de gobierno que la publican en formatos incompatibles entre sí y que cambian de un año a otro.

Nadie la tiene junta. Y sin juntarla, la única cifra disponible es el promedio estatal, que para efectos comerciales es casi ruido.

Qué construimos

Una plataforma que recolecta, normaliza y cruza automáticamente seis fuentes públicas en un almacén único y consultable: precios de mayoreo, cierre agrícola municipal, mercados internacionales y tipo de cambio.

Sobre esa base, reportes de inteligencia de mercado a nivel municipio, escritos para que los lea un director comercial, no un analista.

Qué cambió

Bajar de estado a municipio reveló que el promedio estatal subestimaba el ingreso real por hectárea entre 10% y 46%, según el cultivo. Toda la calibración comercial estaba partiendo de una cifra equivocada.

Y algo más accionable: cinco municipios concentraban el 68% de la superficie del cultivo que les interesaba. El mapa de dónde está el negocio dejó de ser una intuición.

5M

de registros consolidados desde seis portales públicos que no se hablan entre sí, con hasta 45 años de historia y cobertura de los 32 estados.

PythonDuckDBParquetLightGBMStreamlitGitHub Actions

Una nota sobre cómo contamos esto.

En el primero, el modelo arrojó un acierto perfecto en validación. Le dijimos al cliente que no se lo creyera: con ocho proyectos en la muestra, ese número dice más del tamaño de la muestra que de la calidad del modelo. Lo que sostiene ese caso es la lectura contable, que cuadró al peso contra su propia contabilidad.

En el segundo probamos modelos para anticipar precios agrícolas y no superaron de forma consistente a la referencia más simple. Así que el reporte no se apoya en predicción: se apoya en lo que los datos históricos muestran, que era suficiente para tomar la decisión que había que tomar.

Preferimos publicar un resultado que podemos defender en una junta que uno que se cae a la primera pregunta. Los casos aparecen de forma anónima y con autorización.