- SCIKIT-LEARN
- TABULAR
- CHURN
Customer Churn Prediction
Pipeline de ML de punta a punta para predecir la fuga de clientes de telecomunicaciones: preparación de datos, modelado y evaluación. Código en github.com/delcenjo/customer-churn-prediction.
Retener a un cliente de telecomunicaciones es mucho más barato que ganar uno nuevo, así que la pregunta útil no es quién se fue el mes pasado sino quién está a punto de irse. Este modelo puntúa a cada cliente por su probabilidad de fuga para que una campaña de retención gaste el presupuesto en las cuentas en riesgo.
- CV ROC-AUC0.845
- Test1.409 clientes
- Ganadorreg. logística
La accuracy engaña con un 26% de fuga
Con la fuga como evento minoritario, un modelo que diga siempre que nadie se va acierta el 74% de las veces y no sirve para nada. Los candidatos se comparan por ROC-AUC con validación cruzada: regresión logística 0,845, gradient boosting 0,833, random forest 0,825.
Ganó el modelo simple
La regresión logística batió a los dos ensembles. Es el mejor recordatorio del proyecto: el modelo sofisticado no siempre es el mejor, y descubrirlo requiere comparar de verdad, no asumir. El ganador se reentrena y se evalúa una sola vez sobre 1.409 clientes apartados.
Reproducible de punta a punta
El pipeline guarda las figuras (curva ROC, matriz de confusión, importancia por permutación) junto a un metrics.json, y hay un notebook público en Kaggle con el análisis completo para quien quiera seguirlo paso a paso.
Próximos proyectos:
Credit Risk Platform
Plataforma MLOps de scoring de crédito de punta a punta: entrenamiento reproducible con registro de modelos versionado, API de inferencia en FastAPI con validación de entrada, monitorización de drift por PSI y observabilidad con Prometheus y Grafana, todo dockerizado y con CI. Código en github.com/delcenjo/credit-risk-platform.
Transformer from scratch
Modelo de lenguaje tipo GPT implementado desde cero en PyTorch: atención multi-cabeza, máscara causal y bloques residuales escritos a mano, más un tokenizador byte-pair propio y un estudio de ablaciones. Código en github.com/delcenjo/transformer-from-scratch.
Hecho con
