Caso de estudioAnalista Senior de Analítica y Reportes
BI que el negocio sí usa — Banco Pichincha (2023)
Cinco meses en banca para cerrar la distancia entre el dato y la decisión: tableros que el negocio sí usa, modelos en producción y personas capaces de sostenerlos.
- BI
- ETL
- scikit-learn
En cifras
50+
usuarios adoptaron los dashboards
+25%
en toma de decisiones
>90%
de precisión en modelos en producción
12
profesionales formados en analítica
Contexto
El área de analítica y reportes del banco producía tableros que el negocio no terminaba de adoptar, con procesos ETL lentos y modelos fuera de producción.
El reto
Convertir el BI en una herramienta que el negocio use a diario y llevar los modelos predictivos a producción con precisión confiable.
Cómo lo hice
Diseñar desde la decisión
Lideré a un equipo de cinco personas en dashboards orientados a decisión que adoptaron más de 50 usuarios del negocio. Cada tablero partía de la decisión que debía respaldar y ofrecía una ruta del agregado a la evidencia, construida en el modelo semántico y no en la página.
Una sola definición por concepto
Centralicé las medidas en DAX y optimicé los modelos semánticos con DAX Studio y Tabular Editor. Una medida definida una vez es la forma técnica de una decisión de negocio: la mora o la fuga se calculan de una sola manera.
Un ETL que se entiende
Optimicé el ETL en Power Query separando la conexión, la preparación y las tablas del modelo, con selección temprana de filas y columnas y validaciones antes del modelo. El −35 % en tiempos de análisis salió de decisiones de estructura, no de un truco de rendimiento.
Fuga, mora y riesgo en producción
Entrené y llevé a producción con scikit-learn modelos de fuga, mora y riesgo, evaluados por segmentos y por lo que cuesta cada error: llamar a un cliente que no iba a irse cuesta una llamada; no llamar al que sí se va cuesta el cliente.
Formación y gobierno
Diseñé un programa de formación para 12 profesionales —Power Query, modelado, DAX y comunicación, sobre sus propios datos— y co-lideré el gobierno de datos. La frontera quedó clara: explorar era libre; redefinir qué es la mora, no.
Impacto
- +25% en toma de decisiones sobre los tableros adoptados.
- −35% en tiempos de análisis por la optimización del ETL.
- >90% de precisión y +35% en predicciones de los modelos en producción.
- +20% de productividad en la preparación y uso de la información tras el programa de formación.
La sofisticación de una solución no determina por sí sola su valor. Lo importante es la función que cumple dentro de una decisión.