Unidad 2 - Práctica: de la pregunta a la decisión

Aplicación guiada en clase · Semana 5 · 06278-ECO

@emartigo Eduard F. Martínez G. eduard-martinez eduard-martinez.github.io

1 Reglas de juego

Esta sesión asume que ya estudiaste la teoría

Aquí no volvemos a explicar qué son las siete etapas, ni qué distingue clasificación de segmentación: eso quedó en el podcast (y su versión escrita) y en el quiz. Hoy ese mapa se usa sobre preguntas de negocio reales — incluida la tuya. Si algo se te escapa, el glosario queda a un clic.

Lo que necesitas ahora mismo:

• 📝 Tu pregunta de negocio, la que te pidieron traer. Si no la trajiste, el Bloque 1 te da 10 minutos para improvisarla — pero llegas en desventaja.
• 🧑‍🤝‍🧑 Tu grupo de proyecto ya conformado (el Bloque 3 se trabaja en grupo).
• ✍️ Papel o un documento en blanco. Hoy no se abre RStudio.

Advertencia

La sesión de hoy tiene consecuencias

Lo que produzcas en el Bloque 3 es el borrador de la Entrega 1 de tu proyecto final. No es un ejercicio de calentamiento: es la primera piedra del trabajo del semestre, y una pregunta mal formulada hoy te va a costar caro en la semana 9. Los monitores están en el salón para eso.

El plan de la sesión: primero desarmamos un proyecto real completo (Bloque 1), luego entrenamos el ojo con preguntas ajenas (Bloque 2), y al final le apuntamos a la tuya (Bloque 3).

2 Bloque 1 — El caso churn, de punta a punta ≈ 20 min

Vamos a recorrer las siete etapas del caso de la teoría, pero deteniéndonos en las decisiones. En cada parada, el profesor va a preguntar antes de mostrar la respuesta: la idea es que decidas tú primero.

El caso: una empresa de telecomunicaciones pierde el 25% de sus clientes al año. Perder un cliente cuesta $500. Un incentivo de retención cuesta $100 y evita el 60% de las fugas.

2.1 Parada 1 — La pregunta

El gerente llega y dice: “Necesito saber por qué se me van los clientes.”

Discute con tu vecino (2 min): ¿es esa una pregunta de negocio? Aplícale el test: si te dieran la respuesta ahora mismo, ¿sabrías qué hacer mañana?

Ver el análisis

No lo es todavía. "¿Por qué se van?" es un tema, no una pregunta: no dice cuáles clientes, ni en qué ventana de tiempo, ni qué decisión cambia. Reformulada: "¿Qué clientes abandonarán en los próximos 30 días?" — específica (quiénes y cuándo), accionable (a esos los llamamos) y medible (hay historial). Fíjate en algo importante: la pregunta reformulada ya define el target (se va / no se va) y con eso ya define la tarea.

2.2 Parada 2 — Los datos

Al tablero (3 min): hagan entre todos la lista de datos que necesitarían. ¿Qué es interno, qué es externo, y cuál es el target?

Ver el análisis

Internos: historial de facturación, consumo, reclamos, pagos. Externos: competencia en la zona, nivel socioeconómico, geografía. Target: ¿el cliente se fue? (sí/no) — y ojo: sin esa columna no hay proyecto supervisado. Los tres dolores de cabeza serán los mismos de siempre: los datos viven en silos distintos (CRM, facturación, soporte), en formatos incompatibles, y con permisos de privacidad de por medio. Ninguno de los tres es un problema estadístico.

2.3 Parada 3 — La limpieza

Aquí se va el 80% del tiempo del proyecto. En este caso: faltantes en antigüedad, duplicados por una migración de sistema, fechas en el futuro, y "plan A" / "Plan_A" / "PLAN A" conviviendo en la misma columna.

Pregunta rápida: ¿por qué “plan A”, “Plan_A” y “PLAN A” son un problema real y no una manía de perfeccionista?

Ver el análisis

Porque para el computador son tres planes distintos. Si agrupas por plan, te salen tres grupos donde hay uno solo: los conteos quedan mal, los promedios quedan mal, y cualquier modelo que use esa variable aprende basura. Es exactamente el group_by() de la semana 4 dando un resultado impecablemente calculado y completamente falso. Toda la semana 6 vive aquí.

2.4 Parada 4 — La EDA

Tres hallazgos salieron de explorar: el churn es del 25% (clases desbalanceadas), los clientes con más de 3 reclamos hacen 60% de churn, y los de prepago hacen el doble que los de pospago.

Discute (3 min): de esos tres hallazgos, uno cambia una decisión técnica que viene después. ¿Cuál y por qué?

Ver el análisis

El desbalanceo (25%). Si el 75% de los clientes se queda, un modelo que prediga "nadie se va" acierta el 75% de las veces — accuracy 75% siendo completamente inútil. Ese hallazgo es el que obliga a elegir otra métrica en la etapa 5. Los otros dos son señales valiosas para el modelo (variables predictoras potentes), pero no cambian cómo lo evaluamos. Moraleja: la EDA no es decoración, condiciona el modelado.

2.5 Parada 5 — El modelo

Clasificación. Train 70% / Test 30%. Métrica elegida: recall. Resultado: recall 75%, precision 60%, baseline 50%.

La pregunta del millón (3 min): ¿de dónde salió la decisión de usar recall? Pista: no salió de la estadística.

Ver el análisis

Salió de la tabla de costos, es decir, del negocio. Un falso negativo (dejar ir a quien sí se iba) cuesta $500; un falso positivo (llamar a quien no se iba) cuesta $100. Como el error caro es dejarlos escapar, queremos atrapar a la mayor cantidad posible de los que se van: eso es recall. Si el incentivo costara $2.000, la asimetría se invertiría y priorizaríamos precision. La métrica la elige el negocio, no el código.

2.6 Parada 6 — La comunicación

Dos formas de decir lo mismo. El profesor va a leer las dos:

• ✗ “El modelo tiene un recall de 75% con un AUC de 0.82 sobre el conjunto de test.”

• ✓ “Identificamos 2.500 clientes con 75% de probabilidad de irse. Contactarlos con una oferta de $100 recupera el 60% y ahorra $750.000 frente a dejarlos ir.”

Discute (2 min): ambas frases describen el mismo modelo. ¿Qué tiene la segunda que la primera no?

Ver el análisis

Tres cosas: un número que el gerente entiende ($750.000, no 0.82), el costo-beneficio explícito ($100 de inversión contra $500 de pérdida) y una acción recomendada (contactarlos). La primera frase es verdadera y es inútil: obliga al stakeholder a hacer una traducción que no sabe hacer. Traduce siempre a plata, riesgo o tiempo.

2.7 Parada 7 — La decisión (y el ciclo)

Se contactan los 2.500. Se segmenta por valor, se asigna al call center, se mide a 30 días. Los KPIs: % que acepta, % que finalmente no se fue, ROI de la campaña.

El cierre del bloque

La campaña genera datos nuevos (quién respondió, qué oferta funcionó) → que generan una pregunta nueva (¿cómo mejoramos la oferta?) → y el proceso arranca otra vez. Cuenta las etapas donde hubo código: fueron tres de siete. Las otras cuatro fueron pensar, decidir y hablar.

3 Bloque 2 — El banco de preguntas ≈ 20 min

Antes de mirar la tuya, entrenemos el ojo con las de otros. Abajo hay ocho preguntas candidatas de industrias distintas. En parejas, clasifica cada una:

1. ¿Es específica? (¿qué, quién, cuándo?)
2. ¿Es accionable? (¿qué decisión cambia?)
3. ¿Es medible? (¿existen datos plausibles?)
4. Si sirve: ¿qué tarea analítica es?

Cómo trabajarlo: dale tu veredicto antes de abrir la respuesta. Al final, el profesor pasa por tres de ellas al tablero.

Candidata 1 — Retail: “¿Cómo podemos mejorar las ventas de la tienda?”

Ver veredicto

❌ No sirve. Falla en las tres. No es específica (¿qué producto, qué tienda, qué periodo?), no es accionable (¿qué haces mañana con la respuesta?) y no es medible (¿"mejorar" cuánto?). Es el arquetipo del tema disfrazado de pregunta. Reparable así: "¿Qué tres productos deberíamos ubicar en la góndola de entrada el próximo mes para maximizar el margen por metro cuadrado?"

Candidata 2 — Fintech: “¿Qué solicitudes de crédito de este mes tienen alta probabilidad de caer en mora en los próximos 6 meses?”

Ver veredicto

✅ Sirve, y es de manual. Específica (solicitudes de este mes, ventana de 6 meses), accionable (aprobar, negar o pedir codeudor) y medible (hay historial de créditos con su desenlace). Tarea: clasificación supervisada — el target es "cayó en mora sí/no". Ojo con el costo asimétrico: negarle a un buen cliente cuesta distinto que aprobarle a uno malo, y eso decidirá la métrica.

Candidata 3 — Universidad: “¿Qué perfiles de estudiante existen en el programa según su patrón de uso de la biblioteca, asistencia y notas?”

Ver veredicto

✅ Sirve. Específica (esas tres dimensiones, ese programa), accionable (diseñar tutorías o alertas distintas por perfil) y medible (los tres datos existen en los sistemas). Tarea: segmentación, no supervisada — nadie etiquetó previamente los perfiles; el algoritmo los descubre y luego un humano los nombra. Es el tipo de pregunta más común cuando no tienes target pero sí muchas variables.

Candidata 4 — Salud: “¿Cuál es la mejor manera de atender a los pacientes?”

Ver veredicto

❌ No sirve. "Mejor" no está definido (¿más rápido?, ¿más barato?, ¿mejor desenlace clínico?) y no hay decisión concreta detrás. Reparable así: "¿Cuántos pacientes llegarán a urgencias cada hora del próximo fin de semana, para asignar los turnos de enfermería?" — ahí sí: específica, accionable (el cronograma de turnos) y medible (hay historial de llegadas). Y de paso cambió de tema vago a predicción.

Candidata 5 — E-commerce: “¿Qué transacciones de la última hora deberíamos bloquear por sospecha de fraude?”

Ver veredicto

✅ Sirve. Muy específica (última hora), muy accionable (se bloquea o no) y medible. Tarea: detección de anomalías — o clasificación, si la empresa tiene fraudes históricos ya etiquetados. Es el ejemplo perfecto de por qué la tarea es mixta: depende de si alguien marcó los fraudes del pasado. Nota de negocio: bloquear una compra legítima enfurece a un cliente real, así que el costo del falso positivo aquí es alto.

Candidata 6 — Deporte: “¿Ganará el equipo el próximo partido?”

Ver veredicto

⚠️ Tramposa. Es específica y medible (hay historial de partidos, y el target es obvio: ganó sí/no). Pero falla en accionable: ¿qué decisión cambia? Si eres un aficionado, ninguna. Si eres el director técnico, tampoco — a él no le sirve saber si gana, le sirve saber qué alineación maximiza la probabilidad. La lección: una pregunta puede ser técnicamente perfecta y de negocio inútil. Siempre pregunta quién decide qué con la respuesta.

Candidata 7 — Logística: “¿Cuántos domiciliarios debo tener en turno cada hora del sábado en cada zona de la ciudad?”

Ver veredicto

✅ Sirve, y es ambiciosa. Específica (hora y zona), accionable (el cronograma de turnos) y medible (historial de pedidos). Tarea: en el fondo son dos — primero predicción (cuántos pedidos habrá por hora y zona) y luego optimización (cómo reparto los domiciliarios dada esa demanda y mis restricciones de contrato). Muy buen ejemplo de que una pregunta de negocio real puede encadenar tareas.

Candidata 8 — Entretenimiento: “¿Por qué a la gente le gusta nuestra serie?”

Ver veredicto

❌ No sirve como está. Es una pregunta de causa, difusa y sin decisión asociada. Además, "gustar" no está definido. Reparable así: "¿Qué usuarios que terminaron la temporada 1 tienen alta probabilidad de no empezar la temporada 2, para enviarles una notificación?" — específica, accionable y medible, y se convirtió en clasificación. Fíjate en el patrón: casi todas las preguntas "¿por qué...?" se arreglan volviéndolas "¿qué/quiénes/cuántos...?".

El patrón que debiste detectar

Las que fallaron (1, 4, 8) fallaron todas por lo mismo: empiezan con “cómo mejorar”, “cuál es la mejor” o “por qué”. Las que sirvieron empiezan con qué, quiénes, cuántos o cuándo. No es una regla gramatical: es que las primeras describen un deseo y las segundas describen un output concreto que alguien va a usar. Y la número 6 enseña la trampa más fina: se puede fallar en accionable habiendo aprobado lo demás.

4 Bloque 3 — Tu pregunta de negocio ≈ 25 min

Ahora sí. En tu grupo de proyecto, y con los monitores circulando por el salón.

4.1 Paso 1 — Pongan todas sobre la mesa ≈ 5 min

Cada integrante lee la pregunta que trajo. No las critiquen todavía: solo escúchenlas todas y escríbanlas. Si el grupo tiene cuatro personas, deben quedar cuatro preguntas en el papel.

4.2 Paso 2 — Pásenlas por el filtro ≈ 10 min

Para cada pregunta, respondan las cuatro columnas. Sean duros: es más barato matar una pregunta hoy que en la semana 9.

Copien esta tabla en su documento y diligéncienla.

Pregunta	¿Específica?	¿Accionable? ¿quién decide qué?	¿Medible? ¿qué datos harían falta?	Tarea
1.
2.
3.
4.

Advertencia

Las tres trampas que los monitores van a buscar

1. El tema disfrazado. Si la pregunta admite la respuesta “depende” o “interesante”, es un tema. Aplíquenle el test: si te doy la respuesta, ¿qué haces distinto mañana?
2. La pregunta sin dueño. Si nadie en la organización toma una decisión con eso, no importa qué tan elegante sea el análisis (es la trampa de la candidata 6).
3. El dato que no existe. “Qué piensan los clientes que no compraron” es fascinante y no hay forma de medirlo. Si el dato no existe ni puede existir, la pregunta no es viable — por más buena que sea.

4.3 Paso 3 — Elijan una y aféitenla ≈ 10 min

Escojan la mejor (o fusionen dos) y escríbanla en su versión final, completando esta plantilla. Este es el borrador de su Entrega 1:

Nuestra pregunta: ¿____________________?

La decisión que cambia: cuando tengamos la respuesta, ______________ (quién) va a decidir ______________.

El costo de equivocarse: un error de tipo ______________ nos cuesta ______________, y uno de tipo ______________ nos cuesta ______________.

La tarea analítica: ______________ (clasificación / predicción / segmentación), porque el output es ______________ y el target ______________ (existe / no existe).

Los datos que necesitaríamos: ____________________.

El estándar de calidad de hoy

Salgan del salón con esa plantilla llena y con los cinco espacios respondidos sin muletillas. Si un espacio les quedó en blanco, ahí está exactamente el problema de su proyecto — y todavía están a tiempo de arreglarlo. Levanten la mano y llamen a un monitor: para eso están.

5 Cierre

Hoy no escribieron una línea de código y, sin embargo, hicieron el trabajo que decide si un proyecto de datos sirve o no. Recuerden el dato con el que abrimos: el 87% de los proyectos muere, y casi nunca por culpa del modelo.

Lo que sigue: en la semana 6 bajamos a la etapa 3 y 4 del proceso — datos sucios, limpieza y EDA — y ahí sí vuelve R con todo. La pregunta que acaban de escribir es la que van a estar respondiendo hasta la semana 16. 🚀