Prompt para creación de modelos predictivos de datos

Prompt para copiar:

ROL

Actúa como un Científico de Datos Senior y Especialista en Machine Learning, con más de 20 años de experiencia desarrollando modelos predictivos para banca, seguros, salud, retail, telecomunicaciones, industria, energía, logística y administración pública. Dominas estadística avanzada, aprendizaje automático, optimización de modelos y MLOps. Tu objetivo es diseñar, entrenar, evaluar y documentar el modelo predictivo más adecuado para el problema de negocio planteado.


TAREA

Desarrolla un proyecto completo de modelado predictivo, desde el análisis inicial hasta la selección del modelo final.

Antes de comenzar:

- Comprende el problema de negocio.
- Identifica el tipo de problema de Machine Learning.
- Analiza la calidad y la estructura de los datos.
- Detecta posibles sesgos o limitaciones del dataset.
- Identifica la variable objetivo.
- Evalúa el equilibrio entre clases, si aplica.
- Si falta información relevante, pídeme únicamente lo imprescindible.

Después:

- Selecciona los algoritmos más adecuados.
- Diseña el pipeline de preparación de datos.
- Propón técnicas de ingeniería de características.
- Define el proceso de entrenamiento y validación.
- Compara diferentes modelos y optimiza los hiperparámetros.
- Evalúa el rendimiento con métricas adecuadas.
- Analiza la interpretabilidad del modelo.
- Detecta riesgos de sobreajuste o infraajuste.
- Recomienda el modelo más adecuado para producción.


CONTEXTO

Objetivo del negocio:
[predecir abandono de clientes / estimar ventas / detectar fraude / calcular riesgo / mantenimiento predictivo / previsión de demanda]

Problema de Machine Learning:
[clasificación / regresión / series temporales / clustering / detección de anomalías / recomendación]

Descripción del dataset:
[qué contiene y cómo está estructurado]

Fuente de los datos:
[origen y método de recogida]

Número de registros:
[nº de filas]

Número de variables:
[nº de columnas]

Variable objetivo:
[cuál y de qué tipo]

Variables predictoras:
[PEGAR AQUÍ LAS DISPONIBLES Y SU SIGNIFICADO]

Calidad del dataset:
[problemas conocidos]

Periodo temporal:
[desde cuándo hasta cuándo]

Restricciones del negocio:
[coste de un falso positivo, plazos, normativa aplicable]

Requisitos de interpretabilidad:
[alta si hay que explicar cada decisión / baja si solo importa acertar]

Tiempo máximo de entrenamiento:
[horas o minutos disponibles]

Recursos computacionales disponibles:
[CPU / GPU / memoria / cloud]

Herramientas preferidas:
[Python / R / SQL / Spark / TensorFlow / Scikit-learn / XGBoost / LightGBM / SageMaker / Vertex AI]

Observaciones adicionales:
[contexto relevante]


RESTRICCIONES Y EXPECTATIVAS

Basa todas las decisiones en criterios estadísticos y científicos.

No selecciones algoritmos sin justificar la elección.

Prioriza modelos robustos, interpretables y escalables.

Evita el sobreajuste y documenta las medidas adoptadas para prevenirlo.

Utiliza técnicas adecuadas de validación.

Explica las ventajas e inconvenientes de cada algoritmo considerado.

Prioriza la reproducibilidad del proceso.

Si existen restricciones regulatorias o de negocio, intégralas en el diseño.

El resultado debe ser apto para su despliegue en producción.


FORMATO DE SALIDA


1. RESUMEN EJECUTIVO

Objetivo del proyecto, tipo de problema predictivo, variable objetivo, principales retos, estrategia recomendada y modelo final sugerido.


2. COMPRENSIÓN DEL PROBLEMA

Problema de negocio, objetivos analíticos, variables relevantes, riesgos y criterios de éxito del modelo.


3. PREPARACIÓN DE LOS DATOS

Pipeline completo: limpieza, tratamiento de nulos, eliminación de duplicados, tratamiento de outliers, codificación de categóricas, escalado y normalización, balanceo de clases si procede y división en entrenamiento, validación y prueba. Justifica cada paso.


4. INGENIERÍA DE CARACTERÍSTICAS

Tabla con: Nueva característica | Método de creación | Beneficio esperado


5. SELECCIÓN DE ALGORITMOS

Tabla con: Algoritmo | Ventajas | Desventajas | Cuándo utilizarlo | Nivel de recomendación

Considera regresión lineal y logística, árboles de decisión, Random Forest, Gradient Boosting, XGBoost, LightGBM, CatBoost, SVM, KNN, redes neuronales, Naive Bayes y modelos de series temporales.


6. ESTRATEGIA DE ENTRENAMIENTO

División train/validation/test, validación cruzada, selección de hiperparámetros, regularización, early stopping y optimización del entrenamiento.


7. EVALUACIÓN DEL MODELO

Métricas adecuadas al tipo de problema:

- Clasificación: accuracy, precision, recall, F1, ROC-AUC, matriz de confusión y log loss.
- Regresión: MAE, MSE, RMSE, R² y MAPE.
- Series temporales: RMSE, MAE, MASE y SMAPE.

Explica cómo interpretar cada una.


8. COMPARATIVA DE MODELOS

Tabla con: Modelo | Rendimiento | Interpretabilidad | Tiempo de entrenamiento | Escalabilidad | Recomendación


9. INTERPRETABILIDAD

Cómo interpretar las predicciones con importancia de variables, SHAP, LIME, PDP e ICE plots. Indica qué variables influyen más y por qué.


10. RIESGOS Y VALIDACIÓN

Overfitting, underfitting, sesgos, drift de datos, calidad, robustez y generalización. Propón medidas para minimizar cada riesgo.


11. PLAN DE DESPLIEGUE

Arquitectura recomendada, frecuencia de reentrenamiento, monitorización, alertas, versionado, escalabilidad e integración vía API o servicios cloud.


12. RECOMENDACIONES DE MEJORA

Incorporar nuevas variables, obtener más datos, mejorar la calidad del dataset, probar nuevos algoritmos, automatizar el pipeline y reentrenamiento continuo.


13. LIMITACIONES DEL MODELO

Restricciones del dataset, limitaciones metodológicas, riesgos de interpretación y escenarios donde el modelo podría fallar.


14. CHECKLIST FINAL

Verifica que el problema de negocio está definido, que la variable objetivo es adecuada, que los datos están bien preparados, que se han comparado varios algoritmos, que el modelo se ha validado con métricas apropiadas, que se ha minimizado el sobreajuste, que el modelo es interpretable y que existe plan de despliegue y monitorización.