Durante buena parte de mi carrera trabajé con modelos de riesgo de crédito, y aprendí a aceptar como normal algo que nunca lo fue: cuando un modelo se descalibraba, corregirlo nos tomaba entre 10 y 14 meses. Mientras tanto la operación seguía. Aprobábamos a personas que no iban a pagar y rechazábamos a otras que sí lo habrían hecho, mes tras mes, sabiendo que el modelo ya no veía bien a nuestros clientes.
En esos equipos sobraban talento y datos. Lo que faltaba era capacidad. Cada modelo competía por las mismas pocas personas y la misma cola de prioridades, y lo que no cabía en esa cola simplemente no se hacía: el modelo de fraude que se postergaba, la campaña que se seguía lanzando a ciegas, la tasa que se subía un poco más para cubrir lo que no sabíamos predecir. En el estado de resultados eso tiene un nombre. Es EBITDA que se queda sobre la mesa.
Fundamos Thorcast.AI para dejar de aceptarlo. No construimos software para equipos de analytics; construimos a sus próximos integrantes, agentes que reciben instrucciones en lenguaje natural y hacen el trabajo completo, desde los datos hasta el modelo en producción.
NORA es nuestra especialista en datos. Los explora, los prepara, los enriquece y encuentra señales que normalmente se pierden: ver a NORA en acción.
MJÖ es nuestro data scientist. Construye, compara, explica y optimiza modelos predictivos, y los lleva a producción por su cuenta: ver a MJÖ en acción.
Hace poco los pusimos a prueba en un caso de financiamiento al consumo. El modelo de riesgo vigente tenía un Gini de 0,37 y el que construimos llegó a 0,50. Según la evaluación, eso permitiría prácticamente duplicar la aprobación de créditos con el mismo nivel de riesgo. Construirlo tomó horas; ponerlo en producción, minutos. El mismo problema que antes nos costaba casi un año.
El crédito es solo el ejemplo que mejor conozco. Fraude, cobranza, retención, pricing, venta cruzada y demanda siguen la misma lógica: cada modelo que no se construye, o que se actualiza tarde, tiene un costo mensual aunque nunca aparezca como una línea propia en el P&L. Los modelos se entrenan y operan dentro de la infraestructura de cada empresa, con trazabilidad completa, y las personas siguen donde deben estar: menos tiempo ejecutando, más tiempo decidiendo qué vale la pena predecir.
Por eso decimos NO MORE. A las pérdidas que nos acostumbramos a ver como parte del negocio.
¿Cuántos de esos meses está pagando hoy tu organización?