Code
Sistema de alerta temprana para churn en fintech B2B de pagos en Ciudad de México
Visión general
De qué trata este proyecto.
Construye un modelo de clasificación de riesgo de churn en Python o R usando un dataset sintético de 10.000 registros mensuales que incluye: frecuencia de transacciones, monto procesado, tickets de soporte, tiempo desde último login, cambios en volumen respecto al mes anterior, y eventos de fricción (fallos de pago, retrasos en liquidación). Define churn como 30 días sin transacción activa. El modelo debe incluir: análisis de importancia de variables, calibración de probabilidad, y umbral óptimo de clasificación que equilibre coste de falso positivo (intervención innecesaria) y falso negativo (pérdida evitable). Diseña tres cohortes de intervención (alto riesgo: llamada directa del gerente de cuenta; riesgo medio: oferta de descuento condicionado; bajo riesgo: contenido de valor por email). Valida el modelo con métricas de precisión, recall y AUC-ROC en ventana temporal de prueba. El entregable final incluye código reproducible, documentación para el equipo de datos, y propuesta de integración con herramienta de Customer Relationship Management (CRM) — software de gestión de relaciones con clientes.
El Briefing
Lo que harás y lo que demostrarás.
La empresa pierde clientes antes de poder intervenir porque carece de señales tempranas que predigan abandono con suficiente antelación y precisión.
Earning criteria — what you'll demonstrate
- Construir modelos predictivos de churn que integren múltiples fuentes de datos operacionales y transaccionales
- Evaluar trade-offs entre precisión y recall en contextos de coste asimétrico de errores de clasificación
- Diseñar intervenciones de retención diferenciadas que maximicen el Customer Lifetime Value (CLV) residual
- Validar impacto causal de intervenciones mediante diseño experimental A/B (A/B testing) con asignación aleatoria
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Científico de Datos de Comportamiento
La integración de datos transaccionales con patrones de uso para predecir comportamiento de abandono es el núcleo del trabajo de un científico de datos aplicado a decisiones de retención y engagement.
Este proyecto afina
- predictive-modeling
- feature-engineering
- ab-testing
Analista de Crecimiento
La experiencia en diseño de intervenciones diferenciadas y experimentación para reducir churn es directamente aplicable a roles de growth en startups con modelos de suscripción o recurrencia.
Este proyecto afina
- customer-lifetime-value
- ab-testing
- predictive-modeling
Ingeniero de Machine Learning
La construcción de pipelines reproducibles, la atención a despliegue en producción y la documentación para integración con sistemas existentes preparan para roles de ingeniería de modelos en entornos de startup.
Este proyecto afina
- python-programming
- feature-engineering
- predictive-modeling