Capstone de recomendador para una plataforma SaaS B2B en Bogotá
Visión general
De qué trata este proyecto.
Recibirás 9 meses de datos anonimizados: 22.000 cuentas, 180.000 facturas y un catálogo de 140 plantillas. Implementa dos enfoques: (1) filtrado colaborativo basado en factorización matricial (ALS de la librería implicit), y (2) un modelo content-based con embeddings de descripción de plantilla. Evalúa offline con Recall@10 y NDCG@10 (Normalized Discounted Cumulative Gain — ganancia acumulada descontada normalizada). Diseña un plan de A/B test online de 4 semanas con métricas primarias y de guardia, listo para el equipo de producto.
El Briefing
Lo que harás y lo que demostrarás.
Prototipar un recomendador de plantillas con dos enfoques, compararlos offline y dejar un plan de A/B test online accionable para el equipo de producto.
Earning criteria — what you'll demonstrate
- Implementar dos familias de recomendadores y compararlas con rigor
- Aplicar métricas de ranking adecuadas a recomendación (no accuracy)
- Diseñar un experimento online con potencia estadística correcta
- Comunicar trade-offs entre modelos y rutas a producto
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.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Machine Learning
Implementar dos recomendadores y dejarlos listos para un A/B test es el trabajo concreto de un MLE en cualquier producto SaaS B2B con catálogo.
Este proyecto afina
- recommender-systems
- embeddings
- python
Científico/a de Datos
Diseñar el experimento offline + el plan de A/B online con potencia estadística correcta es central en el día a día de un data scientist orientado a producto.
Este proyecto afina
- offline-evaluation
- ab-testing
- experiment-design
Gerente de Producto de IA
Convertir trade-offs entre modelos en una decisión de producto, con métricas primarias y de guardia, prepara a la persona estudiante para el rol de PM con foco en IA.
Este proyecto afina
- ab-testing
- experiment-design
- recommender-systems