Detección Anticipada de Pérdidas para Cooperativa Eléctrica en Lima

Recibirás 18 meses de consumos horarios anonimizados de ~140.000 clientes y el modelo en producción (LightGBM). Para cada predicción de anomalía produce: (1) explicación SHAP local con top-5 features, (2) gráfico de consumo comparado con el patrón histórico del cliente, (3) plantilla de orden de inspección con justificación legible para el supervisor. Construye un dashboard interno (Streamlit) para los técnicos de campo. Mide cuántas inspecciones resultan en hallazgos antes y después del nuevo flujo en un piloto simulado (datos históricos).