○ planned · proyecto
Otorga nivel a: 4C) · Linear Regression
Usa: 4C) · Linear Regression · Model Evaluation · Time Series · Data Cleaning
Diego narra el proyecto de consultoría que le rompió el ego técnico: un Marketing Mix Model para un retailer global de EE. UU. donde, en lugar de un modelo complejo de atribución deep learning, eligió curvas polinómicas y una herramienta en Excel, y logró un ahorro de 100 millones de pesos en inversión de medios sin caer ventas. Su tesis es que la adopción siempre supera a la sofisticación: no se necesita el mejor modelo, sino el modelo correcto en el momento correcto, entendible por las personas que deben usarlo.
Hallazgos clave
- La paradoja de la accesibilidad: hoy entrenar modelos es más fácil (AutoML, LLMs, librerías), pero eso dispara la complejidad y el “sesgo de elección”; el problema dejó de ser técnico y se volvió humano/psicológico.
- Verdades incómodas del ego técnico: más modelos no implica más valor, más features no da más claridad, más precisión no genera más impacto y más complejidad no produce mejores decisiones.
- “Un modelo no es bueno hasta que alguien lo usa”: un modelo avanzado que la organización no comprende termina archivado; el objetivo es que 300 mil personas lo usen a diario, no impresionar con la prueba F.
- En Marketing Mix Model el baseline (Business as Usual) explica entre 80% y 95% de las ventas; no aislar la inercia del incremental lleva a sobreestimar el impacto y a inflar el ROE (20x, 50x, 100x) de las campañas.
- Incluir al negocio desde el inicio (incluso durante la limpieza de datos) convierte a los detractores en aliados: Diego “escaló hasta C-level” ganándose al CMO haciéndolo parte del proceso, no presentándole un resultado terminado.
- Interpretabilidad = poder: explicar con una curva polinómica de cálculo 1 (que cualquiera reproduce en Excel) te vuelve “el genio” dentro de la compañía; la gente no se va con miedo de que el modelo sea simple, se va con gratitud porque por fin lo entiende.
- La limpieza y armonización de datos consume el 30–40% del tiempo del proyecto (TRPs, campañas mal clasificadas, registros no comparables), y es donde se gana la confianza del negocio.
- La complejidad siempre llega sola: replicar 400 curvas polinómicas con un Solver de Excel fue lo que de verdad dio trabajo; el modelo no debe traer la complejidad, la traen el negocio, la repetición y el tiempo.
- La motivación correcta es impactar personas concretas (la persona que viaja 2.5 horas y no ve a sus hijos, la que ahorra para la casa de su abuela), no el logo de la compañía.
Módulos
- El problema ya no es técnico — Accesibilidad, sesgo de elección y las cuatro falsas creencias (más modelos, features, precisión y complejidad = más valor).
- Elegir la decisión, no el modelo — De “cuál es el mejor modelo” a “qué decisión queremos habilitar”: el caso del Marketing Mix Model.
- Baseline vs incremental — Inercia del negocio, estacionalidad, efecto calendario y el error de sobreestimar el ROE de las campañas.
- Limpieza e inclusión del negocio — Armonizar TRPs, campañas y registros (30–40% del tiempo) y convertir detractores en aliados desde el inicio.
- Simplicidad y comunicación — Curvas polinómicas, matrices de cuadrantes y simulaciones en Excel como herramientas que cualquiera puede entender y defender.
- Escalar sin romper — Cómo la complejidad llega sola (400 curvas, Solver, producción) y por qué empezar simple es la estrategia correcta.
Fuente: https://www.youtube.com/watch?v=U1Y-4EWMyC4 · Transcript local: data/cursos/datapub-fundamentos-que-mueven-millones/fundamentos-que-mueven-millones.srt
Enlaces
Otorga nivel a: 4C) · Linear Regression Usa: 4C) · Linear Regression · Model Evaluation · Time Series · Data Cleaning