Decisiones financieras con datos que anticipan, no que explican
Vokas Drendu trabaja con equipos que ya manejan datos financieros pero necesitan pasar de la descripción al pronóstico. Las sesiones grupales crean el contexto para que ese cambio ocurra.
El entorno profesional que rodea este trabajo
Las personas que llegan a Vokas Drendu no buscan una introducción a la inteligencia artificial. Llegan porque ya gestionan carteras, supervisan riesgo o producen informes financieros, y se han dado cuenta de que sus modelos actuales no capturan lo que está pasando antes de que pase. El grupo funciona porque todos comparten ese punto de partida.
Analistas financieros
Profesionales que producen informes periódicos y quieren incorporar modelos de previsión sin depender de un equipo de data science externo.
Equipos de riesgo
Grupos que evalúan exposición crediticia o de mercado y buscan señales tempranas que los modelos estadísticos clásicos no detectan con suficiente antelación.
Directivos con datos
Responsables de área que reciben dashboards pero necesitan entender qué preguntas hacer a los modelos y cómo interpretar intervalos de confianza en decisiones reales.
Qué tipo de problemas aparecen con más frecuencia
No hay una sola razón para trabajar con analítica predictiva. Estas son las situaciones que los participantes traen con más frecuencia, y que el grupo aborda desde perspectivas distintas.
Tesorería que sorprende al final del mes
Los modelos de previsión de caja fallan en semanas con comportamiento atípico. Los modelos de series temporales con componentes estacionales y variables externas reducen esa brecha de forma medible.
Riesgo crediticio que se detecta tarde
Las señales de deterioro aparecen en los datos semanas antes de que se reflejen en los ratios habituales. Los modelos de clasificación entrenados con datos históricos propios pueden anticipar esas señales.
Informes que describen lo que ya pasó
Los equipos dedican tiempo a explicar el pasado cuando la dirección necesita orientación sobre los próximos 30 o 90 días. Añadir una capa predictiva al reporting existente cambia la conversación.
Anomalías que pasan desapercibidas
En carteras con cientos de posiciones, las desviaciones pequeñas se pierden en el ruido. Los algoritmos de detección de anomalías entrenados sobre datos propios encuentran patrones que el ojo humano no puede seguir.
Situaciones que se resolvieron con trabajo concreto
Berta Molins
Directora financiera, empresa de distribución industrial, Mallorca
Berta gestionaba previsiones de tesorería con hojas de cálculo que se actualizaban cada semana manualmente. El problema no era la herramienta sino que el modelo no incorporaba variables externas como plazos de cobro históricos por cliente o estacionalidad sectorial. Durante las sesiones grupales, trabajó con otros participantes para construir un modelo de regresión con esas variables, usando datos que ya tenía pero no había conectado.
[El resultado] no fue inmediato. Tardó tres meses en tener suficientes datos validados. Pero las desviaciones entre previsión y realidad se redujeron de forma visible en el cuarto mes.
Oriol Ferragut
Analista de riesgo, entidad financiera regional
Oriol trabajaba con una cartera de créditos a pymes donde las señales de impago llegaban cuando el deterioro ya era avanzado. En el grupo, exploró cómo combinar datos de comportamiento de pago con indicadores macroeconómicos locales para construir un score de alerta temprana. El proceso requirió limpiar datos durante varias semanas antes de entrenar cualquier modelo.
[Lo que cambió] fue el momento de la conversación con el cliente, no la tasa de impago en sí, que depende de factores que ningún modelo controla.
Neus Tarradellas
Responsable de reporting, grupo hotelero, Palma
Neus producía informes mensuales que llegaban a dirección con diez días de retraso. El problema real era que el informe describía el mes anterior sin ninguna orientación sobre el siguiente. Trabajó en sesiones para añadir una capa de previsión de ocupación y RevPAR a 60 días, usando modelos entrenados con datos históricos propios y variables de demanda externa.
[El cambio] fue en la conversación con dirección, que pasó de preguntar qué pasó a preguntar qué se espera.
Por qué el grupo hace posible lo que el estudio individual no logra
Implementar analítica predictiva en un entorno financiero real no es un problema técnico, es un problema de criterio. Saber qué modelo elegir, con qué datos entrenarlo y cómo interpretar sus resultados requiere contexto que solo aparece cuando se trabaja sobre casos concretos con personas que enfrentan problemas similares.
Casos propios como material de trabajo
Cada participante trae una situación real de su organización. El grupo analiza ese caso, identifica qué datos existen, qué modelo se ajusta y qué limitaciones hay. No se trabaja con datasets de ejemplo.
Facilitación que orienta sin sustituir el criterio
El facilitador señala errores de enfoque, propone alternativas técnicas y modera el intercambio entre participantes. No da respuestas cerradas porque los contextos organizativos son distintos.
Progresión que sigue el ritmo del grupo
No hay un temario fijo que avanza independientemente de lo que ocurre en la sala. Si un concepto necesita más tiempo porque varios participantes lo están aplicando mal, el grupo se detiene ahí.
Resultados que se construyen fuera de las sesiones
Lo que ocurre entre sesiones es tan importante como lo que ocurre dentro. Los participantes aplican, encuentran problemas y vuelven con preguntas concretas. Ese ciclo es el que produce cambio real.
(El trabajo no termina cuando termina la sesión) — termina cuando el modelo está en producción y el equipo sabe interpretarlo.