Un modelo que anticipa la demanda, el impago o la avería con el histórico que ya existe.
Las decisiones de compra, de stock o de riesgo se toman con la media del año anterior y con la intuición de quien lleva más tiempo en el puesto. Un modelo entrenado con el histórico real convierte esa intuición en una previsión que llega al sistema donde se decide, con su acierto medido y no estimado.
Casi todos los problemas tecnológicos son problemas de negocio con otro nombre.
Por eso trabajamos la estrategia antes que el código, y medimos cada entrega por la cifra que mueve.
50+
Proyectos entregados
40+
Empresas que han confiado en nosotros
8
Casos publicados
2023
Año de inicio en Barcelona
Qué incluye.
Un modelo predictivo solo aporta valor si acierta más que la regla que el equipo aplica hoy y si la previsión llega a tiempo a quien decide. El trabajo se organiza alrededor de esas dos condiciones, y la primera fase existe precisamente para comprobar si se pueden cumplir.
Objetivo y umbral de utilidad
Se acuerda qué decisión cambia con la previsión y a partir de qué nivel de acierto merece la pena usarla, comparándola con la regla actual del negocio. Un modelo que no mejora esa regla no se pone en producción, y ese criterio se fija antes de entrenar nada.
Revisión del histórico disponible
Se examina cuántos periodos cubre el histórico, qué campos se rellenan siempre, qué eventos extraordinarios lo distorsionan y si el resultado real quedó registrado. También se comprueba que los datos usados para entrenar estarán disponibles en el momento de predecir, que es el error más común y el más caro.
Conjunto de entrenamiento reproducible
Los datos se extraen de Business Central, Sage X3, SQL Server, PostgreSQL o los ficheros que sostienen el proceso, y se consolidan con Python en un conjunto estable. Cada transformación queda versionada en GitHub, de modo que un resultado se puede reproducir meses después.
Entrenamiento y validación sobre periodos no vistos
Se prueban varios algoritmos, del más simple al más complejo, y todos compiten contra la regla actual. La validación se hace sobre periodos que el modelo no ha visto durante el entrenamiento, para que el acierto medido se parezca al que dará en producción.
Entrega dentro de los sistemas existentes
La previsión aparece donde ya se trabaja: una columna más en el informe de Power BI, un campo en el ERP o una llamada a una API desde la aplicación interna. El modelo se despliega en Azure o AWS con contenedores Docker y ejecución programada, y cada resultado queda guardado con su fecha.
Seguimiento del acierto y reentrenamiento
Cada previsión se compara después con lo que finalmente ocurrió, y esa medición es la que decide si el modelo sigue siendo útil. Cuando la realidad se desplaza, se reentrena con datos recientes o se retira, y la organización lo ve en el mismo informe.
Cómo trabajamos.
01
Analizamos
Una primera sesión para entender el proceso, los sistemas que ya están en marcha y lo que hoy cuesta tiempo o dinero. De ahí sale un diagnóstico escrito, no una presentación de intenciones.
02
Decidimos y presupuestamos
Con el diagnóstico delante se decide qué se construye, qué se integra y qué es mejor no tocar. La propuesta llega con alcance, plazo y precio cerrados antes de empezar.
03
Construimos y lo dejamos en producción
El trabajo se entrega por partes utilizables, con pruebas en cada cambio. Al final queda en producción, documentado y con el equipo formado para usarlo sin depender de nosotros.
Preguntas frecuentes.
¿Qué histórico hace falta para que un modelo funcione?
Hacen falta periodos suficientes para que el modelo vea los ciclos del negocio, incluidas las temporadas altas y bajas, y que el resultado real esté registrado y no solo la previsión que se hizo entonces. Si el dato vive en hojas de cálculo con criterios distintos por año, el primer trabajo es construir ese histórico, y así se plantea. La revisión de la primera fase responde a esta pregunta con los datos concretos de la empresa.
¿Qué nivel de acierto se puede esperar?
No se compromete una cifra antes de ver los datos, porque cualquier porcentaje anunciado de antemano sería inventado. El compromiso es otro: medir el acierto contra la regla que el equipo usa hoy, sobre periodos que el modelo no ha visto, y no desplegar si no la mejora de forma clara. Ese criterio se acuerda al principio y se verifica delante del cliente.
¿Cuánto cuesta y cuánto tarda la primera versión?
El alcance y el precio se cierran en la propuesta, después de revisar los sistemas de origen y el histórico disponible. La referencia de plazo es de semanas para una primera versión validada, no de trimestres, porque el trabajo se organiza para descartar pronto si los datos no dan. La puesta en producción y la integración en los sistemas se presupuestan como una fase aparte, con su propio criterio de aceptación.
¿Dónde se entrena el modelo y quién accede a los datos?
El entrenamiento se ejecuta en la suscripción de Azure o AWS de la empresa, o en la infraestructura que indique, y el histórico no sale de ese entorno. El acceso se concede por rol y cada ejecución queda registrada, con copias de seguridad diarias del conjunto de datos y del modelo desplegado. La propiedad del modelo, del código y de los datos es de la empresa, documentada para que otro equipo pueda continuar.
Nuestro stack
De los ERPs a la infraestructura cloud, elegimos herramientas que reducen el riesgo, encajan con los sistemas existentes y duran. Con ellas entregamos rápido y mantenemos en producción lo entregado.
“Estamos trabajando con Guille y Leo y la verdad es que estamos muy contentos con el resultado. Son profesionales, cumplen con los plazos y nos lo ponen todo muy fácil. Gente así cuesta de encontrar”
“No me cansaré de recomendarlos.
Con Leo y Guille desarrollamos conjuntamente un proceso de automatización para la gestión, estructuración y visualización de datos acumulados durante años de trabajo de campo en tres distritos distintos de Barcelona. Se trataba de un conjunto de información muy extenso y heterogéneo, y…”
“Trabajar con Laketab nos ha permitido dar un salto claro en cómo gestionamos la información. Hemos pasado de procesos manuales a un reporting automatizado, fiable y completamente alineado con nuestra realidad de negocio. No sólo han desarrollado la solución, sino que ha entendido la lógica financiera y operativa…”
