Las seis fases de un proyecto
El proceso completo dura entre 8 y 16 semanas para la mayoría de proyectos. Proyectos de chatbot interno suelen ser más rápidos (6 a 10 semanas); los de detección de anomalías en tiempo real, algo más largos. Antes de firmar, te damos un cronograma con fechas concretas para cada fase.
Descubrimiento y auditoría de datos
Dedicamos la primera semana a entender tu negocio. Nos reunimos con las personas que conocen los datos: el responsable de IT, el director de operaciones, el equipo comercial. Revisamos las fuentes de datos disponibles (bases de datos, hojas de cálculo, APIs de terceros) y evaluamos su calidad. ¿Hay registros duplicados? ¿Campos vacíos? ¿Datos sensibles que requieren anonimización? Todo queda documentado en un informe de viabilidad que compartimos contigo antes de avanzar.
Si durante esta fase detectamos que los datos no son suficientes para obtener resultados fiables, lo comunicamos directamente. En dos de cada diez auditorías recomendamos primero mejorar la recogida de datos durante tres a seis meses antes de construir un modelo.
Diseño de la solución
Con el informe de viabilidad aprobado, diseñamos la arquitectura técnica. Elegimos los algoritmos candidatos (regresión, árboles de decisión, redes neuronales, transformers) según el tipo de problema y el volumen de datos. Definimos las métricas de éxito con tu equipo: por ejemplo, un error absoluto medio inferior al 5 % en previsión de ventas, o una tasa de falsos positivos por debajo del 2 % en detección de fraude.
El resultado de esta fase es un documento de diseño de dos a cinco páginas con diagramas de flujo de datos, la lista de tecnologías que usaremos (Python, PyTorch, scikit-learn, PostgreSQL, Docker) y un presupuesto detallado desglosado por fase.
Preparación de datos
Limpiamos, transformamos y enriquecemos los datos. Esta fase suele consumir entre el 30 % y el 40 % del tiempo total del proyecto. Eliminamos duplicados, imputamos valores faltantes con métodos estadísticos adecuados al tipo de variable, y creamos nuevas características (feature engineering) que mejoran la capacidad predictiva del modelo.
Todo el código de preparación queda versionado en un repositorio Git para que sea reproducible. Si tus datos cambian en el futuro, el mismo pipeline puede ejecutarse de nuevo sin intervención manual.
Entrenamiento y validación
Entrenamos varios modelos candidatos y los comparamos usando validación cruzada. No nos limitamos a un solo algoritmo: probamos al menos tres enfoques distintos y seleccionamos el que mejor equilibra precisión, velocidad de inferencia y facilidad de mantenimiento.
Compartimos los resultados intermedios en una sesión de revisión de 90 minutos donde mostramos gráficas de rendimiento, ejemplos de predicciones correctas e incorrectas, y explicamos en lenguaje llano por qué el modelo se equivoca cuando lo hace. Tu equipo puede pedir ajustes en este punto sin coste adicional.
Despliegue e integración
El modelo seleccionado se empaqueta en un contenedor Docker y se despliega en tu infraestructura (servidor propio, AWS, Azure o Google Cloud). Creamos una API REST documentada con Swagger para que tus desarrolladores puedan consumir las predicciones desde cualquier sistema.
Si necesitas una interfaz visual, construimos un panel de control con gráficos en tiempo real accesible desde el navegador. El despliegue incluye pruebas de carga para verificar que el sistema responde en menos de 200 milisegundos bajo tráfico normal.
Monitorización y mejora continua
Después de la entrega, monitorizamos el rendimiento del modelo durante los primeros tres meses sin coste adicional. Cada semana medimos la deriva de datos (data drift) y comparamos las predicciones con los resultados reales. Si la precisión cae por debajo del umbral acordado, reentrenamos el modelo con datos actualizados.
Pasados los tres meses, puedes contratar un plan de mantenimiento mensual o gestionar la monitorización con tu propio equipo usando las herramientas y la documentación que te proporcionamos.
Lo que nos diferencia en el proceso
Transparencia en cada decisión técnica
Cada vez que elegimos un algoritmo, una librería o una configuración de infraestructura, documentamos el porqué. No te encontrarás con una caja negra que nadie puede explicar. Si decides cambiar de proveedor en el futuro, te llevas todo el código, los datos procesados y la documentación.
Usamos formatos abiertos y evitamos dependencias de proveedores propietarios. Tu modelo funciona con Python estándar y librerías de código abierto, no con un framework cerrado que solo nosotros podemos mantener.
Formación incluida para tu equipo
Antes de dar por cerrado el proyecto, impartimos una sesión de formación de entre dos y cuatro horas para las personas que usarán el sistema a diario. No es una presentación de diapositivas: es un taller práctico donde los asistentes ejecutan consultas reales contra el modelo, interpretan los resultados y aprenden a identificar cuándo una predicción necesita revisión humana.
Entregamos una guía de usuario escrita en español, con capturas de pantalla y ejemplos paso a paso. Si surgen dudas después de la formación, respondemos por correo en un plazo máximo de 48 horas durante los tres primeros meses.
Preguntas frecuentes sobre el proceso
¿Necesito tener un equipo técnico interno?
No es imprescindible. Podemos encargarnos del despliegue y el mantenimiento completo. Sin embargo, si tienes desarrolladores internos, trabajamos codo a codo con ellos para que asuman la gestión del sistema una vez terminado el proyecto.
¿Qué volumen mínimo de datos necesitáis?
Depende del problema. Para modelos de previsión de demanda, solemos necesitar al menos 18 meses de datos históricos con frecuencia diaria o semanal. Para clasificación de documentos, unos 500 ejemplos etiquetados suelen ser suficientes para un primer prototipo funcional. En la fase de auditoría evaluamos si tus datos cumplen estos mínimos.
¿Puedo cancelar el proyecto a mitad de camino?
Sí. Facturamos por fases completadas. Si decides parar después de la fase de diseño, solo pagas las dos primeras fases. Te quedas con todo el trabajo realizado hasta ese momento, incluido el informe de viabilidad y el documento de diseño.
¿Trabajáis con datos sensibles o regulados?
Sí. Tenemos experiencia con datos financieros sujetos a normativa bancaria y con datos de salud bajo el RGPD. Aplicamos anonimización, cifrado en tránsito y en reposo, y firmamos acuerdos de confidencialidad antes de acceder a cualquier dato.
¿Qué pasa si el modelo no alcanza la precisión esperada?
Si tras la fase de entrenamiento el modelo no cumple las métricas acordadas en el documento de diseño, realizamos una iteración adicional sin coste. Si aun así no se alcanza el objetivo, te informamos con honestidad y no facturamos la fase de despliegue. Hasta la fecha, esto ha ocurrido en dos proyectos de los más de 60 que hemos completado.