X-Ray

El reto de Embat preguntaba si el dinero por sí solo puede decir cómo está una empresa. Las empresas no quiebran por balance, quiebran por caja: los ratios anuales llegan tarde, mientras que el rastro diario de cobros, pagos y deuda llega a tiempo. La dificultad: los datos no traían ninguna etiqueta de impago de la que aprender.

Me encargué de la parte de machine learning: el laboratorio de forecasting (regresiones Huber y Ridge validadas con GroupKFold, MAE a 1, 3 y 6 meses) y la previsión estructural, que proyecta cada cuenta hacia delante y la vuelve a puntuar con la misma función. También trabajé en el propio score y participé en las decisiones de producto y de UI.

Un score determinista y point-in-time sobre 24 meses de datos bancarios de 1.286 empresas en 250 grupos. Encima: una máquina de seis estados de trayectoria, un waterfall aditivo que explica cada punto de cambio, un simulador what-if, consolidación de grupo y un monitor de alertas, todo movido por la misma función de scoring.

• Sin etiqueta de impago, no hay GBDT en el núcleo: una función de scoring causal basada en reglas, con tests que demuestran que los datos futuros nunca cambian scores pasados.
• Una sola función mueve el score, el simulador, el outlook y la previsión estructural, así que una simulación nunca contradice al score. El ML vive al lado, no en su lugar.
• Motor en Python y DuckDB detrás de un backend FastAPI, y un front en Next.js con vista de cartera para Embat y una vista 360° de cada empresa.
• Validado en bancos sintéticos con regímenes controlados: el 95,5% de los deterioros detectados en seis meses, sin falsas alarmas estructurales en empresas estables.

• Responde a las seis preguntas del reto: quién está sano, quién mejora, quién se tuerce, bache o caída, por qué ha cambiado y con cuánta antelación se veía venir.
• Demo desplegada y vídeo de presentación, contando abiertamente los límites del modelo en vez de esconderlos.

• Python
• FastAPI
• DuckDB
• scikit-learn
• Next.js
• TypeScript