Implementación de sistema de visualización de estabilidad de datos para verificar calidad de modelos predictivos de riesgo de impago en Entel

Abstract

El presente proyecto tiene como objetivo asegurar la estabilidad de los datos que alimentan los modelos de clasificación de clientes en el área de Analytics de Entel. En este contexto, la estabilidad de los datos se entiende como la consistencia en la distribución estadística de las variables a lo largo del tiempo. La estabilidad de estos datos es crucial, ya que los resultados de la clasificación son utilizados por el área de Riesgo para estimar el nivel de provisión nece- sario por temas de impago. Una variación del 1 % en la provisión puede impactar un 0.98 % del EBITDA de Entel. El sistema se implementó a través del Dashboard DataQuality en Variables, desarrollado en Power BI, que automatiza el cálculo del Characteristic Stability Index (CSI). A dife- rencia del sistema anterior, que no realizaba tratamientos específicos en la data, este nuevo enfoque permite una evaluación más precisa del CSI al agregar tratamientos variable-modelo. El proyecto siguió la metodología CRISP-DM debido a su enfoque sistemático y flexible, ideal para la mejora continua de modelos predictivos. Esta metodología se adapta bien a en- tornos complejos como el de Entel, ya que permite iterar sobre las distintas fases del proceso analítico. La implementación de filtros y tratamientos de datos permitió el cálculo desagregado del CSI. Esta mejora redujo el tiempo promedio de revisión por variable de 4 horas a 30 minutos. Esto se debe a que, cuando una variable presenta un CSI en rojo —cambio significativo en su distribución entre dos periodos—, solo es necesario revisar los modelos en los que dicha variable genera un CSI crítico, y no todos los modelos que la contienen. Aunque se logró un cálculo CSI preciso, se identificaron áreas de oportunidad relacionadas con la falta de estandarización de los datos. Estos factores provocaron retrasos en el tiem- po de desarrollo. Como medida correctiva, se recomienda implementar inteligencia artificial generativa para estandarizar los tratamientos de datos, lo que reduciría significativamente el tiempo de preparación de la data. El proyecto cumplió con los objetivos establecidos, destacando la creación de un sistema de monitoreo de estabilidad de los datos que alimentan los modelos de scoreo de clientes elaborados por Analytics Entel. Aunque el impacto económico directo es limitado, con ahorros de aproximadamente 17 millones de CLP mensuales, su impacto estratégico es relevante al permitir una respuesta ágil ante cambios en el comportamiento de los clientes.