BizSentinel
Plataforma de ML end-to-end para inteligencia de clientes en e-commerce
El problema
Las pymes de e-commerce acumulan datos transaccionales pero no tienen equipos de data science que puedan convertirlos en decisiones accionables.
La solución
Tres módulos de ML encadenados: Isolation Forest para detección de anomalías, K-Means para segmentación de clientes y LightGBM para scoring de fuga - cada módulo alimenta al siguiente.
Impacto
Da a las pymes de e-commerce alerta temprana sobre fuga, comportamiento sospechoso y segmentos de clientes para intervenir antes de perder ingresos - sobre 97.896 clientes, con seudonimización y privacidad diferencial en el modelo de fuga.
Desafíos de ingeniería
Cadena de dependencias entre módulos
Los scores de anomalía y las etiquetas de segmento de los módulos no supervisados debían alimentar como features al modelo supervisado de fuga sin filtrar información.
ML que preserva la privacidad
Implementar privacidad diferencial con diffprivlib sin degradar el rendimiento del modelo exigió un ajuste fino del epsilon.
Aprendizajes
Salidas no supervisadas como features supervisadas
Alimentar LightGBM con los scores de IsolationForest y las etiquetas de KMeans mejoró de forma clara la predicción de fuga - el diseño del pipeline se justificó en las métricas.
SQLite alcanza
Elegir SQLite en lugar de PostgreSQL eliminó carga operativa sin ningún costo real a esta escala de datos.