Data Intelligence Lab
Un laboratorio reproducible que conecta un modelo causal sintético con cinco casos de Customer Intelligence y agentes que consultan metadata antes de analizar.
- Contexto
- Los casos de analítica y gobierno partían de supuestos distintos, lo que impedía comparar decisiones y resultados sobre una base común.
- Decisión de diseño
- Un monorepo por tracks: el mismo modelo fintech alimenta segmentación, churn, next-best-offer, ARPU e incrementalidad; los agentes de gobierno leen el catálogo antes de tocar datos.
- Evidencia
- Código, tests, datos sintéticos, documentación por proyecto y un análisis integrado de los cinco casos.
- Resultado
- Los resultados cambian cuando se fijan ventana, población, leakage y respuesta causal antes de modelar: esas decisiones son parte del sistema, no limpieza posterior.
- Alcance
- Su propósito es demostrar decisiones reproducibles, no operar como producto. El modelo conserva simplificaciones documentadas en migración tarifaria y facturación posterior al churn.