Desarrollé un modelo matemático propietario para predecir productos caducados en tiendas minoristas, sin depender de bibliotecas de aprendizaje automático preexistentes.

Diseñé un marco de simulación de probabilidad que estimaba riesgos de caducidad para miles de SKUs, superando restricciones computacionales mediante procesamiento paralelo.

Ayudé a duplicar la base de clientes de la empresa en dos meses, ya que la solución se convirtió en un foco central de marketing.

Aprendí a diseñar modelos estadísticos personalizados desde cero y optimizar el rendimiento computacional en aplicaciones minoristas a gran escala.

Mejoré la precisión de un modelo existente de detección de ruptura de stock, reemplazando un enfoque no supervisado por un modelo basado en XGBoost, aumentando la precisión del 30% al 70%.

Integré tasa de rotación y datos históricos de ventas, mejorando la eficiencia de reabastecimiento de productos.

Aprendí a hacer la transición de heurísticas basadas en reglas a aprendizaje supervisado, mejorando significativamente el rendimiento del modelo.

Creé dashboards detallados en Power BI, mostrando insights importantes como precisión del modelo, métricas de compromiso e impacto financiero por tienda.

Automaticé la recopilación de datos de múltiples fuentes, mejorando la visibilidad de las operaciones minoristas.