{"id":26591,"date":"2021-06-16T20:29:14","date_gmt":"2021-06-16T20:29:14","guid":{"rendered":"https:\/\/building.nu.com\/beyond-prediction-machines\/"},"modified":"2024-02-27T13:14:34","modified_gmt":"2024-02-27T13:14:34","slug":"mas-alla-de-las-maquinas-de-prediccion","status":"publish","type":"post","link":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/","title":{"rendered":"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n"},"content":{"rendered":"\n

Hay un libro de tres economistas que me gusta mucho llamado M\u00e1quinas de Predicci\u00f3n<\/a>. Lo lograron al descubrir qu\u00e9 hace el aprendizaje autom\u00e1tico y por qu\u00e9 es tan valioso. En t\u00e9rminos simples, el Aprendizaje Autom\u00e1tico nos proporciona predicciones econ\u00f3micas.<\/p>\n\n\n\n

Puede que esto no suene muy impresionante, pero lo que debemos darnos cuenta es que las predicciones est\u00e1n en m\u00e1s lugares de los que podr\u00edamos imaginar. La predicci\u00f3n no se trata s\u00f3lo del futuro (aunque podr\u00eda serlo, por ejemplo, si desea predecir la demanda futura para gestionar su almacenamiento), se trata de generar informaci\u00f3n sobre el presente y el pasado.<\/p>\n\n\n\n

Esto sucede cuando la predicci\u00f3n clasifica las transacciones con tarjetas de cr\u00e9dito como fraudulentas, un tumor en una imagen como maligno o si una persona que posee un iPhone es el propietario.<\/p>\n\n\n\n

En Nubank no es diferente.<\/p>\n\n\n\n\n\n

M\u00e1quinas de Predicci\u00f3n en Nubank<\/h2>\n\n\n\n

Utilizamos m\u00e1quinas de predicci\u00f3n para predecir el tema del mensaje de correo electr\u00f3nico de un cliente, lo que nos permite dirigirlo mejor al especialista de atenci\u00f3n al cliente m\u00e1s adecuado; predecimos si alguien incumplir\u00e1 un pr\u00e9stamo antes de otorgarle cr\u00e9dito; y, por supuesto, utilizamos la predicci\u00f3n para determinar si una transacci\u00f3n con tarjeta de cr\u00e9dito es fraudulenta.<\/p>\n\n\n\n

Saber que el Aprendizaje Autom\u00e1tico es, esencialmente, predicci\u00f3n tambi\u00e9n nos permite comunicarnos mejor con otros equipos. Podemos explicar que, si un problema empresarial puede enmarcarse como un problema de predicci\u00f3n, probablemente podamos resolverlo. No solo eso, sino que cuando explicamos el Aprendizaje Autom\u00e1tico como esta superpotencia de predicci\u00f3n, los l\u00edderes no t\u00e9cnicos pueden asignar mejor a los cient\u00edficos de datos, sin quedar atrapados en la exageraci\u00f3n de que podemos hacer todo tipo de milagros m\u00e1gicos.<\/p>\n\n\n\n

Cuando todo lo que tienes es un martillo…<\/h2>\n\n\n\n

Ver el Aprendizaje Autom\u00e1tico a trav\u00e9s de los ojos de la predicci\u00f3n es una limitaci\u00f3n poderosa. Nos ata a un conjunto espec\u00edfico de problemas, convirti\u00e9ndonos en cient\u00edficos de datos especialistas en ellos. Pero es, no obstante, una limitaci\u00f3n. Resulta que una empresa moderna tiene toneladas de problemas que no podemos enmarcar como tareas de predicci\u00f3n (sospecho que la mayor\u00eda de ellos).<\/p>\n\n\n\n

Muchas de las preguntas que una empresa como Nubank necesita responder implican una complicada optimizaci\u00f3n de la toma de decisiones: debemos elegir, entre un conjunto de opciones posibles, cu\u00e1l es la mejor acci\u00f3n a tomar. \u00bfQu\u00e9 l\u00edmite de cr\u00e9dito debo darle a cada cliente para maximizar el valor a largo plazo (VAN)? \u00bfQu\u00e9 tasa de inter\u00e9s debo cobrar por un pr\u00e9stamo? \u00bfCu\u00e1ntos correos electr\u00f3nicos de marketing debo enviar para poder maximizar la conversi\u00f3n sin enojar a la gente? <\/p>\n\n\n\n

En t\u00e9rminos generales, estos son problemas de toma de decisiones en los que tienes un mont\u00f3n de opciones para elegir y quieres saber cu\u00e1l es la mejor. A menudo, tienes alg\u00fan tipo de m\u00e9trica de negocio que no <\/strong> puedes controlar directamente (ventas, n\u00famero de clientes, PNL…), pero en la que puedes<\/strong> influir a trav\u00e9s de alg\u00fan tipo de palanca (publicidad, precio, servicio al cliente). La pregunta entonces es \u00bfc\u00f3mo se debe configurar esta palanca?<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
\n

Al principio, intentamos responder esas preguntas con lo que se nos daba bien: modelos predictivos. Pero r\u00e1pidamente nos dimos cuenta de que ese enfoque no s\u00f3lo no funcionaba, sino que tambi\u00e9n agravaba el problema. Como me dijo una vez nuestro director de datos: \u201ccuando lo \u00fanico que<\/em> tienes es un martillo, todo empieza a parecer un pulgar\u201d.<\/em><\/p>\n<\/blockquote>\n\n\n\n

Atraer m\u00e1s clientes<\/h2>\n\n\n\n

Para ver por qu\u00e9 es as\u00ed, consideremos un problema que tiene toda empresa de tecnolog\u00eda: atraer m\u00e1s clientes. <\/p>\n\n\n\n

Aqu\u00ed, digamos que tienes alguna estrategia de marketing costosa, como dar un cup\u00f3n a nuevos usuarios. Algunas personas solo usar\u00e1n el cup\u00f3n y luego se convertir\u00e1n en clientes a largo plazo (usuario-1 en la imagen), pero otras simplemente usar\u00e1n el cup\u00f3n y lo abandonar\u00e1n de inmediato (usuario-2). <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

La pregunta obvia es entonces, \u00bfa qui\u00e9n deber\u00edas enviarle los cupones? Lo que no es tan obvio es c\u00f3mo responder a esta pregunta. Se podr\u00eda pensar que aqu\u00ed podemos utilizar un modelo de Aprendizaje Autom\u00e1tico predictivo. OK. Digamos que s\u00ed. Digamos que creamos un modelo s\u00faper preciso que predice qui\u00e9n se convertir\u00e1 y qui\u00e9n abandonar\u00e1. Usamos un mont\u00f3n de caracter\u00edsticas, \u00e1rboles potenciados, hacemos la validaci\u00f3n cruzada correcta y logramos obtener un modelo que predice, con un AUC muy alto, qui\u00e9n realizar\u00e1 la conversi\u00f3n.<\/p>\n\n\n\n

Entonces, para cada nuevo cliente, tu modelo proporciona un n\u00famero que indica qui\u00e9n tiene m\u00e1s probabilidades de realizar una conversi\u00f3n. \u00bfAhora qu\u00e9? A\u00fan no has respondido a la pregunta original: \u00bfa qui\u00e9n deber\u00edas regalar cupones?<\/p>\n\n\n\n

\u00bfDeber\u00eda d\u00e1rselos a los clientes que probablemente realicen una conversi\u00f3n? Pero, \u00bfqu\u00e9 pasa si se convierten de todos modos? \u00bfPor qu\u00e9 gastar dinero d\u00e1ndoles un cup\u00f3n? \u00bfDeber\u00eda entonces d\u00e1rselos a aquellos con baja propensi\u00f3n a convertirse? Pero, \u00bfqu\u00e9 pasa si no realizan la conversi\u00f3n de todos modos, ni siquiera con los cupones? \u00a1Entonces est\u00e1s desperdiciando dinero otra vez!<\/em><\/p>\n\n\n\n

Si parece dif\u00edcil responder a esta pregunta, es porque tu modelo no predice<\/strong> lo que deseas. Tu modelo es muy bueno para distinguir entre quienes lo har\u00e1n y quienes no. Pero lo que realmente quieres es distinguir entre aquellos cuya conversi\u00f3n aumentar\u00e1 m\u00e1s con un cup\u00f3n y aquellos cuya conversi\u00f3n aumentar\u00e1 menos.<\/p>\n\n\n\n

En otras palabras, no te importan las probabilidades de conversi\u00f3n, te importa c\u00f3mo cambian con los cupones. Para dejar esto claro, veamos un ejemplo. <\/em><\/p>\n\n\n\n

M\u00e1quinas de predicci\u00f3n: \u00bfqu\u00e9 cliente realizar\u00eda una conversi\u00f3n?<\/h2>\n\n\n\n

Digamos que tienes dos tipos de clientes. El primer tipo (verde) tiene una conversi\u00f3n base m\u00e1s alta y no necesita una gran cantidad de cupones para convertir, mientras que el segundo tipo (azul) tiene una conversi\u00f3n base m\u00e1s baja y solo realizar\u00e1 conversiones con m\u00e1s cupones (o cupones de alto valor, dependiendo de c\u00f3mo plantee el problema). <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Tu modelo predice la conversi\u00f3n, por lo tanto, si lo usas para optimizar tu estrategia de cupones, digamos, entreg\u00e1ndolos a aquellos con mayor conversi\u00f3n, se los dar\u00e1s principalmente a clientes que no necesitan una gran cantidad de cupones para realizar conversiones (verde).<\/p>\n\n\n\n

\u00bfQu\u00e9 pasa si se los das a aquellos con menores probabilidades de conversi\u00f3n? En este caso, se dirigir\u00e1 a aquellos que de hecho necesitan m\u00e1s cupones para realizar la conversi\u00f3n, por lo que estar\u00edas haciendo lo correcto.<\/p>\n\n\n\n

Pero nota c\u00f3mo esto es accidental. Aqu\u00ed, resulta que el tipo con menor conversi\u00f3n base tambi\u00e9n necesita m\u00e1s cupones para convertir, pero es muy posible que tengas una situaci\u00f3n en la que el tipo con menor conversi\u00f3n (azul) tambi\u00e9n necesite menos cupones para convertir, como en la siguiente imagen. <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

En este segundo caso, el tipo con mayor conversi\u00f3n base (verde) tambi\u00e9n necesita m\u00e1s cupones para mover la aguja, mientras que el tipo con menor conversi\u00f3n (azul) necesita menos cupones para ser feliz. <\/p>\n\n\n\n

La conclusi\u00f3n clave aqu\u00ed es que la conversi\u00f3n no necesariamente distingue la conversi\u00f3n delta<\/strong>. O, en otras palabras, la conversi\u00f3n no es necesariamente distinguir cu\u00e1nto responder\u00e1 cada cliente a m\u00e1s o menos cupones.<\/p>\n\n\n\n

Como consecuencia, utilizar predicciones para una tarea de optimizaci\u00f3n como la anterior puede resultar sub\u00f3ptimo en el mejor de los casos y muy costoso en el peor. Los modelos de predicci\u00f3n son herramientas fascinantes, pero eso no significa que sean adecuados para todas las tareas.<\/em><\/p>\n\n\n\n

Inferencia causal al rescate.<\/h2>\n\n\n\n

Afortunadamente, no es necesario que sigas golpe\u00e1ndote el pulgar. Estoy aqu\u00ed para mostrarles un camino m\u00e1s fruct\u00edfero. El truco aqu\u00ed es darse cuenta de que no es necesario estimar la conversi\u00f3n. En lugar de ello, lo que se desea es estimar la derivada de la conversi\u00f3n o la conversi\u00f3n marginal, como la llamar\u00edan los economistas.<\/p>\n\n\n\n

La conversi\u00f3n marginal te indica cu\u00e1nto aumentar\u00e1 la conversi\u00f3n dado un peque\u00f1o aumento (unitario) en los cupones. Esto es excelente para la optimizaci\u00f3n porque muestra d\u00f3nde puedes sacar m\u00e1s provecho de tu inversi\u00f3n. <\/em><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Por ejemplo, el punto donde se maximiza la derivada corresponde al punto de la curva donde la conversi\u00f3n es m\u00e1s pronunciada. All\u00ed, un aumento de cupones generar\u00e1 un enorme aumento en la conversi\u00f3n.<\/p>\n\n\n\n

S\u00f3lo hay un peque\u00f1o problema. No es que la gente salga con la sensibilidad tatuada en la frente. Resulta que esta no es una cantidad observable. Si bien S\u00cd observamos si las personas convirtieron o no recibieron una cantidad de cup\u00f3n, NO observamos qu\u00e9 tan sensibles son a los cupones. Esto es lo que llamamos el problema fundamental de la inferencia causal.<\/em><\/p>\n\n\n\n

Nunca podremos ver a la misma persona bajo dos reg\u00edmenes de tratamiento diferentes (cupones aqu\u00ed). Como consecuencia, no podemos resolver este problema con un modelo predictivo <\/strong>en el que reemplazamos X como caracter\u00edsticas e Y como resultado, simplemente porque la Y que queremos, es decir, la sensibilidad, no es inobservable. <\/p>\n\n\n\n

Para ello, recurrimos a la inferencia causal<\/strong>, que es precisamente la t\u00e9cnica que podemos utilizar para estimar la sensibilidad (tambi\u00e9n llamada efecto del tratamiento) y responder preguntas hipot\u00e9ticas. La inferencia causal aparece en la parte superior de la lista<\/a> de ideas estad\u00edsticas m\u00e1s importantes<\/strong> de los \u00faltimos 50 a\u00f1os, lo cual es bien merecido.<\/p>\n\n\n\n

Interferencia casual: responder a preguntas hipot\u00e9ticas<\/h2>\n\n\n\n

Todos hemos o\u00eddo que correlaci\u00f3n no implica causalidad<\/strong>. La inferencia causal nos ayuda a decir qu\u00e9 lo hace. Es un concepto fundamental en epidemiolog\u00eda y econometr\u00eda, pero ahora se est\u00e1 generalizando en el campo de la Ciencia de Datos. Supongo que porque resuelve una gran clase de problemas con los que luchaba el Aprendizaje Autom\u00e1tico tradicional.<\/p>\n\n\n\n

La inferencia causal responde a lo que suceder\u00eda si hago esto en lugar de aquello, lo cual es clave para saber en cada acci\u00f3n o pregunta de personalizaci\u00f3n que debamos responder. <\/em><\/p>\n\n\n\n

Aprender a partir de los datos lo que suceder\u00eda bajo las diferentes decisiones posibles que deseamos tomar tambi\u00e9n est\u00e1 presente en todas las unidades de negocios de Nubank, raz\u00f3n por la cual investigamos tanto la inferencia causal. Necesitamos saber c\u00f3mo cambiar\u00e1 el nivel de gasto de un tipo particular de cliente dado un aumento del l\u00edmite y si eso compensar\u00e1 el aumento del riesgo asociado.<\/p>\n\n\n\n

Necesitamos saber qu\u00e9 tipo de clientes responder\u00e1n mejor a un correo electr\u00f3nico de venta cruzada de pr\u00e9stamos que a un correo electr\u00f3nico de inversi\u00f3n. Nos importa mucho c\u00f3mo responden los clientes a un cambio en las tasas de inter\u00e9s. Todos esos son problemas causales porque plantean preguntas hipot\u00e9ticas. <\/p>\n\n\n\n

Descifrarlos es mucho m\u00e1s complicado que lanzar todo a un proceso de aprendizaje autom\u00e1tico y obtener predicciones. Necesitamos elaborar ensayos de control aleatorios bien dise\u00f1ados, controlar los sesgos que nos enga\u00f1an para encontrar causalidad donde solo hay correlaci\u00f3n y aprovechar experimentos naturales. <\/em><\/p>\n\n\n\n

La inferencia causal es un tema tan amplio e interesante que no puedo cubrirlo todo en una sola publicaci\u00f3n. Pero ten la seguridad. A medida que la inferencia causal se ha vuelto cada vez m\u00e1s relevante para el equipo de ciencia de datos de Nubank, puedes apostar que publicaremos m\u00e1s cosas al respecto. Mientras tanto, si deseas obtener m\u00e1s informaci\u00f3n al respecto, he seleccionado una lista de listas de recursos interesantes (y obviamente sesgadas hacia la econom\u00eda). \u00a1Disfruta!<\/p>\n","protected":false},"excerpt":{"rendered":"

Una gran parte del equipo de ciencia de datos de Nubank se ha centrado recientemente en aprovechar la inferencia causal junto con el aprendizaje autom\u00e1tico tradicional para resolver algunos de nuestros problemas m\u00e1s dif\u00edciles.<\/p>\n","protected":false},"author":178110132,"featured_media":24285,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[2509,2508],"tags":[2959,2510,2543],"class_list":["post-26591","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analytics-es","category-data-science-machine-learning-es","tag-causal-inference-es","tag-ciencia-de-los-datos","tag-machine-learning-es"],"acf":[],"yoast_head":"\nM\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n - Building Nubank<\/title>\n<meta name=\"description\" content=\"Una gran parte del equipo de ciencia de datos de Nubank se ha centrado recientemente en aprovechar la inferencia causal junto con el aprendizaje autom\u00e1tico tradicional para resolver algunos de nuestros problemas m\u00e1s dif\u00edciles.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n - Building Nubank\" \/>\n<meta property=\"og:description\" content=\"Una gran parte del equipo de ciencia de datos de Nubank se ha centrado recientemente en aprovechar la inferencia causal junto con el aprendizaje autom\u00e1tico tradicional para resolver algunos de nuestros problemas m\u00e1s dif\u00edciles.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/\" \/>\n<meta property=\"og:site_name\" content=\"Building Nubank\" \/>\n<meta property=\"article:published_time\" content=\"2021-06-16T20:29:14+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-02-27T13:14:34+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\" \/>\n\t<meta property=\"og:image:width\" content=\"1440\" \/>\n\t<meta property=\"og:image:height\" content=\"600\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Matheus Facure\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Matheus Facure\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"22 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/\"},\"author\":{\"name\":\"Matheus Facure\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/#\\\/schema\\\/person\\\/84622cde3deb7475f4e2b49cb5294d30\"},\"headline\":\"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n\",\"datePublished\":\"2021-06-16T20:29:14+00:00\",\"dateModified\":\"2024-02-27T13:14:34+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/\"},\"wordCount\":2047,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nu.com\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\",\"keywords\":[\"causal inference\",\"ciencia de los datos\",\"machine learning\"],\"articleSection\":[\"Data & Analytics\",\"Data Science & Machine Learning\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/\",\"url\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/\",\"name\":\"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n - Building Nubank\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nu.com\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\",\"datePublished\":\"2021-06-16T20:29:14+00:00\",\"dateModified\":\"2024-02-27T13:14:34+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/#\\\/schema\\\/person\\\/84622cde3deb7475f4e2b49cb5294d30\"},\"description\":\"Una gran parte del equipo de ciencia de datos de Nubank se ha centrado recientemente en aprovechar la inferencia causal junto con el aprendizaje autom\u00e1tico tradicional para resolver algunos de nuestros problemas m\u00e1s dif\u00edciles.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/building.nu.com\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nu.com\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\",\"width\":1440,\"height\":600},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/mas-alla-de-las-maquinas-de-prediccion\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/building.nu.com\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/#website\",\"url\":\"https:\\\/\\\/building.nu.com\\\/es\\\/\",\"name\":\"Building Nubank\",\"description\":\"We make the extraordinary happen\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/building.nu.com\\\/es\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/es\\\/#\\\/schema\\\/person\\\/84622cde3deb7475f4e2b49cb5294d30\",\"name\":\"Matheus Facure\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/building.nubank.com.br\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/avatar_user_178110132_1622652046-96x96.png\",\"url\":\"https:\\\/\\\/building.nubank.com.br\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/avatar_user_178110132_1622652046-96x96.png\",\"contentUrl\":\"https:\\\/\\\/building.nubank.com.br\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/avatar_user_178110132_1622652046-96x96.png\",\"caption\":\"Matheus Facure\"},\"description\":\"Matheus Facure graduated in Economics from Universidade de Bras\u00edlia in 2017 and has been working in Nubank since then. At some point, he became a Data Science Manager for the Collections and Credit Card team at Nubank. Now he works mostly as an Individual Contributor at the Credit BU, where he specializes in Causal Inference and making sure our ML models are aligned with the business they try to optimize.\",\"url\":\"https:\\\/\\\/building.nu.com\\\/es\\\/author\\\/matheus-facure\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n - Building Nubank","description":"Una gran parte del equipo de ciencia de datos de Nubank se ha centrado recientemente en aprovechar la inferencia causal junto con el aprendizaje autom\u00e1tico tradicional para resolver algunos de nuestros problemas m\u00e1s dif\u00edciles.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/","og_locale":"es_ES","og_type":"article","og_title":"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n - Building Nubank","og_description":"Una gran parte del equipo de ciencia de datos de Nubank se ha centrado recientemente en aprovechar la inferencia causal junto con el aprendizaje autom\u00e1tico tradicional para resolver algunos de nuestros problemas m\u00e1s dif\u00edciles.","og_url":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/","og_site_name":"Building Nubank","article_published_time":"2021-06-16T20:29:14+00:00","article_modified_time":"2024-02-27T13:14:34+00:00","og_image":[{"width":1440,"height":600,"url":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","type":"image\/jpeg"}],"author":"Matheus Facure","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Matheus Facure","Tiempo de lectura":"22 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/#article","isPartOf":{"@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/"},"author":{"name":"Matheus Facure","@id":"https:\/\/building.nu.com\/es\/#\/schema\/person\/84622cde3deb7475f4e2b49cb5294d30"},"headline":"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n","datePublished":"2021-06-16T20:29:14+00:00","dateModified":"2024-02-27T13:14:34+00:00","mainEntityOfPage":{"@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/"},"wordCount":2047,"commentCount":0,"image":{"@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","keywords":["causal inference","ciencia de los datos","machine learning"],"articleSection":["Data & Analytics","Data Science & Machine Learning"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/","url":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/","name":"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n - Building Nubank","isPartOf":{"@id":"https:\/\/building.nu.com\/es\/#website"},"primaryImageOfPage":{"@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/#primaryimage"},"image":{"@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","datePublished":"2021-06-16T20:29:14+00:00","dateModified":"2024-02-27T13:14:34+00:00","author":{"@id":"https:\/\/building.nu.com\/es\/#\/schema\/person\/84622cde3deb7475f4e2b49cb5294d30"},"description":"Una gran parte del equipo de ciencia de datos de Nubank se ha centrado recientemente en aprovechar la inferencia causal junto con el aprendizaje autom\u00e1tico tradicional para resolver algunos de nuestros problemas m\u00e1s dif\u00edciles.","breadcrumb":{"@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/#primaryimage","url":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","contentUrl":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","width":1440,"height":600},{"@type":"BreadcrumbList","@id":"https:\/\/building.nu.com\/es\/mas-alla-de-las-maquinas-de-prediccion\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/building.nu.com\/es\/"},{"@type":"ListItem","position":2,"name":"M\u00e1s all\u00e1 de las m\u00e1quinas de predicci\u00f3n"}]},{"@type":"WebSite","@id":"https:\/\/building.nu.com\/es\/#website","url":"https:\/\/building.nu.com\/es\/","name":"Building Nubank","description":"We make the extraordinary happen","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/building.nu.com\/es\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/building.nu.com\/es\/#\/schema\/person\/84622cde3deb7475f4e2b49cb5294d30","name":"Matheus Facure","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/building.nubank.com.br\/wp-content\/uploads\/2021\/06\/avatar_user_178110132_1622652046-96x96.png","url":"https:\/\/building.nubank.com.br\/wp-content\/uploads\/2021\/06\/avatar_user_178110132_1622652046-96x96.png","contentUrl":"https:\/\/building.nubank.com.br\/wp-content\/uploads\/2021\/06\/avatar_user_178110132_1622652046-96x96.png","caption":"Matheus Facure"},"description":"Matheus Facure graduated in Economics from Universidade de Bras\u00edlia in 2017 and has been working in Nubank since then. At some point, he became a Data Science Manager for the Collections and Credit Card team at Nubank. Now he works mostly as an Individual Contributor at the Credit BU, where he specializes in Causal Inference and making sure our ML models are aligned with the business they try to optimize.","url":"https:\/\/building.nu.com\/es\/author\/matheus-facure\/"}]}},"jetpack_shortlink":"https:\/\/wp.me\/pbKBB5-6UT","jetpack_sharing_enabled":true,"jetpack_featured_media_url":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","_links":{"self":[{"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/posts\/26591","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/users\/178110132"}],"replies":[{"embeddable":true,"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/comments?post=26591"}],"version-history":[{"count":4,"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/posts\/26591\/revisions"}],"predecessor-version":[{"id":28373,"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/posts\/26591\/revisions\/28373"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/media\/24285"}],"wp:attachment":[{"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/media?parent=26591"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/categories?post=26591"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/building.nu.com\/es\/wp-json\/wp\/v2\/tags?post=26591"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}