Binary Churn Hunters

Inspiración

Lo que nos inspiró Crecimos viendo cómo los negocios familiares pierden clientes sin entender por qué. No por mal producto ni mal servicio, sino porque cuando se dan cuenta de que un cliente dejó de comprar, ya es demasiado tarde para hacer algo al respecto. Esa frustración fue nuestro punto de partida. Más allá del problema, nos inspiró algo más personal: las ganas de crecer. Queríamos ver cómo todo lo que hemos aprendido en la universidad, en nuestras carreras y en nuestra vida cotidiana, podía juntarse en algo real y funcional. Este hackathon fue la oportunidad perfecta para comprobarlo. Queríamos salir de aquí siendo mejores personas, con una perspectiva diferente de lo que somos capaces de construir.

Cómo lo hicimos

Todo empezó con una idea y mucha discusión. Antes de escribir una sola línea de código, nos sentamos a definir qué necesitaba hacer el proyecto y qué haría cada quien. Ivana se encargó de la capa de base de datos y la ingesta de datos. Sofi del dashboard y la visualización interactiva. Charbel del simulador de riesgo y la estrategia de retención. Y como equipo construimos el pipeline de machine learning que conecta todo. Cada quien trabajó en su parte de forma independiente, pidiendo ayuda cuando era necesario e integrando poco a poco hasta tener un sistema completo. El núcleo del proyecto es procesar_ia.py, que toma datos históricos de transacciones, construye 9 variables de comportamiento por tienda, entrena un modelo y genera una probabilidad de abandono para cada cliente.

Retos a los que nos enfrentamos

El mayor reto fue que nunca habíamos participado en un hackathon. No estábamos familiarizadas con este tipo de dinámica ni con los errores que aparecen cuando datos reales se encuentran con código real: IDs que no cruzan entre tablas, territorios que no mapean limpiamente, clases desbalanceadas que hacen inútil un modelo ingenuo. Tuvimos que aprender en el camino, bajo presión y como equipo. Lo más difícil no fue técnico, fue confiar en que las piezas de cada quien iban a encajar al final.

Lo que aprendimos

Las lecciones técnicas fueron muchas: pipelines de machine learning, Random Forest, Streamlit, Plotly, manejo de datos reales con inconsistencias reales. Pero las lecciones más importantes fueron humanas. Aprendimos que pedir ayuda no es señal de debilidad, sino lo que hace que un equipo funcione de verdad. Que dividir el trabajo con confianza multiplica lo que se puede lograr. Que la universidad nos forma más de lo que creemos, solo que no lo notamos hasta que tenemos que usar todo al mismo tiempo, bajo presión y con un límite de tiempo. También aprendimos que un porcentaje de riesgo de abandono no es solo un número: es la señal de que una tienda, posiblemente un negocio familiar, está a punto de perder un cliente, y que nosotras podemos ayudar a evitarlo.

Built With

• json
• os
• pandas
• plotly
• python
• scikit-learn
• streamlit