En esta clase vimos cómo funciona el toolkit del analista moderno, aplicado a un caso real de churn bancario con NovaBanco.
Arrancamos definiendo bien el problema: convertir una queja vaga del negocio en preguntas analíticas precisas con KPIs bien estructurados (fórmula, fuente, meta, frecuencia).
De ahí pasamos por todo el flujo: SQL para extraer y calcular, Power BI para visualizar e identificar factores clave, Python para predecir, y finalmente cómo la IA acelera cada una de esas etapas.
- Transformar frases vagas ("nos están dejando clientes") en preguntas analíticas concretas y KPIs medibles.
- Un KPI necesita: nombre, fórmula, fuente de datos, meta y frecuencia — sin eso no es un KPI, es una intuición.
- Con SQL calculamos que el churn pasó de 8.7% a 20.3%, y que el 35% de las salidas se deben a "mejor oferta" (churn evitable).
- El visual de Elementos Influyentes Clave en Power BI usa ML automático para revelar qué variables explican el churn — sin escribir código.
- Clientes con 3+ quejas tienen 4× más probabilidad de irse; con solo 1 producto, el riesgo se triplica..
- SQL y Excel describen lo que pasó; Python predice lo que va a pasar — ahí está el cambio de mentalidad.
- Construimos un modelo Random Forest en Google Colab con AUC-ROC de 0.685 — no perfecto, pero suficiente para priorizar acción.
- El score de riesgo 2025 segmenta a los clientes activos en alto (~230), medio (~480) y bajo (~885) riesgo de churn.
- La IA sirve para generar SQL desde lenguaje natural, depurar errores, interpretar resultados y crear mockups de dashboards.
- El analista moderno no acumula herramientas — hace las preguntas correctas y comunica en lenguaje de negocio.
