Lo urgente cuesta más
El repuesto de emergencia, las horas extra, el flete express. Y la producción que no se hizo no se recupera.
Consultoría en IA predictiva
Reaccionar es la parte cara.
Las fallas, los quiebres de stock y las desviaciones dejan rastro en tus datos antes de ocurrir. Construyo los modelos que leen ese rastro a tiempo.
- PhD en Modelación Matemática, U. de Chile
- 18+ años construyendo modelos
- 9 publicaciones científicas
Proceso críticoPredicción a 30 días
Observado
Predicción central
Confianza 50 / 80 / 95%
Dieciocho años de modelos en producción. Marcas y equipos con los que he trabajado, de forma directa o a través de las empresas y agencias donde estuve.
El problema
Enterarse tarde se paga tres veces.
Apagar incendios no deja avanzar
Cada emergencia se come exactamente las horas que ibas a invertir en que la próxima no ocurriera.
Decidir a ciegas desgasta
Decisiones a medianoche, con datos incompletos y sin saber si te estás equivocando. Eso también tiene costo.
Lo caro casi nunca es el problema. Es el momento en que te enteras.
Qué cambia
Tus reportes dicen qué pasó. Un modelo dice qué va a pasar.
El dashboard
Mira hacia atrás. Te muestra que la máquina falló, que el stock se quebró, que la campaña no rindió. Es un buen espejo retrovisor, pero describe un mundo donde el costo ya se pagó.
Con eso decidesQué explicar en la reunión del lunes.
El modelo predictivo
Mira hacia adelante. Estima qué va a pasar en los próximos días o semanas, con qué probabilidad y con cuánto margen de error. No adivina: proyecta el patrón que tu operación viene repitiendo hace años.
Con eso decidesQué hacer el jueves para que el lunes no haya nada que explicar.
Y una predicción sin margen de error no sirve para decidir.
«La máquina va a fallar en 12 días» no te deja hacer nada: no sabes si confiar. «78% de probabilidad de falla entre los días 21 y 27» sí: te dice si alcanzas a pedir el repuesto y cuánto te juegas si no haces nada. Cuantificar lo que un modelo no sabe es el tema de mi doctorado y de buena parte de mi investigación publicada.
Cómo trabajo
Cuatro etapas. La primera puede terminar conmigo diciéndote que no sigas.
ETAPA 01
Diagnóstico
2 a 3 semanas · precio cerrado
Elegimos el proceso que más cuesta, reviso qué datos existen de verdad y evalúo si se puede predecir con lo que hay.
Te llevas: un informe de factibilidad con el caso de negocio estimado. Si no se puede predecir nada útil, te lo digo acá y paras.
ETAPA 02
Modelo piloto
4 a 8 semanas
Construyo el modelo y lo valido hacia atrás sobre tus últimos 12 a 24 meses, como si no conociera el futuro. Es la única forma honesta de saber si sirve.
Te llevas: el modelo, sus métricas sin maquillar y cuánto habría ahorrado en ese período.
ETAPA 03
Puesta en operación
4 a 8 semanas
El modelo sale del notebook: corriendo solo, integrado a tus sistemas y avisando donde tu equipo ya trabaja.
Te llevas: el modelo operando de verdad. Uno que vive en el computador del consultor no le ahorra nada a nadie.
ETAPA 04
Autonomía
continuo o acotado
Documentación, capacitación de tu equipo y monitoreo en el tiempo: los modelos se degradan y hay que detectarlo antes de que empiecen a mentir.
El objetivo: que en algún momento no me necesites.
Dónde aplica
No importa la industria. Importa que el proceso deje rastro.
He construido modelos para retail, marketing, sector automotriz e investigación científica. Por debajo, la matemática es la misma.
Fallas y mantención
- Predice
- Qué equipo va a fallar y cuándo.
- Decides
- Cuándo parar y qué repuesto pedir con anticipación.
Demanda e inventario
- Predice
- Cuánto vas a vender por producto y local.
- Decides
- Cuánto comprar y qué no quebrar nunca.
Calidad y mermas
- Predice
- Qué lote o turno va a salir fuera de especificación.
- Decides
- Dónde intervenir antes de perder el material.
Clientes y fuga
- Predice
- Quién se está por ir y quién por comprar más.
- Decides
- A quién llama tu equipo esta semana.
Retorno de marketing
- Predice
- Cuánto aporta realmente cada canal.
- Decides
- Dónde poner el próximo peso del presupuesto.
Tiempos y cuellos de botella
- Predice
- Dónde y cuándo se va a atascar el proceso.
- Decides
- Dónde sumar capacidad antes de que se note.
¿Qué necesito de tu lado?
Históricos de 12 a 24 meses del proceso, aunque estén en planillas Excel repartidas. Alguien de tu equipo que conozca la operación. Y un problema concreto que esté costando dinero. Ordenar los datos es parte de mi trabajo, no un requisito previo.
Quién soy
Gonzalo Ríos
PhD en Modelación Matemática · Universidad de Chile · Santiago
Llevo más de dieciocho años construyendo modelos predictivos, y los últimos diez liderando además los equipos que los ponen en producción. Son dos oficios distintos y hacen falta los dos.
Mi doctorado en la Universidad de Chile fue sobre aprendizaje bayesiano: cómo lograr que un modelo sepa lo que no sabe, y lo diga. Publiqué en Neural Networks, IEEE Signal Processing Letters y ESAIM, y enseñé Inteligencia Artificial y Computación Científica en esa misma universidad.
En la parte práctica: fui Chief Scientist Officer de NoiseGrasp durante diez años, donde armé desde cero el equipo y la infraestructura de modelos predictivos que se usó, vía Publicis Groupe, para marcas como Coca-Cola, Cencosud y Falabella. Como Principal Data Scientist en Niuro lideré equipos técnicos para clientes del sector automotriz, desde startups hasta multinacionales como CDK Global. Antes fui CTO de Ríos y Cía. y socio fundador de Golden Data.
Esa combinación es deliberada: la matemática para que el modelo sea correcto, y los años de operación para que además funcione dentro de una empresa real.
Formación
- PhD en Ciencias de la Ingeniería, mención Modelación Matemática (2015–2020)
- Magíster en Ciencias, mención Computación (2011–2013)
- Ingeniería Civil Matemática (2011–2013) — máxima distinción
- Licenciatura en Ciencias, mención Matemáticas (2004–2009)
- Todo en la Universidad de Chile
Docencia · U. de Chile
- Profesor — Computación Científica (2017–2018)
- Profesor — Inteligencia Artificial (2009–2011)
- Auxiliar en Probabilidades, Procesos Estocásticos y Machine Learning Probabilístico
Herramientas
- Lenguajes: Python, R, Matlab, Java, C
- Datos: PostgreSQL, MySQL, SQLite
- Métodos: procesos gaussianos, métodos bayesianos, programación probabilística, optimización
- IA aplicada: LLMs, sistemas multiagente, automatización
Distinciones
- Titulado con máxima distinción en Ingeniería Civil Matemática
- Graduado con máxima distinción en el Magíster en Ciencias
- Alumno destacado 2005 a 2008, Facultad de Cs. Físicas y Matemáticas
Publicaciones científicas (9)
- Compositionally-warped Gaussian processesG. Ríos, F. Tobar (2019). Neural Networks 118, 235–246.
- Learning non-Gaussian time series using the Box-Cox Gaussian processG. Ríos, F. Tobar (2018). IJCNN, 1–8.
- Recovering latent signals from a mixture of measurements using a Gaussian process priorF. Tobar, G. Ríos, T. Valdivia, P. Guerrero (2016). IEEE Signal Processing Letters 24(2), 231–235.
- Transport Gaussian processes for regressionG. Ríos (2020). arXiv:2001.11473.
- Stochastic gradient descent for barycenters in Wasserstein spaceJ. Backhoff-Veraguas, J. Fontbona, G. Ríos, F. Tobar (2024). Journal of Applied Probability.
- Bayesian learning with Wasserstein barycentersJ. Backhoff-Veraguas, J. Fontbona, G. Ríos, F. Tobar (2022). ESAIM: Probability and Statistics.
- Contributions to Bayesian machine learning via transport mapsG. Ríos (2020). Tesis doctoral, Universidad de Chile.
- A Practical Query Language for Graph DBsR. Angles, P. Barceló, G. Ríos (2013). AMW.
- Design and Implementation of a Query Language for Graph DatabasesG. Ríos (2013). Tesis de magíster, Universidad de Chile.
Red de trabajo
Cuando el proyecto pide más manos, no empiezo de cero.
El diagnóstico y el diseño del modelo los hago yo. Para la implementación y la activación comercial trabajo con dos consultoras asociadas.
Preguntas frecuentes
Lo que me preguntan siempre.
Nuestros datos son un desastre.
Es lo normal y es parte del trabajo: nunca he llegado a una empresa donde estuvieran ordenados. Lo que sí necesito es que existan. Si el proceso nunca se registró, lo detectamos en el diagnóstico antes de que gastes en un piloto.
Ya tenemos Power BI y un área de datos.
Perfecto, eso adelanta trabajo. Los dashboards y la predicción no compiten. Cuando ya hay equipo interno, muchas veces el encargo termina siendo habilitarlos a ellos en vez de reemplazarlos.
¿Y si el modelo se equivoca?
Se va a equivocar. La pregunta correcta es cuánto y con qué consecuencias. Por eso todo lo que entrego viene con su margen de error medido contra tu historia real. El modelo peligroso no es el que se equivoca, es el que no avisa cuándo no sabe.
¿Cuánto demora en verse el retorno?
El diagnóstico da una estimación en dos o tres semanas, antes de que comprometas el resto del presupuesto. El ahorro real empieza cuando el modelo está operando y alguien decide distinto gracias a él.
¿Cuánto cuesta?
Depende del alcance, y prefiero no cotizar sin entender el problema. El diagnóstico es acotado y de precio cerrado, para que evalúes el resto con información en la mano.
¿Trabajas con empresas fuera de Chile?
Sí. He trabajado en remoto con equipos y clientes en Latinoamérica y Estados Unidos durante años.
¿Haces esto solo o con equipo?
El diagnóstico y el diseño del modelo los hago yo. Para la implementación armo equipo según el proyecto, con Agencia Más Uno y OneLab cuando hace falta más capacidad.
Conversemos
Empecemos por el proceso que más te cueste
Cuéntame qué proceso te está costando dinero y te digo derechamente si creo que se puede predecir con lo que tienes. Si la respuesta es que no, también te la digo.