Francisco Javier Rosales Montes

×

SIMOJAL - EVALUACIÓN DE INDICADORES MEDICOS Y DE PROCESOS EN LA ATENCIÓN MÉDICA

Situación:

Antes de SIMOJAL no existía una forma dinámica ni estandarizada de presentar los indicadores médicos a los jefes de prestaciones, coordinadores y directivos. Las unidades médicas carecían de conocimientos técnicos para elaborar indicadores por sí mismas y los reportes de productividad se generaban manualmente, unidad por unidad, lo que provocaba retrasos y dificultaba la toma de decisiones oportunas.

Tarea:

Diseñar un sistema desde cero que centralizara la información, generara indicadores por unidad médica y proporcionara un método de evaluación basado en el MMIM 2025. Además, debía coordinar con el área directiva para identificar los reportes más relevantes y asegurar que la herramienta atendiera tanto las necesidades de gestión como de supervisión.

Acciones:

Desarrollé el sitio web utilizando PHP, JavaScript, AJAX, SQL, CSS y HTML, integrando tableros dinámicos y visualizaciones interactivas.

Optimicé consultas SQL para garantizar rapidez en la extracción de información y escalabilidad con nuevos indicadores. Implementé tableros de productividad, mapas de geolocalización, pirámides poblacionales, gráficas comparativas entre unidades médicas y módulos de rendición de cuentas estatales y locales.





Diseñé la herramienta para que fuera adaptable en el tiempo y se acoplara a nuevas referencias de indicadores solicitadas por el área directiva.

Resultados:

El tiempo de generación de reportes de productividad se redujo de días a segundos, lo que permitió contar con información mensual lista para la toma de decisiones. Se fortaleció el seguimiento y la evaluación de los indicadores médicos, reduciendo significativamente los tiempos de respuesta en los procesos de supervisión. La plataforma fue adoptada extraoficialmente como herramienta de apoyo institucional, utilizada por más de 130 unidades médicas, la JSPM y áreas externas. El sistema se mantiene en crecimiento, incorporando nuevos tableros y gráficos de acuerdo con las necesidades estratégicas de los directivos.

×

Exploración de Datos y Comportamiento

Megaline EDA – Exploratory Data Analysis de planes de prepago

Situación:

La empresa de telecomunicaciones Megaline ofrece dos planes de prepago principales: Surf y Ultimate. El área comercial necesitaba identificar cuál de los dos generaba mayores ingresos con el fin de optimizar el presupuesto publicitario. Hasta el momento no existía un análisis profundo del comportamiento de los clientes ni evidencia estadística que respaldara decisiones estratégicas.

Tarea:

Mi responsabilidad fue realizar un análisis exploratorio de datos (EDA) utilizando la información de 500 clientes. El objetivo era identificar patrones de consumo, calcular ingresos por cliente y plan, y validar mediante pruebas estadísticas si existían diferencias significativas entre los ingresos promedio de cada plan y por regiones.

Acciones:

Preparación de datos: cargué y depuré cinco tablas (usuarios, llamadas, mensajes, internet y tarifas), corrigiendo valores ausentes, inconsistencias y tipos de datos. Análisis exploratorio: realicé análisis descriptivos de duración de llamadas, mensajes enviados, uso de internet y facturación mensual por cliente. Visualizaciones: utilicé gráficos y distribuciones para mostrar diferencias de consumo entre clientes de los planes Surf y Ultimate. Pruebas de hipótesis: apliqué pruebas estadísticas (t-test) para comparar los ingresos promedio de ambos planes y entre clientes de diferentes regiones, validando o rechazando la hipótesis nula. Documentación: estructuré el análisis con comentarios explicativos y justificación de cada paso metodológico para asegurar reproducibilidad y transparencia.

Resultados:

Se encontró evidencia estadística significativa de que uno de los planes genera mayores ingresos promedio que el otro. El análisis permitió identificar patrones de consumo distintos: algunos clientes dependen más de llamadas, mientras que otros tienen mayor peso en internet móvil. Se entregó un reporte que facilitó al área comercial redirigir el presupuesto publicitario hacia el plan más rentable y comprender mejor el perfil de sus clientes. El proyecto consolidó el uso de EDA y pruebas de hipótesis como herramienta de apoyo para la toma de decisiones estratégicas en la empresa.

×

Modelo de Predicción de Demanda Taxis

SweetLift Series – Predicción de demanda de taxis

Situación:

La empresa Sweet Lift Taxi debía mejorar la asignación de conductores durante las horas pico en aeropuertos. Sin una predicción confiable de la demanda de taxis por hora, la compañía enfrentaba problemas de saturación en ciertos horarios y escasez en otros, afectando la satisfacción de los clientes.

Tarea:

Desarrollar un modelo predictivo de series temporales que, usando datos históricos, pudiera estimar la cantidad de pedidos de taxis en la próxima hora con un error (RMSE) no mayor a 48.

Acciones:

Preparación de datos: ajusté el dataset (26,496 registros cada 10 minutos) realizando remuestreo por hora y por día para facilitar el análisis temporal. Análisis exploratorio: identifiqué patrones de tendencia y estacionalidad en la demanda, diferenciando entre días y franjas horarias. Modelado: entrené múltiples algoritmos de predicción de series temporales, probando diferentes hiperparámetros para optimizar la precisión. Evaluación: apliqué RMSE como métrica principal, usando un 10% del dataset para pruebas. Se documentó el desempeño y se compararon resultados entre modelos.

Resultados:

Se desarrolló un modelo que cumplió con el criterio de calidad (RMSE < 48 en el set de prueba). El análisis permitió comprender mejor los picos de demanda y su recurrencia, facilitando la planeación operativa. La empresa puede ahora anticipar la cantidad de taxis necesarios en horas pico, lo que mejora tanto la eficiencia de la flota como la experiencia del cliente.

×

IA Machine Learning y predicción

Sure Tomorrow – Machine Learning aplicado a seguros

Situación:

La aseguradora Sure Tomorrow necesitaba aprovechar el machine learning para mejorar su capacidad de marketing y predicción. Sus objetivos eran identificar clientes similares para segmentación, predecir la probabilidad y cantidad de prestaciones de seguros, y a la vez garantizar la protección de datos sensibles en caso de fuga de información.

Tarea:

Diseñar e implementar modelos de machine learning que resolvieran estas tareas de negocio, asegurando que las predicciones fueran confiables y que los datos estuvieran protegidos. Era fundamental comprobar que el enmascaramiento de datos no redujera la calidad de los modelos.

Acciones:

Preprocesamiento y escalado de variables: normalicé variables como income para evitar que dominaran en algoritmos sensibles a la escala como kNN. Modelado predictivo: entrené modelos de clasificación y regresión (kNN, regresión logística, regresión lineal) para predecir probabilidad y número de prestaciones. Balanceo de clases: apliqué upsampling y downsampling para manejar el desbalance de clientes que reciben prestaciones frente a los que no. Evaluación de desempeño: usé métricas como F1 para clasificación y RMSE/R² para regresión (obteniendo RMSE: 0.34 y R²: 0.66). Protección de datos: implementé un algoritmo de enmascaramiento basado en multiplicación de matrices para ofuscar datos personales, validando que el rendimiento del modelo se mantuviera constante.

Resultados:

Se crearon grupos de clientes similares útiles para campañas de marketing personalizadas. Se logró predecir con buena precisión la cantidad de prestaciones de seguro mediante regresión lineal. El modelo de clasificación mejoró respecto al modelo dummy, demostrando valor en la predicción de probabilidad de prestaciones. El algoritmo de enmascaramiento permitió cumplir con requerimientos de seguridad de datos, manteniendo la calidad de los modelos. La aseguradora cuenta ahora con un pipeline de ML completo que combina análisis predictivo y protección de datos, alineado a sus necesidades estratégicas.