Consultor de Datos e IA con perfil financiero · Madrid
Data & AI Consultant with a finance background · Madrid
Convierto datos financieros y operativos en decisiones: desde validar que los datos son fiables hasta modelar el riesgo, optimizar con restricciones reales y poner el resultado en un panel que un directivo pueda usar. Vengo de finanzas corporativas, farmacéutica y consumo, y he automatizado facturación, inventario, compras y reporte financiero para pequeños negocios de restauración y comercio.
Los cinco primeros usan datos sintéticos con semilla fija, son reproducibles y tienen demo en línea. Todos tienen tests automáticos en CI y un README que cuenta también lo que no funcionó.
| Proyecto | Pregunta de negocio | Qué muestra |
|---|---|---|
| Headroom · demo | ¿A quién dar crédito, cuánto, y qué pasa con la cartera en una recesión? | Probabilidad de impago (XGBoost + SHAP), pérdida esperada, optimización de límites con OR-Tools: 17.205 de 38.879 clientes financiados con 8,19 M€/año de beneficio, 7,77 % mejor que una heurística voraz. Estrés, VaR por Monte Carlo y monitorización de deriva. |
| Breach Point · demo | ¿Puedo fiarme de estos datos financieros y quedarme por encima de mi liquidez mínima? | Motor de calidad de datos con cuarentena, estados financieros conciliados (108/108), previsión, riesgo de liquidez por Monte Carlo y optimización de tesorería: riesgo CRÍTICO → BAJO por unos 50.000 €. |
| Customer Profitability Engine · demo | ¿De dónde viene el valor de cada cliente y a quién dirijo un presupuesto limitado de acciones? | Rentabilidad por cliente con precios de transferencia de fondos, econometría, CLV, segmentación económica y optimización exacta (CP-SAT): 1,38 M€ de beneficio incremental bajo restricciones de presupuesto, capacidad y riesgo. |
| Where Do We Lose? · demo | ¿Qué etapa de un proceso de solicitud de préstamos causa los retrasos y cómo reasignar personal? | Minería de procesos, predicción de incumplimiento de SLA (ROC-AUC 0,77) con SHAP, y reasignación de plantilla: incumplimientos del 22,2 % al 19,0 % con un 3,3 % más de personal. |
| Prime Cost · demo | ¿Dónde gana y dónde pierde dinero un restaurante pequeño, y qué cambiar primero? | Wine bar sintético en Madrid: rentabilidad por plato, canal y hora; el coste de producto real fue un 16 % mayor que el teórico (el equipo solo registró la mitad); ingeniería de menú; previsión de clientes con un 30 % menos de error que el promedio semanal; turnos (−15 % de coste) y compras (−28 k€/año) optimizados y probados sobre las últimas semanas. |
| Business Consulting App | ¿Cómo hacer que una IA diagnostique un negocio sin inventarse las cifras? | App nativa de macOS con LLM local por defecto. Cada conclusión es un hallazgo tipado (hecho, cálculo, inferencia, hipótesis) con cita a un documento real, y la aritmética la hace un motor determinista, no el modelo. |
| GBIF España: ¿dónde aparecerá una especie? | ¿Pueden los avistamientos públicos predecir dónde se observará una especie el año siguiente? | Datos reales de biodiversidad (GBIF, España 2010-2025). Muestra que los datos de ocurrencias no miden movimiento y construye un modelo base con validación temporal que apenas supera al azar; documenta por qué y qué falta (variables ambientales, esfuerzo de observación). |
- Primero la fiabilidad de los datos, después el modelo. Cada proyecto documenta sus fallos reales y cómo se corrigieron.
- Los números de cada README salen de una ejecución real, no están escritos a mano.
- Decisiones, no solo predicciones: los modelos terminan en una optimización con restricciones de negocio.
Python · SQL · pandas · scikit-learn · XGBoost · SHAP · statsmodels · OR-Tools · Streamlit · Plotly · FastAPI · LLM locales (Ollama) y APIs · GitHub Actions Finanzas: OneStream · Hyperion · SAP
I turn financial and operational data into decisions: from checking that the data can be trusted, to modelling risk, optimising under real constraints, and putting the result in a dashboard an executive can use. My background is corporate finance, pharma and consumer goods, and I have automated billing, inventory, purchasing and financial reporting for small restaurants and shops.
The first five use synthetic, seeded and reproducible data and have a live demo. All have automated tests in CI and a README that also covers what did not work.
| Project | Business question | What it shows |
|---|---|---|
| Headroom · demo | Who should get credit, how much, and what happens to the book in a recession? | Probability of default (XGBoost + SHAP), expected loss, credit-limit optimisation with OR-Tools: 17,205 of 38,879 customers funded for €8.19M/year profit, 7.77% better than a greedy heuristic. Stress tests, Monte Carlo VaR and drift monitoring. |
| Breach Point · demo | Can I trust this financial data, and stay above my minimum liquidity? | Data-quality engine with quarantine, reconciled financial statements (108/108), forecasting, Monte Carlo liquidity risk and cash-management optimisation: risk CRITICAL → LOW for about €50,000. |
| Customer Profitability Engine · demo | Where does each customer's value come from, and who gets a limited budget of actions? | Customer-level profitability with funds transfer pricing, econometrics, CLV, economic segmentation and exact optimisation (CP-SAT): €1.38M incremental profit under budget, capacity and risk constraints. |
| Where Do We Lose? · demo | Which stage of a loan-application process causes delays, and how should staff be reallocated? | Process mining, SLA-breach prediction (ROC-AUC 0.77) with SHAP, and headcount reallocation: breaches from 22.2% to 19.0% with 3.3% more staff. |
| Prime Cost · demo | Where does a small restaurant make and lose money, and what should change first? | Synthetic Madrid wine bar: profitability by dish, channel and hour; actual product cost was 16% above theoretical (the team logged only half); menu engineering; a demand forecast with 30% less error than the weekday average; shifts (-15% cost) and purchasing (about €28k a year) optimized and tested on the last weeks. |
| Business Consulting App | How do you get an AI to diagnose a business without inventing the numbers? | Native macOS app with a local LLM by default. Every conclusion is a typed finding (fact, calculation, inference, hypothesis) citing a real document, and arithmetic is done by a deterministic engine, not the model. |
| GBIF Spain: where will a species show up? | Can public sightings predict where a species will be observed next year? | Real biodiversity data (GBIF, Spain 2010-2025). Shows that occurrence data does not measure movement and builds a time-validated baseline that barely beats chance; documents why and what is missing (environmental variables, observation effort). |
- Data reliability first, then the model. Each project documents its real failures and how they were fixed.
- Every number in a README comes from an actual run, not typed by hand.
- Decisions, not just predictions: models end in an optimisation with business constraints.
Python · SQL · pandas · scikit-learn · XGBoost · SHAP · statsmodels · OR-Tools · Streamlit · Plotly · FastAPI · local LLMs (Ollama) and APIs · GitHub Actions Finance: OneStream · Hyperion · SAP