Daniel Cuesta

Responsable de la previsión de demanda por tienda que alimenta el reaprovisionamiento de 140 tiendas y unas 30.000 referencias.

• Sustituí un pipeline estadístico heredado por un modelo jerárquico de gradient boosting, mejorando el WAPE por referencia del 34% al 24%.
• Las mejoras de previsión redujeron un 18% la merma de frescos y un 11% las roturas de stock, con un valor estimado de 6 M€ al año.
• Construí la monitorización de deriva y el backtesting automatizado; las degradaciones silenciosas del modelo se detectan en horas en lugar de semanas.
• Dirijo la revisión trimestral de previsión con la dirección de cadena de suministro, traduciendo el comportamiento del modelo en decisiones de compra.

Previsión a corto plazo de carga y renovables para una comercializadora que equilibraba una cartera de 400 MW.

• Mejoré el MAPE de la previsión de carga del día siguiente del 4,1% al 2,9%, reduciendo los costes de balance en torno a 1,2 M€ al año.
• Construí un modelo probabilístico de producción solar utilizado por la mesa de trading para dimensionar posiciones intradía.
• Introduje patrones de feature store que redujeron el tiempo de iteración de nuevos modelos de semanas a días.

Analítica de clientes y surtido para clientes del sector retail.

• Construí un modelo de puntuación de fuga para un cliente de telecomunicaciones que multiplicó por 2,3 la conversión de las campañas de retención frente a la selección aleatoria.
• Automaticé el paquete semanal de informes a clientes, liberando aproximadamente un día de analista por semana.

Biblioteca en Python que implementa reconciliación MinT y bottom-up con una API compatible con scikit-learn.

• Más de 700 estrellas en GitHub; usada en al menos cuatro sistemas de previsión de retail en producción según informan los usuarios.
• La batería de benchmarks reproduce resultados publicados de reconciliación en tres conjuntos de datos públicos.

Taller práctico vespertino sobre previsión en producción, impartido dos veces al año en una comunidad local de datos.

• He formado a más de 90 profesionales en cuatro ediciones, con una valoración media de 4,8/5.
• Todos los materiales son abiertos, incluido un conjunto de datos sintético y realista de supermercado.