Análisis cuantitativo enfocado en evaluación de riesgo, optimización de rentabilidad y asignación eficiente de capital bajo incertidumbre.
Profesional con enfoque senior-consultivo, especializada en modelado predictivo y análisis financiero aplicado a negocios digitales y eCommerce.
Transformo información financiera, operativa y comercial en modelos cuantitativos e insights accionables que permiten evaluar riesgos, optimizar decisiones de inversión y fortalecer la sostenibilidad del crecimiento.
- Análisis exploratorio (EDA) orientado a identificación de riesgos y variables críticas.
- Modelado predictivo aplicado a escenarios de decisión financiera.
- Evaluación cuantitativa de rentabilidad y exposición al riesgo.
- Traducción de resultados técnicos en recomendaciones estratégicas para stakeholders.
- Lenguajes: Python, SQL
- Librerías: pandas, NumPy
- Visualización: Matplotlib, Seaborn
- Entorno: Jupyter Notebook
- Otros: Excel avanzado
Modelo cuantitativo para determinar la asignación óptima de capital bajo incertidumbre, utilizando regresión lineal y simulación bootstrap.
• Evaluación de beneficio esperado vs. probabilidad de pérdida
• Simulación de 1000 escenarios para estimación de riesgo
• Decisión basada en restricción de pérdida < 2.5%
Resultado: Selección de alternativa con mayor valor esperado bajo restricción explícita de pérdida máxima tolerada.
Objetivo: desarrollar y evaluar modelos de clasificación para predecir la probabilidad de abandono de clientes (churn), priorizando métricas robustas ante desequilibrio de clases.
Rol: Analista de datos
Herramientas: Python, Pandas, NumPy, Scikit-learn, Jupyter Notebook 🔗 Repositorio: https://github.com/vogostos-coder/churn-prediction-supervised-learning
El proyecto se enfocó en la preparación de datos, manejo de desbalance de clases y comparación de modelos de clasificación (Regresión Logística y Random Forest). Se evaluaron distintas estrategias como class_weight='balanced' y upsampling, optimizando el modelo con base en F1-score y AUC-ROC.
El modelo final alcanzó un F1 ≈ 0.61 y AUC-ROC ≈ 0.86 en el conjunto de prueba, demostrando adecuada capacidad de discriminación y estabilidad fuera de muestra.
(Proyecto Sprint 10 – TripleTen)
Objetivo: diseñar, entrenar y evaluar modelos de Machine Learningpara para estimar comportamiento futuro y evaluar escenarios financieros bajo distintos supuestos.
Rol: Analista de datos
Herramientas: Python, pandas, NumPy, scikit-learn, Jupyter Notebook 🔗 Repositorio: https://github.com/vogostos-codificador/Proyecto-Sprint-10-ML
El proyecto se centró en la comparación de modelos de regresión (regresión lineal, árbol de decisiones y bosque aleatorio), evaluados mediante RMSE y conjuntos de entrenamiento, validación y prueba, priorizando la estabilidad, la capacidad de generalización y el criterio analítico en la selección del modelo final.
Objetivo: apoyar la toma de decisiones mediante análisis, exploración y consulta de datos estructurados.
Rol: Analista de datos
Herramientas: Python, SQL, pandas, NumPy, Jupyter Notebook
🔗 Repositorio: https://github.com/vogostos-codificador/Proyecto-Sprint-8
El proyecto se enfocó en el uso de técnicas de exploración, transformación y consulta de datos para resolver problemáticas operativas mediante análisis estructurado y consultas SQL orientadas a eficiencia y rentabilidad.
Objetivo: identificar patrones y riesgos relevantes para la toma de decisiones.
Rol: Data Analyst
Herramientas: Python, pandas, NumPy, Matplotlib, Seaborn
🔗 Repositorio: https://github.com/vogostos-coder/Proyecto-Sprint-7
El proyecto se enfocó en la limpieza, exploración y visualización de datos para identificar patrones relevantes y riesgos potenciales que afectan decisiones operativas y financieras.
- Defino el problema desde la perspectiva del negocio.
- Analizo los datos priorizando impacto y riesgo.
- Comunico resultados de forma clara para toma de decisiones.
- LinkedIn: https://www.linkedin.com/in/veronica-ostos/
- Email: vogostos@gmail.com