> For the complete documentation index, see [llms.txt](https://docs.gaiodataos.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.gaiodataos.com/gaio-dataos-spanish/herramientas/tareas/analisis/scoring.md).
# Scoring
La tarea **Scoring** depende directamente de **AutoML**. Para utilizarla, debes haber creado previamente al menos un modelo usando AutoML. Scoring permite aplicar un modelo ya entrenado a un nuevo conjunto de datos.
#### Ejemplo Práctico
Una empresa necesita cobrar a sus clientes.
1. Primero, construyó un modelo predictivo con **AutoML** usando su historial de facturación (clientes que pagaron y no pagaron).
2. Ahora recibe una nueva cartera de clientes al inicio del mes.
3. Quiere aplicar el modelo entrenado para:
* Predecir quién pagará.
* Predecir quién no pagará.
* Obtener la probabilidad asociada a cada cliente (0 a 1 o 0% a 100%).
***
## Cómo Usar Scoring
### 1. Acceder a la Tarea Scoring
En el menú lateral izquierdo: **Analytics → Scoring**
***
### 2. Configurar los Parámetros
Completa los siguientes campos:
* **Task label (opcional):** Nombre interno de la tarea (ejemplo: `scoring`).
* **Result table:** Nombre de la tabla de salida donde se guardarán los resultados.
* **Source table:** La tabla debe estar conectada previamente en el flujo.
{% hint style="info" %}
La tabla que contiene la cartera de clientes para la facturación debe tener exactamente las mismas columnas que las de la tabla utilizada para crear el modelo con AutoML. La única columna que no tendrá es la variable de respuesta, que en la práctica es lo que queremos saber ahora (qué cliente pagará o no). Por lo tanto, en AutoML es importante utilizar solo variables que tendremos más adelante para aplicar **la puntuación.** Si las columnas no coinciden, se devolverá un error.
{% endhint %}
***
### 3. Seleccionar el Modelo Entrenado
Debajo de la configuración aparecerá la lista de modelos disponibles. Selecciona el modelo deseado (ejemplo: `auto_ML`).
***
### 4. Guardar y Ejecutar
Haz clic en **Save** en la esquina superior derecha. El modelo será aplicado y se generará la tabla de resultados.
***
## Resultado (Output)
La tabla generada incluirá:
* Todas las columnas originales de la tabla fuente.
* Nuevas columnas con:
* Clasificación predicha.
* Probabilidades o métricas de confianza (según el tipo de modelo).
**Ejemplo:**
Si la variable objetivo era categórica con dos valores:
* `no`
* `yes`
1. Previsión con dos valores posibles para cada cliente.
2. Probabilidad de **no**.
3. Probabilidad de **sí**.
4. A partir de esa columna cod\_cliente, todas las columnas de la tabla de origen se repiten y están disponibles para cualquier análisis en el proceso de Gaio.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:
```
GET https://docs.gaiodataos.com/gaio-dataos-spanish/herramientas/tareas/analisis/scoring.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.