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.

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.

---

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.