Modelar el riesgo antes
de que la marea decida.
Un patrón frecuente en cooperación y ONGs ambientales: priorizar tramos de costa para intervenciones de mitigación con presupuesto limitado. Así abordaríamos el problema — con un modelo predictivo y métricas que se pueden auditar.
Demasiada costa. Demasiado poco presupuesto.
El patrón clásico: una organización tiene recursos para intervenir solo una fracción de la costa con obras de mitigación frente a inundación. Y la decisión de qué tramos priorizar se ha venido tomando con base en informes cualitativos, recorridos de campo y juicio experto — sin una métrica reproducible que cualquier auditor pueda revisar.
Los donantes serios exigen justificación cuantitativa para cada priorización, especialmente porque las intervenciones costeras tienen consecuencias políticas inmediatas: el barrio elegido recibe; los excluidos protestan.
Lo que se necesita: un modelo que (1) integre variables observables y verificables, (2) produzca una salida defendible con métricas reportadas, y (3) sea mantenible por el equipo técnico del cliente después del contrato.
Hex grid + variables satelitales + modelo predictivo.
El patrón que aplicaríamos: discretizar la costa en una grilla hexagonal y enriquecer cada celda con tres familias de variables observables.
Variables satelitales: costa, terreno, exposición.
Variables censales (DANE): población expuesta, indicadores
de vulnerabilidad social, calidad de vivienda.
Variables hídricas: distancia al mar, cota actual, registros
históricos de inundación documentados.
Entrenamos varios modelos ML en paralelo, comparamos AUC e interpretabilidad con SHAP, y elegimos el que mejor balancea precisión y trazabilidad.
El modelo identifica y predice la morfología de riesgo.
Un modelo predictivo. Datos abiertos. Código heredable.
Al cierre, el cliente recibe: un mapa de riesgo georreferenciado con las celdas hexagonales clasificadas, el modelo entrenado con métricas reportadas (AUC, validación con eventos históricos cuando existen), el dataset abierto bajo licencia liberal cuando los datos lo permiten, y los notebooks que cualquier analista puede correr.
El reporte público explicita: qué variables se usaron, cómo se entrenó, qué modelo se eligió y por qué, qué no predice el modelo.
Y el equipo técnico del cliente puede reentrenar el modelo cuando lleguen datos nuevos — sin pedirnos permiso.
Un modelo de riesgo describe la morfología del problema, no predice eventos. Esa distinción no es semántica — es la diferencia entre una herramienta defendible y una promesa imposible de cumplir.Aclaración metodológica · forma parte de cualquier entrega
Datos públicos, herramientas abiertas.
Toda la pipeline corre con datos públicos y herramientas de código abierto. El equipo del cliente hereda el repositorio, el dataset y los notebooks.
¿Modelos predictivos para decisiones políticamente sensibles?
Cuéntanos el problema y los datos que tienes disponibles. Respondemos con preguntas, no con propuesta cerrada.