No cambié de carrera. Le puse precio a lo que ya hacía.

Entré a la tesorería de SLB como practicante en enero de 2024. El trabajo era conciliar, reportar, cerrar. Y como en todo equipo de finanzas, el reporte que alguien necesitaba de verdad nunca era el que el sistema sabía dar.

El primero fue el descalce cambiario de los mercados latinoamericanos. No existía una vista que lo mostrara, así que la construí en Python. No fue una decisión de carrera: fue que la pregunta era buena y la herramienta que había no la respondía.

Después vino la conciliación bancaria automatizada en SAP. Esa devolvió unas diez horas al mes a cada analista de tesorería — cerca de sesenta al mes en todo el equipo. Es la cifra que mejor explica por qué seguí: nadie me pidió que automatizara nada. Lo hice porque el trabajo manual era la parte aburrida de una pregunta interesante.

De practicante a especialista de facturación para Argentina y Brasil en veintiséis meses. Entre medias, reconocimiento de ingresos en SAP bajo Sarbanes-Oxley y auditorías internas sobre proyectos de tecnología. Ahí aprendí algo que no estaba en el temario: un número que no se puede auditar no vale nada, por bueno que sea. Esa frase reaparece al final de esta página, y no por casualidad.

En Neoris/EPAM el alcance creció: sistemas de gestión financiera para el cierre y el forecast de gastos SG&A en más de quince países, entre América y el hemisferio oriental — India, Hungría, España, República Checa. Cierre mensual, confirmación del forecast a nivel compañía, variaciones contra plan y contra forecast anterior, seguimiento de la variación cambiaria en moneda constante.

Y otra vez lo mismo: Excel avanzado, Power Query, Power BI, MicroStrategy, JD Edwards, SAP — y debajo, código, porque la pieza que faltaba siempre era el dato, no la presentación.

Ahí dejé de verlo como una serie de casualidades. En cada rol de finanzas terminé construyendo la misma cosa. La ventaja no es saber Python; mucha gente sabe Python. La ventaja es saber qué pregunta vale la pena responder antes de escribir la primera línea.

La maestría en Economía en la Javeriana fue el sitio donde ese patrón dejó de ser un hábito y pasó a ser un método. La tesis pregunta si la inclusión financiera explica el crecimiento regional en Colombia.

Para responderla hacía falta un dato que tampoco existía: junté diecinueve fuentes públicas en un warehouse dimensional con dbt y DuckDB, construí un índice de inclusión por dimensiones y levanté un atlas de los 1.123 municipios del país.

Y entonces el resultado no salió.

Al añadir efectos de tiempo, el coeficiente se cae a cero. La especificación ingenua —solo efectos de entidad— publica un +0,0242 con p < 0,001 que no significa nada: lo que recoge es que todo el país subió a la vez.

Esa deriva común es el hallazgo, no el ruido. Publiqué el nulo: está en la página, con los dos mapas en la misma escala para que se vea por qué. Un resultado nulo bien medido dice más sobre cómo trabajo que un coeficiente bonito, y el que lo lee sabe distinguirlos.

La tesis me dejó una pregunta incómoda: sabía hacer el análisis, pero la infraestructura la había armado a mano cada vez. Así que construí una de verdad.

market-data-medallion es un warehouse en PostgreSQL con arquitectura medallion, transformaciones en dbt, ochenta y nueve pruebas automáticas de calidad y un cron diario que trae cuarenta y ocho activos —cripto, ETFs, acciones de EE. UU., ADR latinoamericanos y divisas— sin que yo toque nada. Lleva un modelo semántico de Power BI encima.

Y un backtester honesto. Cinco estrategias técnicas clásicas y todas sus combinaciones: 1.392 variantes evaluadas con comisiones, slippage y sin look-ahead. Entraron más de mil trescientas. Sobrevivieron menos de cincuenta a la validación fuera de muestra.

Ese número es el producto. La mayoría de las estrategias ganadoras eran ilusiones del backtest, y la manera de demostrarlo fue partir cada serie en 70% de entrenamiento y 30% que el modelo nunca vio. Sin esa ventana ciega, elegir la mejor de 1.392 variantes no es análisis: es dragado de datos con buena presentación.

El proyecto más reciente es un sistema de decisión crediticia sobre 1,96 millones de préstamos SBA y 93,4 millones de solicitudes HMDA, datos públicos de Estados Unidos.

La primera medición dio AUC 0,9461.

Eso no es un modelo de crédito. Es una fuga. «TermInMonths» se sobrescribe cuando un préstamo se liquida, así que el campo llevaba dentro el resultado que yo decía estar prediciendo. Quitarlo derrumba la ablación a 0,6621.

El modelo en producción está en 0,7005: +0,0311 sobre una scorecard WoE interpretable, con error de calibración de 0,0107. Son cifras mucho menos vistosas que 0,9461 y son las únicas que se sostienen.

El sistema tiene diez gates de promoción y uno de ellos está diseñado para bloquear mi propio modelo cuando no cumple. Eso es lo que quería construir: no un modelo que gane, sino uno que sobreviva a una auditoría — la misma idea que me encontré en las auditorías internas de SLB, cuatro años antes, desde el otro lado de la mesa.

Hay un hilo que atraviesa las tres cosas y es más importante que cualquiera de ellas: publico lo que falla.

El resultado nulo de la tesis está publicado. La fuga del 0,9461 está escrita en el README con el número exacto. De 1.392 estrategias, el titular es cuántas murieron. Y este mismo sitio lleva una bitácora con treinta y cinco fallos numerados, cada uno con su causa raíz y su corrección — incluidos los que rompí esta semana.

No es humildad de escaparate. Es que un portafolio donde todo salió bien no se puede verificar, y uno donde los errores están fechados sí. Cada cifra de este sitio enlaza al artefacto que la produce: el repositorio, el commit, el pipeline. Si algo no se puede comprobar, no está publicado.

Busco un rol remoto donde el criterio financiero y la ingeniería de datos se paguen como una sola capacidad, no como dos mitades. Finance Data Analyst, Financial BI Analyst, Analytics Engineer — los tres nombres que las vacantes le dan al mismo puesto.

Bogotá, GMT-5, solapamiento completo con horario de Estados Unidos. La evidencia está a un clic: el código es público, las cifras enlazan a su fuente, y los fallos también.