Predicción de cobros (Datathon 2025)

Aplicación web que toma un archivo CSV de operaciones de cobro por domiciliación de Credifiel y devuelve predicciones por operación. Estima el ahorro y la ganancia, y recomienda la emisora con mejor resultado. Fue un proyecto en equipo para el Datathon 2025, pensado para ayudar a decidir dónde concentrar la cobranza.

Autor: Hermann Pauwells Rivera, trabajo en equipo.

Características

• Carga de un CSV con las columnas montoCobrar, montoCobrado, montoExigible, diaCobro y horaCobro.
• Red neuronal de regresión para estimar ahorro y ganancia.
• Red neuronal de clasificación para recomendar la mejor emisora, con probabilidades.
• Resultados por operación en una tabla, con un resumen general.
• API REST en Flask con el endpoint POST /predict.

Tecnologías

• Backend: Flask, Flask-CORS, pandas, TensorFlow, scikit-learn, joblib y NumPy.
• Frontend: React 19, TypeScript y Vite.

Cómo funciona

flowchart LR
  CSV[CSV de cobros] --> FE[React + Vite]
  FE -->|POST /predict| API[API Flask]
  API --> S[Escalador]
  S --> R[Regresión: ahorro y ganancia]
  S --> C[Clasificación: mejor emisora]
  R --> OUT[JSON por operación y resumen]
  C --> OUT

Loading

Cómo correrlo

Backend:

cd backend
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
python app.py

En Windows se activa con .venv\Scripts\activate. El backend corre en el puerto 5000.

Frontend, en otra terminal:

cd frontend
npm install
npm run dev

También hay scripts para Windows: setup.bat, start_full_app.bat y run_server.bat.

Datos y modelos

Los modelos entrenados (.h5 y .pkl) y el dataset real no se incluyen en el repositorio por confidencialidad. El archivo backend/datos_ejemplo.csv trae 10 filas sintéticas con el formato esperado. Sin los modelos, la API responde que no están cargados.

Estado y licencia

Prototipo hecho para el Datathon 2025, probado a mano con datos de ejemplo y sin pruebas automatizadas. No tiene licencia declarada y el código se publica como portafolio.