Sube tu Excel y predice el coste, el plazo o el riesgo de un proyecto nuevo. Con su margen de error, y sin que tus datos salgan de tu red.
Se configura una vez con tu histórico real. Después, predecir un caso nuevo lleva segundos.
Un Excel plano con tus datos de cotización, producción, calidad o mantenimiento. Nunca sale de tu red.
Marcas la columna objetivo — coste, tiempo, riesgo de rechazo — y el sistema entrena y compara varios modelos.
Cada resultado llega con su margen de error, su nivel de confianza y los casos históricos que lo respaldan.
Esto es una salida real sobre un histórico de 251 ofertas. El modelo no se limita a decir un importe: reparte la probabilidad entre los rangos posibles y señala el más probable, con cuánta confianza tiene y cuántos casos parecidos lo respaldan.
El «acierto 72,5 %» de la esquina es su nota honesta en validación cruzada: de cada 100 ofertas, acierta el rango en 72. Está a la vista desde el primer momento, no escondido en un anexo.
Cuando el histórico da para afinar más, el mismo motor devuelve el importe exacto con su margen. Y cuando no da, lo dice.
Modelos entrenados sobre tu histórico, con su validación, su versión y su nombre. Y un panel para lanzar predicciones nuevas al momento.
Regresión regularizada (Ridge, Lasso, ElasticNet) y gradient boosting compiten sobre tus datos con validación cruzada. Gana el que mejor se porta con tu histórico, no el que está de moda.
Con datasets pequeños los modelos regularizados suelen ganar; con más volumen, el boosting. No hay que elegir a ciegas: la tabla lo decide con evidencia.
Cero exposición de datos: puedes verificarlo tú mismo — el código de ingesta y entrenamiento se despliega en tu propia red, sin llamadas a servidores externos. No hay backup en la nube que gestionar ni contrato de tratamiento de datos que firmar.
El motor no se ha validado con datos de juguete, sino con el histórico real de cotización de líneas de soldadura industrial: 266 peticiones de oferta, con toda su suciedad y sus huecos.
Para cotizar una línea nueva: buscar a mano un proyecto parecido en el histórico de Excel, ajustar a ojo según la experiencia del responsable técnico, y esperar a que tuviera hueco en su semana.
Introduces los parámetros de la línea nueva y recibes su rango con el nivel de confianza, los casos históricos comparables y el margen de error del modelo — sin depender de que una persona concreta esté disponible.
Con pocos datos, prometer un importe al euro es vender humo. KassandrAI mide su propia incertidumbre: si el dato no da para un número, clasifica el caso en un rango y te enseña cuánto acierta.
| real / pred | bajo | medio | alto |
|---|---|---|---|
| bajo | 64 | 17 | 1 |
| medio | 11 | 57 | 16 |
| alto | 5 | 19 | 61 |
La diagonal verde son los aciertos: 182 de 251. Pero lo importante está fuera de ella. Casi todos los fallos caen en el rango vecino — confundir «medio» con «alto» cuesta poco en una oferta.
El error grave, confundir bajo con alto, ocurre solo 6 veces de 251 — un 2,4 %. Ese es el número que de verdad importa para no cotizar barato algo carísimo, y es el que te enseñamos.
Ningún proveedor te enseña su matriz de confusión. Nosotros la ponemos en portada.
El error más caro de la analítica industrial: alimentar el modelo con una columna que en realidad es un resultado del proyecto y no un dato de partida. El modelo saca un R² espectacular… y falla en cuanto llega una oferta nueva de verdad.
KassandrAI detecta esas variables, las marca como output y las excluye de las candidatas. Y si una variable correlaciona sospechosamente con lo que quieres predecir, te lo dice antes de entrenar.
Preferimos enseñarte un 72 % honesto que un 95 % que no vas a poder reproducir.
El don de Casandra nunca falló — fue siempre exacto. Lo que faltó fue una razón para confiar en él. No pedimos fe. Enseñamos el porqué: el histórico, el margen de error, los casos comparables.
La privacidad no es una promesa de marketing — es algo verificable en el propio código.
El pipeline de ingesta y entrenamiento se instala en tu equipo. Puedes revisar exactamente qué hace, línea a línea.
Ninguna librería del núcleo predictivo se conecta a internet durante el entrenamiento ni la predicción.
No recogemos uso, métricas ni fragmentos de tus datos para «mejorar el producto». Lo que entrenas, se queda contigo.
No compites contra otro software. Compites contra el Excel y la experiencia de una persona, que no siempre está disponible.
El primer despliegue se cobra como proyecto cerrado — así validamos que el modelo funciona sobre tu dato real antes de cualquier compromiso continuo.
Te lo diremos, y esa es la parte importante. Si tu histórico no da para predecir un importe exacto, el sistema lo detecta y cambia a predicción por rangos, que sí es fiable y sí es accionable. Un margen honesto del 50 % es más útil que un 5 % inventado que te hará perder dinero en la primera oferta real.
No. Para empezar basta un PC de oficina normal. Si más adelante quieres que varias personas accedan a la vez, se despliega en un servidor local sencillo — pero nunca en la nube de un tercero.
Es el escenario habitual en pymes, y para el que está pensado el sistema: usamos modelos robustos a datasets pequeños (regresión regularizada) en vez de los que necesitan miles de casos. Y validación cruzada en vez de un único corte, que con pocos datos es una cifra poco fiable.
Sí. El piloto es precisamente eso: un proyecto acotado de 3-4 semanas sobre tu propio histórico, sin permanencia posterior. Si el modelo no da un margen de error aceptable, no sigues.
Se procesan en tu equipo o en un entorno acordado contigo, nunca en un servidor nuestro compartido con otros clientes. Al terminar el piloto, el modelo y los datos se quedan donde tú decidas.
No — el mismo pipeline predice cualquier variable que definas como objetivo: tiempo de ciclo, riesgo de rechazo, vida útil de un molde. Cotización suele ser el primer caso porque es el más fácil de justificar económicamente.
15 minutos para ver cómo quedaría con tu propio histórico.