Experiencia.

Liderazgo en IA.

Aplico la IA a decisiones que determinan los ingresos, los costos operativos y la asignación de capital. Mi trabajo abarca modelos predictivos, IA generativa y flujos de trabajo con agentes en operaciones industriales, mercados digitales y sectores regulados.

En los ocho programas que se detallan a continuación, generé un valor medio de $11.43 por cada $1 invertido en IA o tecnologías relacionadas con IA.

El trabajo abarca previsión de la demanda, clasificación de documentos, emparejamiento semántico, optimización, sistemas de transmisión y evaluación de agentes.

01Manufactura globalUtilización de equipos, demanda de productos y asignación de capital.

Apliqué aprendizaje automático a la utilización de equipos, la planificación de encendido/apagado y los cambios de SKU.
Pronostiqué la demanda de SKUs establecidos y utilicé señales de productos comparables y atributos de productos para informar la planificación de nuevos SKUs.
Convertí las estimaciones de demanda y capacidad en programas de producción factibles.
Evalué oportunidades de inversión en ubicaciones de manufactura de la cadena de suministro global.
Evalué escenarios de dotación de personal y capacidad utilizando la demanda, la productividad, los costos laborales, los movimientos cambiarios y la inflación.

Implementación técnica

Modelos y tecnologías

Bosques aleatorios Potenciación por gradiente ARIMA y suavizado exponencial Optimización con restricciones

ARIMA y el suavizado exponencial permitieron pronosticar la demanda de las referencias de producto (SKU) existentes. Los bosques aleatorios y los árboles potenciados por gradiente modelaron la demanda no lineal y las señales operativas; las características de productos comparables y los atributos de los productos apoyaron la planificación de nuevas referencias.

Un programador con restricciones tradujo los pronósticos en tiempos de encendido/apagado de equipos y cambios de SKU. Escenarios separados de capacidad y costo respaldaron la inversión en ubicaciones y la planificación de la fuerza laboral.

De los datos a la decisión

Entradas: Historial de demanda de SKU, atributos del producto, disponibilidad de equipos, requisitos de cambio, capacidad laboral, movimientos cambiarios e inflación.
Resultados del modelo: Pronósticos de demanda, estimaciones de carga de equipos, programas de producción factibles y escenarios de capacidad y costo a nivel de ubicación.
Decisiones: Programación de producción y cambios bajo restricciones de equipos, mano de obra y entrega; comparé opciones de dotación de personal y asignación de capital frente a la demanda y el costo esperados.
Evaluación: Error de pronóstico en períodos futuros, lanzamientos de productos reservados para validación, viabilidad de los programas, volumen de producción, cumplimiento de entregas y tiempo de cambio de referencia.

02Analítica de saludInversión hospitalaria informada por tendencias de utilización.

Codesarrollé modelos de IA propietarios para identificar el crecimiento de códigos de facturación a través de geografías y demografías de pacientes.
Utilicé esas señales para informar la inversión en departamentos hospitalarios, la dotación de personal especializado y la planificación del crecimiento de los ingresos.
Comparé el crecimiento de los códigos de facturación entre especialidades para informar las prioridades de inversión y dotación de personal departamental.

Implementación técnica

Modelos y tecnologías

GLM de Poisson Pronóstico de series temporales Análisis de cohortes

Los modelos lineales generalizados de Poisson estimaron los volúmenes de códigos de facturación a partir de la geografía, la cohorte demográfica, la exposición de la población y el tiempo. El pronóstico de series temporales y el análisis de cohortes rastrearon las tendencias de utilización de especialidades.

Un análisis independiente de capacidad y economía tradujo los volúmenes de servicio proyectados en escenarios de inversión y dotación de personal departamental.

De los datos a la decisión

Entradas: Actividad histórica de códigos de facturación, fechas de servicio, geografías de pacientes y cohortes demográficas, alineadas con la información disponible en cada fecha de pronóstico.
Resultados del modelo: Pronósticos de volúmenes por código y trayectorias de utilización de especialidades, por zona geográfica y cohorte.
Decisiones: Comparé las prioridades de inversión departamental y de dotación de personal utilizando la utilización proyectada, la capacidad existente y la economía de la línea de servicio.
Evaluación: Error de pronóstico en el periodo de validación por cohorte, cobertura del intervalo de predicción, retrasos en el reporte de reclamaciones y sensibilidad a cambios en la codificación o el reembolso.

03Marketplaces de talentoDemanda de empleo, emparejamiento de candidatos y cobertura de búsqueda.

Desarrollé modelos de clasificación para el crecimiento del empleo por rol y región, comparando la demanda de búsqueda con las pujas publicitarias.
Emparejé currículos con descripciones de puestos y generé puntuaciones de coincidencia porcentual.
Modelé una cobertura de empleo buscable de 7× mediante búsqueda semántica y expansión de consultas.
Estimé el gasto publicitario direccionable por publicación de empleo utilizando señales de demanda, conversión y pujas.

Implementación técnica

Modelos y tecnologías

TF-IDF y modelos lineales word2vec LambdaMART

TF-IDF y word2vec respaldaron la recuperación semántica y la expansión de consultas. LambdaMART clasificó las coincidencias entre puestos y currículos utilizando relevancia textual, habilidades, geografía y señales de comportamiento; las puntuaciones de coincidencia porcentual expresaron la relevancia normalizada.

Modelos independientes de demanda por rol y región, y modelos de valor de conversión, informaron las estimaciones de oportunidades publicitarias.

De los datos a la decisión

Entradas: Descripciones de puestos, currículos, títulos, habilidades, restricciones de ubicación, actividad de búsqueda, pujas publicitarias e historial de conversión.
Resultados del modelo: Clasificación de coincidencias, expansión de la cobertura de búsqueda, estimaciones de demanda a nivel de rol y valor publicitario estimado por publicación.
Decisiones: Amplié el descubrimiento en el inventario existente, clasifiqué puestos y candidatos relevantes, e informé la asignación publicitaria por rol y región.
Evaluación: nDCG@K, precisión@K y recall@K frente a juicios de relevancia; cobertura en un umbral de relevancia constante; calibración del modelo de conversión y desempeño en el periodo futuro.

04Tecnología legal y aprendizaje de cumplimientoInteligencia de casos, clasificación de derecho laboral y demanda de capacitación.

Analicé estadísticas judiciales federales para identificar oportunidades de financiación de litigios para firmas de inversión.
Clasifiqué casos por área de derecho y patrones de lenguaje recurrentes en las opiniones judiciales.
Modelé los resultados de los casos utilizando características judiciales históricas, incluyendo el partido político de la administración que realizó el nombramiento.
Apliqué GPT-2 a la clasificación de exenciones de la ley laboral federal.
Analicé patrones de evaluación históricos y el desempeño de cohortes para identificar y probar nuevas áreas de capacitación en cumplimiento.

Implementación técnica

Modelos y tecnologías

GPT-2 TF-IDF y modelos lineales Clasificación de documentos Análisis de cohortes y elementos

TF-IDF y modelos lineales clasificaron documentos legales por tema y lenguaje recurrente. Las representaciones de GPT-2 alimentaron un flujo de trabajo de clasificación específico para etiquetas de exención de la ley laboral federal.

Modelos supervisados independientes estimaron los resultados de los casos a partir de información previa a la decisión y características judiciales históricas. El análisis de aprendizaje de cumplimiento utilizó el desempeño de los elementos de evaluación y comparaciones de cohortes para identificar y probar nuevas áreas de capacitación.

De los datos a la decisión

Entradas: Estatutos, ejemplos de exenciones etiquetados, hechos laborales, metadatos de casos, opiniones judiciales previas y resultados históricos; respuestas de evaluación y atributos de cohortes para el análisis de aprendizaje independiente.
Resultados del modelo: Etiquetas de taxonomía legal, clasificaciones de exenciones, estimaciones de resultados de casos y patrones en el desempeño de las evaluaciones.
Decisiones: Apoyé la revisión legal y el análisis de financiación de litigios utilizando la información disponible antes de la decisión objetivo; utilicé patrones de evaluación para priorizar nuevos temas de capacitación en cumplimiento.
Evaluación: Precisión y exhaustividad por clase, validaciones temporales (holdouts), clasificaciones erróneas de exenciones, ablaciones de características del modelo de resultados y desempeño a través de las cohortes de evaluación.

05Tecnología hipotecaria, de seguros y de propiedadRiesgo crediticio, fijación de precios de seguros y valoración de viviendas.

Desarrollé clasificadores de IA para evaluar el riesgo crediticio hipotecario.
Apliqué modelos de clasificación y predicción a las tasas de seguros para propietarios de viviendas.
Construí capacidades de valoración de viviendas y recomendación de precios para apoyar las decisiones de fijación de precios de los agentes.
Desarrollé la distribución de información de propiedades a través de plataformas para apoyar los flujos de trabajo inmobiliarios.

Implementación técnica

Modelos y tecnologías

XGBoost Clasificación calibrada Regresión de valoración

XGBoost respaldó objetivos supervisados independientes para eventos de crédito hipotecario, primas de seguros para propietarios y valores de viviendas. Los resultados de eventos de crédito utilizaron calibración de probabilidad; los modelos de primas y valoración utilizaron regresión.

Cada producto utilizó sus propias características, etiquetas y destino de flujo de trabajo. La distribución de información de propiedades conectó los resultados de valoración con las herramientas orientadas a los agentes.

De los datos a la decisión

Entradas: Datos de prestatarios y préstamos durante el tiempo de suscripción; datos de propiedad, cobertura y prima; transacciones cerradas históricas y atributos de propiedad para la valoración.
Resultados del modelo: Probabilidades de riesgo crediticio hipotecario, estimaciones de primas de seguros y recomendaciones de valor de propiedad.
Decisiones: Entregué puntuaciones de riesgo a los flujos de trabajo hipotecarios, estimaciones de primas a los flujos de trabajo de seguros y recomendaciones de valoración a las herramientas de agentes inmobiliarios.
Evaluación: Desempeño fuera de tiempo y en regiones de validación, calibración de probabilidad crediticia, error de prima y valoración, y evaluación frente a resultados crediticios maduros.

06Publicidad y marketingEconomía de subastas, desempeño de campañas y conversión.

Apliqué modelos de clasificación a oportunidades publicitarias en bienes raíces, comercio B2B, comercio electrónico y promoción de contenido.
Evalué oportunidades publicitarias en plataformas sociales, medios minoristas (retail media) y redes de terceros (publisher exchanges), incluyendo campañas para autores y editores.
Modelé la temporalidad de las subastas y los precios mínimos de la red para redes publicitarias de alojamiento propio, junto con los umbrales de puja del lado del comprador y el ritmo de las campañas.
Entregué un retorno de la inversión publicitaria de hasta el 240%.
Apliqué IA al enrutamiento de automatización de marketing, analítica de campañas, tasas de apertura y desempeño de textos para mejorar la eficiencia de la conversión.

Implementación técnica

Modelos y tecnologías

FTRL Modelos de CTR y conversión Optimización de pujas

Modelos logísticos entrenados con FTRL estimaron la probabilidad de clic a partir de características publicitarias dispersas. Modelos independientes de conversión y valor estimaron los retornos posteriores e informaron la puja y la asignación de presupuesto.

Las políticas del lado del comprador controlaron las pujas, el ritmo y los presupuestos de las campañas. Los modelos del lado de la red evaluaron la temporalidad de la subasta y los precios mínimos de reserva para el inventario de alojamiento propio. La analítica de campañas conectó el enrutamiento y el desempeño de los textos con la conversión.

De los datos a la decisión

Entradas: Impresiones, clics, conversiones, contexto de ubicación, variantes creativas, gasto de campaña y datos de subasta, unidos dentro de ventanas de atribución definidas.
Resultados del modelo: Probabilidades de clic y conversión, valor esperado por oportunidad, señales de desempeño de campaña y escenarios de precios mínimos de la red.
Decisiones: Asigné presupuestos de campaña y pujas; ajusté la configuración de las subastas de la red por separado; utilicé el desempeño de los textos y la conversión para mejorar el enrutamiento de la automatización de marketing.
Evaluación: Calibración de probabilidad, tasa de conversión, costo por adquisición y comparaciones de ROAS controladas, considerando conversiones retrasadas y ventanas de atribución.

07IA generativa y flujos de trabajo con agentesCreación de contenido, ejecución automatizada y desempeño de modelos.

Apliqué IA generativa a la creación de contenido publicitario.
Conecté la creación, publicación, despliegue y puja de anuncios mediante flujos de trabajo con agentes.
Apliqué evaluaciones de IA, trazabilidad y optimización de modelos a los flujos de trabajo operativos de logística aérea.
Apliqué IA para evaluar oportunidades de arbitraje de precios.

Implementación técnica

Modelos y tecnologías

Modelos generativos Orquestación de herramientas Evaluación de trazas Optimización de modelos

Los modelos generativos produjeron contenido publicitario. La orquestación de herramientas con estado conectó la creación, publicación y despliegue, con una política de puja independiente que regía las decisiones de gasto.

La ejecución utilizó argumentos de herramientas validados, reintentos limitados, protección contra acciones duplicadas y conciliación tras tiempos de espera agotados. La evaluación de trazas comparó versiones de modelos y prompts a través de flujos de trabajo completos. La evaluación de logística aérea realizó un seguimiento de los flujos de trabajo operativos por separado.

De los datos a la decisión

Entradas: Especificaciones de campaña, contexto creativo, esquemas de herramientas, estado del flujo de trabajo y restricciones de gasto; entradas y salidas del modelo, resultados de herramientas y trazas operativas para la evaluación.
Resultados del modelo: Materiales publicitarios generados, acciones de herramientas validadas, registros de ejecución y resultados de evaluación por tarea.
Decisiones: Publiqué y desplegué publicidad a través de flujos de trabajo controlados; ajusté la puja mediante una política independiente; utilicé fallos de traza, calidad, latencia y coste para guiar la optimización del modelo.
Evaluación: Finalización de tareas, acciones inválidas o duplicadas, comportamiento de recuperación, latencia y coste por tarea completada; los resultados operativos se evaluaron por separado del éxito de la llamada al modelo.

08Publicación digital y streamingStreaming de eventos, funciones en tiempo real e inferencia de modelos.

Apliqué IA y aprendizaje automático a tecnologías de streaming dentro de una plataforma de lectura digital a gran escala.
Construí pipelines de procesamiento de eventos con Apache Flink para transformar eventos con marca de tiempo en características de modelo continuas.
Conecté la inferencia en línea con las aplicaciones que utilizan sus resultados mediante reproducción de eventos, gestión de eventos tardíos y recuperación del estado.

Implementación técnica

Modelos y tecnologías

Apache Flink Características por ventana Inferencia en línea

Apache Flink procesó eventos con marca de tiempo utilizando ventanas de tiempo de evento con estado. Las marcas de agua (watermarks) y el manejo de eventos tardíos mantuvieron las características continuas alineadas con el tiempo del evento; la inferencia de modelos en línea puntuó esas características para la aplicación de la plataforma de lectura.

La reproducción, el manejo de duplicados y la recuperación de checkpoints respaldaron el pipeline de características. Las versiones del modelo y la frescura de las características se rastrearon junto con la latencia de inferencia.

De los datos a la decisión

Entradas: Eventos de la plataforma con marca de tiempo, identificadores de entidad consistentes, historial de eventos reproducible y entradas de modelo versionadas.
Resultados del modelo: Características continuas a nivel de entidad y predicciones en línea entregadas a la aplicación consumidora.
Decisiones: Incorporé las salidas actuales del modelo a los flujos de trabajo de las aplicaciones que las utilizan, con gestión explícita de eventos tardíos, características desactualizadas y estado de procesamiento recuperado.
Evaluación: Retraso de eventos, antigüedad de las características, eventos tardíos y duplicados, recuperación de estado, latencia de inferencia y rendimiento del modelo en tiempo futuro.

09CiberseguridadDetección de amenazas, pruebas defensivas y remediación.

Apliqué clasificación por IA a la detección de amenazas.
Apliqué simulación de Monte Carlo a escenarios de ataque y defensa y utilicé pruebas de penetración de tipo white-hat para evaluar las defensas.
Apliqué IA a la remediación de amenazas, el despliegue de parches y los flujos de trabajo de pruebas de penetración.

Implementación técnica

Modelos y tecnologías

Clasificación de amenazas Detección de anomalías Simulación de Monte Carlo Pruebas adversarias

Los clasificadores de amenazas identificaron patrones conocidos, mientras que los modelos de detección de anomalías puntuaron las desviaciones en la telemetría de seguridad. La simulación de Monte Carlo estimó el riesgo de ataque y defensa bajo supuestos muestreados.

Las pruebas de penetración white-hat evaluaron las defensas observadas. Las puntuaciones de detección, los resultados de la simulación y los hallazgos de las pruebas informaron los flujos de trabajo de triaje, remediación y despliegue de parches.

De los datos a la decisión

Entradas: Telemetría de seguridad, etiquetas de amenazas, hallazgos de pruebas de penetración autorizadas y supuestos de escenarios de ataque/control.
Resultados del modelo: Puntuaciones de amenazas y anomalías, hallazgos priorizados y distribuciones de riesgo simuladas.
Decisiones: Prioricé la investigación y la remediación; separé las recomendaciones de parches, su despliegue y la verificación posterior.
Evaluación: Precisión y exhaustividad de la detección, volumen de falsos positivos, retraso de la detección, hallazgos observados en pruebas de penetración y verificación de la remediación; la sensibilidad de la simulación se evaluó por separado.

10Infraestructura de nube y centros de datosOptimización del despliegue de recursos y de los costes operativos.

Apliqué modelos de utilización al despliegue de DevOps y a la planificación de recursos en la nube.
Desarrollé enfoques de utilización de almacenamiento y despliegue de recursos para entornos AWS, Azure y GCP.
Utilicé los datos de los edificios para identificar oportunidades para optimizar el consumo de energía, el uso de agua y las emisiones.
Conecté el análisis de consumo de recursos con los costes operativos y el P&L a nivel de cada centro de datos individual.

Implementación técnica

Modelos y tecnologías

AWS · Azure · GCP Redes neuronales impulsadas por sensores Optimización con restricciones

Los pronósticos de carga de trabajo y la optimización con restricciones informaron el despliegue de almacenamiento, cómputo y servicios en entornos AWS, Azure y GCP.

Por separado, las redes neuronales impulsadas por sensores modelaron el consumo de las instalaciones a partir de la telemetría de IoT y las condiciones operativas. Las restricciones de capacidad y térmicas definieron las recomendaciones operativas de las instalaciones y los escenarios de costes.

De los datos a la decisión

Entradas: Historiales de utilización de la nube y de carga de trabajo; telemetría de energía, agua y operación a nivel de edificio, datos de emisiones asociados y costes de recursos.
Resultados del modelo: Pronósticos de demanda de recursos, escenarios de capacidad de la nube, predicciones de consumo de las instalaciones y estimaciones de costes operativos.
Decisiones: Planifiqué el despliegue de recursos dentro de las restricciones de servicio y capacidad; comparé las recomendaciones operativas de las instalaciones con los límites térmicos, el consumo y el P&L a nivel de sitio.
Evaluación: Error de pronóstico, margen de capacidad, rendimiento del servicio, consumo de energía y agua ajustado a la carga de trabajo, y coste por carga de trabajo e instalación.

11Servicios de primera línea y operaciones de campoCapacidad de la fuerza laboral, rutas de servicio y precios al cliente.

Pronostiqué los requisitos de mano de obra para la fabricación, la infraestructura de centros de datos y los servicios de primera línea utilizando la demanda histórica, los tipos de trabajos y los roles laborales.
Apliqué la clasificación de NLP y la extracción de información a las órdenes de trabajo de construcción y servicios de propiedad.
Desarrollé modelos propietarios para la ruta de trabajadores de servicios, la fijación de precios a nivel de cliente y la asignación de mano de obra.
Identifiqué oportunidades relacionadas con el costo de la mano de obra y la capacidad en las funciones de servicio que respaldan la infraestructura física.

Implementación técnica

Modelos y tecnologías

Clasificación de NLP Extracción de información Pronóstico de la demanda Optimización de rutas

La clasificación de NLP y la extracción de información convirtieron las órdenes de trabajo en campos validados. El pronóstico de la demanda y la duración del servicio estimó la carga de trabajo por rol, región y período.

Un optimizador de rutas con restricciones asignó el trabajo utilizando habilidades, turnos, viajes y requisitos de citas. Un modelo de precios independiente evaluó el esfuerzo del servicio, el coste y los datos comerciales a nivel de cliente.

De los datos a la decisión

Entradas: Texto de la orden de trabajo, historial de servicio, tipos de trabajos, habilidades requeridas, ubicaciones, disponibilidad de trabajadores, tiempos de viaje y costes de servicio.
Resultados del modelo: Requisitos de trabajo estructurados, pronósticos de demanda y duración, asignaciones factibles y estimaciones de precios a nivel de cliente.
Decisiones: Planifiqué la dotación de personal y el despacho bajo restricciones de habilidades, turnos y servicio; evalué los precios frente al esfuerzo esperado y los requisitos comerciales.
Evaluación: Precisión de la extracción de campo, error de demanda y duración, viabilidad del cronograma, finalización a tiempo, tiempo de viaje y margen por trabajo.

Cifras seleccionadas del programa.

Valor del programa en relación con el gasto en IA y tecnologías relacionadas con IA.

Programa	Valor del programa	Inversión
Publicidad editorial	2.000 millones de dólares	$75M
Operaciones con agentes de IA	1.000 millones de dólares	$133M
Tecnología hipotecaria	$240M	$40M
IA generativa	$200M	$50M
Publicidad para empresas	$190M	$10M
Publicidad inmobiliaria	$81M	$10M
Analítica de salud	$50M	$8M
Plataforma de seguros	$12M	$4M

Liderazgo en alianzas.

Desarrollo negocios con socios mediante estrategias conjuntas de comercialización, integración de productos y ejecución comercial, con responsabilidad sobre el crecimiento de los ingresos y la productividad de los socios.

01Ingresos del canal de sociosIngresos del canal de socios multiplicados por casi 8.

Aumenté los ingresos del canal de socios de $17M a aproximadamente $132M en menos de un año en una empresa cuyo crecimiento en este canal se había estancado. En otra empresa, amplié el negocio de una alianza OEM, bajo mi responsabilidad de pérdidas y ganancias, de $85M a más de $133M.

02Oportunidades comerciales cualificadas · Alianzas con MSPMás de 1.300 millones de dólares en oportunidades comerciales cualificadas.

Generé más de 1.300 millones de dólares en oportunidades comerciales cualificadas, además de los nuevos ingresos sujetos a objetivos de socios. Desarrollé oportunidades en varias empresas mediante planificación conjunta entre directivos, análisis de cuentas y programas coordinados de salida al mercado con proveedores de nube, integradores de sistemas, socios de software y proveedores de servicios gestionados (MSP).

03Ecosistemas globales · Alianzas con integradores de sistemasCreación de negocios con socios desde cero y expansión internacional.

Creé un negocio de alianzas tecnológicas que generó $60M, partiendo de una etapa sin ingresos, y amplié otro ecosistema de 10 a más de 100 socios en cuatro regiones del mundo.

Incorporé integradores de sistemas globales, entre ellos Deloitte, KPMG, EY, Accenture y PwC. Puse en marcha seis planes de negocio conjuntos, impulsados por la alta dirección, en el ecosistema de socios.

04Integraciones de productosMás de 295 integraciones que conectan alianzas y productos.

Desarrollé integraciones de API, plataformas y socios certificados, además de 15 funcionalidades de API/SDK y 12 aplicaciones en producción.

05Capacitación y apoyo a sociosMás de 1.600 vendedores y profesionales de socios capacitados en distintos programas.

En un programa de canal de socios que no estaba digitalizado, dentro de una empresa de un sector muy complejo y sujeto a regulación federal, aceleré la productividad de los socios: reduje el plazo desde la incorporación hasta la publicación de 12 a 4 semanas, desde la firma del contrato hasta la primera venta de 120 a 60 días, y desde el inicio hasta el final de la implementación de 32 a 6 semanas.

Liderazgo de producto.

Estrategia de producto con responsabilidad sobre pérdidas y ganancias, desde nuevos negocios hasta carteras consolidadas. Resultados destacados en plataformas empresariales, crecimiento de productos de consumo, precios, retención y recuperación de negocios.

01Liderazgo de producto · Responsabilidad sobre pérdidas y gananciasCrecimiento interanual del EBITDA de aproximadamente el 9,3%.

Asumí la responsabilidad del desempeño del producto y del área comercial en un importante negocio de ingresos recurrentes; aumenté el EBITDA aproximadamente un 9,3% interanual y amplié su base de clientes.

02Software empresarial · Nuevos negociosDe cero a $50M de ARR adicionales.

Creé y comercialicé un nuevo producto de software empresarial, llevándolo de cero a $50M de ARR adicionales, con responsabilidad directa sobre el producto y sus pérdidas y ganancias.

03Comercialización · Nuevos ingresosIngresos de terceros multiplicados por casi 8 en menos de un año.

Transformé capacidades internas en una oferta comercial, multiplicando los ingresos de terceros por casi 8 en menos de un año mediante productos digitales y flujos de trabajo integrados para los clientes.

04Precios · MonetizaciónCrecimiento de ingresos de aproximadamente el 240 %. Rentabilidad en siete meses.

Rediseñé los precios y la monetización, aumentando los ingresos aproximadamente un 240 % y devolviendo la rentabilidad al negocio en un plazo de siete meses.

05Productos de consumo · AdopciónCrecimiento de usuarios activos mensuales superior al 400 % y de usuarios activos anuales superior al 200 %.

Simplifiqué la experiencia del cliente en la web y en dispositivos móviles, aumentando los usuarios activos mensuales en más del 400 % y los usuarios activos anuales en más del 200 %.

06Participación · RetenciónUn 14% de crecimiento en la interacción con los clientes y 1.700 millones de dólares en nuevos ingresos.

Aumenté la interacción con los clientes un 14% interanual y generé 1.700 millones de dólares en nuevos ingresos mediante la expansión del ecosistema e iniciativas personalizadas de retención que también redujeron las cancelaciones de suscripciones.

07Plataformas empresariales · Funcionalidades para desarrolladoresAproximadamente $120M de ARR y adopción en toda el área interna de TI.

Reconstruí una plataforma de software empresarial y amplié sus funcionalidades para desarrolladores, llevándola a aproximadamente $120M de ARR y logrando una adopción del 100 % en toda el área interna de TI.

08Estrategia de cartera · Crecimiento rentableCrecimiento anual de ingresos de aproximadamente el 19 % y tasa de crecimiento anual compuesta del EBITDA del 12 %.

Reestructuré una cartera de productos y simplifiqué su oferta, logrando aproximadamente un 19% de crecimiento anual de ingresos y una tasa de crecimiento anual compuesta del EBITDA del 12% durante 3,5 años, al tiempo que devolvía la rentabilidad a los negocios con pérdidas.

Ver logros profesionales