Tomás Borrella Martín

Soy ingeniero de Telecomunicación por la Universidad de Alcalá y MBA por EAE Business School y poseo más de 15 años de experiencia en el sector de las telecomunicaciones. 

En los últimos años desempeño mi trabajo en el área de Datos de Orange. He sido Big Data Product Owner, siendo responsable de liderar y asesorar en la integración de Big Data dentro de la organización: implantando soluciones Big Data dentro de los procesos de negocio y siguiendo la evolución de estos hacia una gestión basada en información, en modelos analíticos y en la optimización del valor generado. 

Actualmente soy Data Scientist y he colaborado en casos de uso de propensión a la fuga de clientes (Churn), predicción del riesgo financiero: fraude e impago (Scoring), Marketing Mix Modeling y optimización de la inversión publicitaria, etc. 

Estoy muy interesado en cualquier proyecto en el que se pueda utilizar el aprendizaje automático (Machine Learning) para realizar cualquier tipo de predicción, y especialmente en aquellos usos orientados a conseguir mejores resultados de Negocio.

Contacto:

tborrella@uoc.edu

Líneas:

Customer Churn -> Predecir la fuga de clientes de una compañía de servicios

Ejemplo de caso de uso: Telco Customer Churn (https://www.kaggle.com/blastchar/telco-customer-churn)

Default Prediction or Fraud Detection -> Precedir impagos o detectar fraude en transacciones financieras.

Ejemplo de caso de uso: Payment Fraud Detection (https://www.kaggle.com/ntnu-testimon/paysim1)

Targeted Marketing Strategy -> Elegir la mejor estrategia de selección de clientes objetivos para una campaña de comunicación.

Ejemplo de caso de uso: Starbucks App Reward Program (https://www.kaggle.com/blacktile/starbucks-app-customer-reward-program-data)

Sentiment Analysis -> Clasificación de mensajes en redes sociales.

Ejemplo de caso de uso: Disaster Response Tweets (https://www.kaggle.com/landlord/multilingual-disaster-response-messages)

Recommendation Engine -> Motores de recomendación.

Ejemplo de caso de uso: Netflix (https://www.kaggle.com/netflix-inc/netflix-prize-data)

Además de las líneas propuestas, se aceptan propuestas adicionales en función del nivel/interés del alumno (ya sean otros casos de uso dentro de las líneas propuestas como líneas nuevas relacionadas con modelos analíticos).

Otras consideraciones

El profesor colaborador puede atender a estudiantes en castellano e inglés.

Restricciones

No hay restricciones indicadas.