Modelo de Estimación — Data Science

El desafío

Construir el modelo de estimación que alimenta la calculadora a partir de datos públicos: estudios de utilización de data centers, reportes de la industria, papers académicos y benchmarks disponibles. El modelo recibe tres inputs del operador y produce cinco outputs.

Inputs:

Tamaño del facility en MW

Utilización aproximada actual

Tipo de cooling (air-cooled, liquid-cooled, híbrido)

Outputs:

Stranded capacity estimada en % y MW

Pérdida financiera anual estimada en rango de dólares

Valor recuperable potencial

Tiempo estimado de recuperación

KPIs: $ por MW perdido, utilización actual vs. benchmark de industria, capacidad efectiva vs. capacidad pagada

Entregables esperados

Modelo documentado en Python o notebook con supuestos explícitos y fuentes citadas

Dataset de referencia construido a partir de fuentes públicas con metodología documentada

Lógica de rangos — por qué se expresa como rango y cómo se calculan los límites

Análisis de sensibilidad: qué variables mueven más el resultado y por qué

Documento de supuestos diseñado para ser publicado — el modelo tiene que ser auditablemente honesto

API o función lista para ser consumida por el frontend de la calculadora

Criterio de éxito

Un analista de la industria puede leer el documento de supuestos y concluir que el modelo es razonable y honesto aunque no sea preciso. Los rangos son útiles — ni tan amplios que no digan nada ni tan estrechos que parezcan falsa precisión.