Cómo funciona la arquitectura de Insight AI

flowchart TD
    A["Excel de Entrada\n(ModeloDatos_v3.xlsx)"] --> B["PASO 1\nbuild_impacto_individual"]
    B --> C["PASO 2\nDiD Analysis\n(3 niveles)"]
    B --> D["PASO 3\nStacking ML Training"]
    D --> E["PASO 3b\nRisk Tables"]
    D --> V["VISUALIZACIONES\n(7 graficos PNG)"]
    B --> F["PASO 4\nUplift + Prescripcion"]
    C --> G["PASO 5\nOne-Pager Ejecutivo"]
    E --> G
    F --> G
    G --> H["PASO 6\nExcel Consolidado\n(InsightAI_FINAL.xlsx)"]
    H --> I["PASO 7\nJSON Dashboard\n(9 archivos)"]
    I --> J["PASO 8\nReporte + Reglas\n(REPORTE_INSIGHT_AI.txt)"]

    style A fill:#3498db,color:#fff,stroke:#1f5a94
    style D fill:#e74c3c,color:#fff,stroke:#b53528
    style V fill:#9b59b6,color:#fff,stroke:#6f3d85
    style H fill:#2ecc71,color:#fff,stroke:#238a4f
    style J fill:#f39c12,color:#fff,stroke:#b8740e

    click A "javascript:void(0);" "Punto de inicio: Excel cargado con la información del personal."
    click B "javascript:void(0);" "PASO 1: Procesamiento inicial y limpieza de datos."
    click C "javascript:void(0);" "PASO 2: Análisis DiD. Compara capacitados con grupo de control."
    click D "javascript:void(0);" "PASO 3: Entrenamiento de Inteligencia Artificial."
    click E "javascript:void(0);" "PASO 3b: Tablas de Riesgo por ineficiencias."
    click V "javascript:void(0);" "Generación de 7 gráficos estáticos profesionales."
    click F "javascript:void(0);" "PASO 4: Modelo de Uplift y Prescripción óptima."
    click G "javascript:void(0);" "PASO 5: One-Pager Ejecutivo con reporte resumen."
    click H "javascript:void(0);" "PASO 6: Generación y guardado del Excel Consolidado Final."
    click I "javascript:void(0);" "PASO 7: Archivos JSON para pintar el Dashboard web."
    click J "javascript:void(0);" "PASO 8: Reporte en texto plano de reglas y auditoría AI."

flowchart LR
    X["Entrada de Datos\nExcel + Participantes + KPIs"] --> I["Impacto Real\nDifference-in-Differences"]
    X --> M["Motor ML\nStackingRegressor"]
    M --> R["Tablas de Riesgo\npersona/equipo/area"]
    M --> U["Uplift y Prescripcion\nROI por candidato"]
    I --> E["One-Pager Ejecutivo"]
    R --> E
    U --> E
    E --> O["Salidas\nExcel + JSON + Reporte + Graficos"]

    style X fill:#e8f1ff,stroke:#6a95d1,color:#123c67
    style M fill:#ffeceb,stroke:#de7f73,color:#7c281f
    style O fill:#eafaf0,stroke:#7ac597,color:#1d5c3a

    click X "javascript:void(0);" "Fuente de datos inicial: archivos y parámetros de rendimiento."
    click I "javascript:void(0);" "PASO 7: Archivos JSON para pintar el Dashboard web."
    click M "javascript:void(0);" "Motor StackingRegressor que combina varios algoritmos de IA."
    click R "javascript:void(0);" "Cálculo del riesgo de ineficiencia por área o equipo."
    click U "javascript:void(0);" "Lista prescrita optimizando el Retorno de Inversión (ROI)."
    click E "javascript:void(0);" "PASO 3b: Tablas de Riesgo por ineficiencias."
    click O "javascript:void(0);" "Archivos resultantes tras la ejecución del motor."

flowchart TD
    IND["impacto_individual"] --> D1["did_table(..., group_cols=['cohort'])\n-> did_cohort_raw"]
    IND --> D2["did_table(..., group_cols=['area','team'])\n-> did_team_raw + filtrado"]
    IND --> D3["did_table(..., group_cols=['area'])\n-> did_area_raw + filtrado"]

    style IND fill:#ecf4ff,stroke:#7a9ece,color:#173f70
    style D1 fill:#f5f8ff,stroke:#b6cae6,color:#1e4d7d
    style D2 fill:#f5f8ff,stroke:#b6cae6,color:#1e4d7d
    style D3 fill:#f5f8ff,stroke:#b6cae6,color:#1e4d7d

    click IND "javascript:void(0);" "Efecto causal (impacto) sobre un trabajador en específico."
    click D1 "javascript:void(0);" "Efecto extrapolado a todo el rango etario o generación."
    click D2 "javascript:void(0);" "Efecto aglomerado en la célula o subequipo directo."
    click D3 "javascript:void(0);" "Efecto sumado para justificar inversiones en toda el área/gerencia."

flowchart LR
    A["Datos crudos"] --> B["GroupShuffleSplit\n(75/25 por persona)"]
    B --> C["Train Set"]
    B --> D["Test Set"]
    C --> E["Data Augmentation\n(ruido 1%)"]
    E --> F["ColumnTransformer\n(impute + one-hot)"]
    F --> G["StackingRegressor"]
    G --> H["Predicciones"]
    H --> I["Bootstrap CI"]
    H --> J["RMSE + R2"]
    G -->|"joblib.dump"| K["model.joblib"]

    style G fill:#ffe9e6,stroke:#dc7d72,color:#7b261f
    style I fill:#eef8ff,stroke:#8fb2df,color:#1d4d7d
    style J fill:#eef8ff,stroke:#8fb2df,color:#1d4d7d
    style K fill:#ecf8ef,stroke:#7fbd95,color:#20583c

    click A "javascript:void(0);" "Punto de inicio: Excel cargado con la información del personal."
    click B "javascript:void(0);" "PASO 1: Procesamiento inicial y limpieza de datos."
    click C "javascript:void(0);" "PASO 2: Análisis DiD. Compara capacitados con grupo de control."
    click D "javascript:void(0);" "PASO 3: Entrenamiento de Inteligencia Artificial."
    click E "javascript:void(0);" "PASO 3b: Tablas de Riesgo por ineficiencias."
    click F "javascript:void(0);" "PASO 4: Modelo de Uplift y Prescripción óptima."
    click G "javascript:void(0);" "PASO 5: One-Pager Ejecutivo con reporte resumen."
    click H "javascript:void(0);" "PASO 6: Generación y guardado del Excel Consolidado Final."
    click I "javascript:void(0);" "PASO 7: Archivos JSON para pintar el Dashboard web."
    click J "javascript:void(0);" "PASO 8: Reporte en texto plano de reglas y auditoría AI."
    click K "javascript:void(0);" "Archivo físico que guarda la 'memoria' del modelo para el futuro."

flowchart TD
    subgraph MODELO_T["Stacking: Modelo Tratados"]
        MT["Entrena con datos\nde personas capacitadas"]
    end
    subgraph MODELO_C["Stacking: Modelo Control"]
        MC["Entrena con datos\nde personas NO capacitadas"]
    end

    ALL["Todos los\ncandidatos"] --> MT
    ALL --> MC
    MT -->|"y_treated"| UPLIFT
    MC -->|"y_control"| UPLIFT
    UPLIFT["uplift = y_control - y_treated\n(horas ahorradas si capacitas)"]
    UPLIFT --> MONEY["money_not_lost = uplift x hourly_cost"]
    MONEY --> ROI["ROI = money_not_lost - cost_per_seat"]
    ROI --> RANK["Ranking por ROI\n(dedup por persona)"]
    RANK --> SELECT["Seleccion con restricciones:\n- seats disponibles\n- budget maximo"]

    style UPLIFT fill:#f2eaff,stroke:#9b78cb,color:#43236c
    style ROI fill:#ecf7ff,stroke:#90b6de,color:#1e4f7f
    style SELECT fill:#e8f8ee,stroke:#7bbf95,color:#215a3d

    click MT "javascript:void(0);" "Ficción estadística: Qué pasaría si se hace el curso."
    click MC "javascript:void(0);" "Ficción estadística: Qué pasaría si NO se hace el curso."
    click ALL "javascript:void(0);" "Población total elegible para tomar el curso."
    click UPLIFT "javascript:void(0);" "Diferencia de productividad neta lograble por el curso."
    click MONEY "javascript:void(0);" "Ahorro financiero transformando tiempo en dinero base sueldo."
    click ROI "javascript:void(0);" "Ahorro total menos el costo de la plataforma Insight AI."
    click RANK "javascript:void(0);" "Orden meritocrático descendente según la rentabilidad."
    click SELECT "javascript:void(0);" "La lista VIP priorizada hasta que se agote el presupuesto."

flowchart TB
    subgraph CORE_BLOCK["Librerias Core"]
        direction LR
        PD["pandas"]
        NP["numpy"]
        SK["scikit-learn"]
        JB["joblib"]
    end

    subgraph VIZ_BLOCK["Visualizaciones"]
        direction LR
        MPL["matplotlib"]
        SNS["seaborn"]
    end

    subgraph METRICS_BLOCK["Metricas"]
        direction LR
        ROC["roc_curve / auc"]
        CAL["calibration_curve"]
        RMSE["mean_squared_error"]
        R2["r2_score"]
    end

    subgraph ML_BLOCK["Librerias ML (V4)"]
        direction LR
        STACK["StackingRegressor\n(sklearn.ensemble)"]
        XGB["xgboost\n(opcional, con fallback)"]
        MLP["MLPRegressor\n(sklearn.neural_network)"]
        RIDGE["Ridge\n(sklearn.linear_model)"]
    end

    CORE_BLOCK --> VIZ_BLOCK
    VIZ_BLOCK --> METRICS_BLOCK
    METRICS_BLOCK --> ML_BLOCK
    STACK --> XGB
    STACK --> MLP
    STACK --> RIDGE

    style CORE_BLOCK fill:#eef,stroke:#7f95cf,color:#21355d
    style VIZ_BLOCK fill:#efe,stroke:#86bf97,color:#265638
    style METRICS_BLOCK fill:#f4f8ff,stroke:#9ab6de,color:#1f4f80
    style ML_BLOCK fill:#ffe,stroke:#d8b56d,color:#654919