Hola, soy Ronald Díaz
Cuento con más de 6 años de experiencia en auditoría, participando en al revisión de informes financieros y análisis de datos. Me especializo en identificar oportunidades para optimizar el desempeño mediante el uso herramientas de transformación digital para el análisis estratégico.
Soy un Contador!
Hola, soy Ronald Díaz, un profesional orientado al detalle y a los resultados, con una sólida trayectoria en contabilidad, auditoría y análisis de datos. He trabajado en firmas líderes de auditoría, gestionando equipos y revisando información financiera para garantizar la precisión y el cumplimiento normativo. Me apasiona transformar los datos financieros en insights estratégicos que impulsen el crecimiento y la eficiencia. Actualmente estoy ampliando mis habilidades en Python, SQL y modelación financiera para aportar aún más valor mediante la automatización y una toma de decisiones más inteligente.
Servicios
Como Senior de Auditoría, finanzas y Contabilidad, transformo datos financieros complejos en insights claros y valiosos. Mi objetivo es apoyar la toma de decisiones informadas, impulsar el desempeño y mejorar la eficiencia. He trabajado en una amplia variedad de proyectos, incluidos auditorías financieras, análisis de variaciones, presupuestación, proyecciones (forecasting) y automatización de procesos. Mi enfoque es altamente práctico y asumo la responsabilidad de principio a fin, con foco en entregar valor estratégico.
Modelación financiera y automatización
Construyo modelos financieros dinámicos y automatizo tareas repetitivas para aumentar la precisión y ahorrar tiempo en pronósticos, presupuestación e informes.
Herramientas que uso: Python, SQL, macros de Excel, Alteryx.
Dashboards
Diseño tableros que ayudan a los gerentes a monitorear los KPI y tomar decisiones más rápidas. Visualizaciones claras, filtros personalizados e indicadores orientados a la acción.
Herramientas que uso: Power BI, Tableau, Excel.
Optimización de procesos y analítica
Optimizo los procesos financieros e integro flujos de datos para reducir el trabajo manual, mejorar la precisión y acelerar la toma de decisiones en presupuestación y pronósticos.
Herramientas que uso: Python, SQL, macros de Excel, Alteryx.
Informes financieros
Aseguro el cumplimiento, la claridad y la confiabilidad en la presentación de informes financieros. Con más de 6 años en firmas de auditoría, he liderado equipos revisando estados financieros, controles y políticas contables.
Herramientas que uso: Excel, SAP, Siesa, Normas NIIF (IFRS).
Portafolio
Simulación de Monte Carlo para un proyecto de inversión en caña de azúcar
Objetivo
El objetivo de este modelo de simulación de Monte Carlo es evaluar la viabilidad financiera de un proyecto de inversión en cultivo de caña de azúcar bajo condiciones de incertidumbre. Al incorporar supuestos probabilísticos para variables de entrada clave —como la inflación, los precios del azúcar locales e internacionales, la tasa de cambio (TRM) y la volatilidad de los costos—, el modelo permite a las partes interesadas comprender mejor el rango de posibles resultados del Valor Presente Neto (VPN) y de la Tasa Interna de Retorno (TIR).
Contexto del caso
Una empresa agroindustrial colombiana estaba evaluando la viabilidad de invertir en 1.000 hectáreas de cultivo de caña de azúcar. La decisión requería un modelo financiero robusto para analizar la rentabilidad del proyecto bajo incertidumbre. Aunque ya se había construido un modelo determinístico en Excel, este ofrecía un único resultado estático y no reflejaba los riesgos ni la variabilidad inherentes en factores clave como:
- Rendimiento de caña por hectárea
- Contenido de sacarosa
- Precios de venta (mercado local y de exportación)
- Tasa de cambio (TRM)
- Tasas de inflación
Input Excel: Download
Para abordar esto, desarrollé en Python una herramienta de simulación de Monte Carlo totalmente integrada con el modelo de Excel existente. Esto le permitió a la empresa:
- Cuantificar el riesgo de retornos negativos
- Visualizar miles de escenarios futuros
- Tomar decisiones más informadas basadas en un rango de resultados financieros
La simulación fue diseñada para ejecutarse directamente desde Excel mediante un botón, permitiendo que usuarios no técnicos la corran de forma repetida, actualicen las entradas y comprendan el perfil de riesgo sin modificar las fórmulas ni desconfigurar el modelo.
Python Code: Download
Entendimiento
La simulación se implementó en Excel y se potenció con VBA y xlwings en Python para habilitar la automatización y la generación de informes dinámicos. Se ejecutaron 10.000 iteraciones de Monte Carlo. En cada iteración, el modelo toma valores aleatorios de distribuciones probabilísticas calibradas con datos históricos para cada variable de entrada. El modelo genera métricas financieras clave (VPN y TIR) y visualiza los resultados mediante un histograma con KDE (Estimación de Densidad por Kernel), rug plot (marcas sobre el eje) y línea de la mediana. La interfaz también incluye botones interactivos para ejecutar simulaciones y restablecer los parámetros de entrada.
Technology Stack
- Python (Jupyter Notebook)
- xlwings – para leer y escribir archivos de Excel y disparar/ejecutar cálculos en Excel.
- Matplotlib y Seaborn – para visualizaciones estadísticas.
- Microsoft Excel – para la estructura del modelo determinístico y sus cálculos.
Conclusión
Los resultados muestran un VPN promedio de 7,54 mil millones de COP y una mediana de VPN de 7,48 mil millones de COP, con una probabilidad de pérdida del 0,5% basada en 10.000 simulaciones. La TIR es del 31%, significativamente por encima del costo del patrimonio (10,5%). Estos resultados sugieren que el proyecto de inversión es altamente atractivo y robusto frente a las variaciones simuladas en los supuestos clave.
Detección de anomalías en asientos contables con un autoencoder
Objetivo
Priorizar los asientos contables inusuales sin reglas rígidas predefinidas, para que los auditores o contadores concentrarse en un subconjunto pequeño y de alto riesgo, manteniendo la cobertura.
Contexto
- Industria: Fabricación de productos de cuidado personal (Colombia)
- Periodo: Año fiscal 2024
- Volumen: 39.681 asientos contables (~100k filas)
- ¿Por qué este enfoque? Las listas de reglas y los filtros manuales pasan por alto patrones nuevos y son costosos de mantener. Un método no supervisado aprende el comportamiento normal y resalta lo que no encaja.
Data
Campos de cada línea
Los campos por línea son: número de documento, fecha de contabilización, usuario SAP, tipo de documento, tipo de transacción, cuenta de mayor (PUC colombiano de 6 dígitos), nombre de la cuenta, débito, crédito e importe (débito − crédito).
Estructura
Los asientos tienen entre 2 y 6 líneas y, cuadran en cero.
Gobernanza de datos
Catálogo PUC (6 dígitos), roles de usuario con segregación de funciones, tipos de documento coherentes y controles contables (p. ej., Ventas → CxC; Compras/Gastos/Activos fijos → CxP; los ajustes nunca afectan bancos; caja menor es 110510).
Base de datos: Download
Comprensión del negocio y controles (comportamiento normal)
- Ventas (VT): debe afectar 112005 Cuentas por Cobrar; recaudos vía RC.
- Compras / Gastos / Activos fijos (CP/GO/AF): deben afectar 210505 Cuentas por Pagar; pagos vía PP (CE).
- Ajustes (AJ): no deben tocar bancos ni cuentas de clientes.
- Caja menor: 110510 (no 111005).
- Segregación de funciones: Compras = FC; Tesorería = RC/CE/ND; Contabilidad = NC; Nómina = NE.
Validación con casos de fraude
Propósito: Comprobar si un modelo no supervisado saca a la luz riesgos reales.
Estrategia: Inclusión de 25 asientos fraudulentos dispersos entre 39.681 documentos.
Ejemplos: Ventas sin CxC; CP/GO/AF sin CxP o contabilizados directamente en bancos; ajustes que afectan cuentas bancarias; caja menor usando 111005; emparejamientos inválidos documento↔transacción; violaciones de segregación de funciones (roles).
Manejo de etiquetas: Fraud/Fraud_reason se eliminaron antes del entrenamiento y se usaron solo para la evaluación posterior (post-hoc).
journal_entries_Label _FraudFraud_reason: Descargar
Metodología
Ingeniería de características (a nivel de documento)
Aggregations per Document number capture the logic of the whole entry:
- Amounts: sum_debit, sum_credit, absolute net_amount, avg_line_abs, n_lines, n_gl_unique.
- Categoricals: user_sap, document_type, transaction_type, month, weekday.
- Accounting signals: flags for key GLs (111005, 112005, 210505, 110510, 410505, 510505, 150405, 220505, 240805/240815, 143005, 520505, 159205) and PUC class proportions (1–7).
- Preprocessing: One-Hot (categoricals) + StandardScaler (numericals).
Modelo (autoencoder)
- Arquitectura: 64 → 32 → 8 (cuello de botella) → 32 → 64, con BatchNorm, Dropout y regularización L2; pérdida = MSE (ECM).
- Entrenamiento: división 80/20 con early stopping (detención temprana).
- Umbral: percentil 99,5 del error de reconstrucción (MSE/ECM). Por encima del umbral = sospechoso.
Que significa “reconstrucción» ?
Reconstrucción, en un autoencoder, es volver a “armar” la entrada original a partir de su representación comprimida.
Si el registro es “normal”, el modelo lo reproduce casi igual → error de reconstrucción bajo.
Si es inusual, falla al copiarlo → error alto (señal de anomalía).
Resultados
Hallazgos
199 asientos señalados (~0,5 % de 39.681).
25/25 fraudes incluidos quedaron en el Top-25 por puntaje (exhaustividad perfecta en los casos insertados).
Patrones comunes detectados: violaciones de segregación de funciones; ventas sin CxC; CP/GO/AF sin CxP; ajustes que afectan bancos; totales netos distintos de cero.
Doc_Scores: Download
Tecnología Usada
Python, TensorFlow/Keras, scikit-learn, pandas, NumPy, openpyxl.
Versioned artifacts: preprocessor (
.pkl), model weights (.h5), threshold (.txt).Outputs:
Doc_Scores.xlsx,Journal Entries Etiquetado.xlsx.
Experiencia Profesional
