--- title: "Crear un ML Pipeline" url: https://docs.catalyst.zoho.com/es/tutorials/crm-deal-prediction/create-ml-pipeline/ description: "Crea un poderoso pipeline de ML que analiza datos históricos de ZOHO CRM y predice de manera significativa la probabilidad de un acuerdo exitoso usando los componentes de Catalyst QuickML." last_updated: 2026-08-17T12:16:04Z service: All Services type: tutorial related_links: - name: "ML Algorithms in QuickML" url: /es/quickml/help/ml-algorithms/classification-algorithms - name: "Operations in QuickML" url: /es/quickml/help/operations-in-quickml/encoding --- # Crear un ML pipeline En esta sección, construiremos un modelo de predicción de ML usando el dataset preprocesado de la sección anterior. Este dataset será la entrada al [ML pipeline builder](https://docs.catalyst.zoho.com/es/quickml/help/create-ml-pipeline/) que te permite definir la arquitectura del modelo y seleccionar una columna objetivo para la predicción. Para crear un ML pipeline, asegúrate de seguir los pasos a continuación. 1. Navega al componente **Pipelines** en el menú izquierdo y haz clic en `Create Pipeline`. ![ML Pipeline Creation 1](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/ml-pipeline-creation-1.webp) 2. En el pop-up que aparece, selecciona **Prediction** como tipo de pipeline y nombra el pipeline "**Deal Prediction ML Pipeline**" y elige el dataset de entrada como **Zoho_CRM_Deal_Prediction_Sample**. En nuestro caso, la columna objetivo debe ser "**Stage**". El nombre del modelo se completará automáticamente basándose en el nombre del pipeline. Haz clic en `Create Pipeline`. ![ML Pipeline Creation Meta](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/ml-pipeline-name.webp) 3. La página de la [interfaz del ML pipeline builder](https://docs.catalyst.zoho.com/es/quickml/help/create-ml-pipeline/) se mostrará como en la captura de pantalla a continuación. ![ML Pipeline Creation 3](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/pipe-line-builder-interface.webp) Ahora que hemos creado nuestro ML pipeline, procederemos a configurar el pipeline definiendo los nodos en la interfaz del ML pipeline builder. ### Codificar columnas categóricas Dado que nuestra columna objetivo "**Stage**", "**Type**" y "**Lead Source**" contienen datos categóricos de tipo String, las codificaremos para los estándares de entrenamiento de ML posteriores. Asegúrate de seguir los pasos a continuación para codificar las columnas. 1. En el menú de Operations, navega a **ML operations-> Encoding-> Label Encoder**. Arrastra y suelta el nodo Label Encoder en la interfaz del ML pipeline builder. En la sección de configuración de Label Encoder en el panel derecho, elige la columna como "**Stage**" y haz clic en `Save`. ![Label Encoding](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/label-encoding.webp) 2. De la misma manera, navega a **ML operations-> Encoding-> One-Hot Encoder**. Arrastra y suelta el [nodo](https://docs.catalyst.zoho.com/es/quickml/help/operations-in-quickml/encoding/#one-hot-encoding) `One-Hot encoder`[](https://docs.catalyst.zoho.com/es/quickml/help/operations-in-quickml/encoding/#one-hot-encoding) en la interfaz del ML pipeline builder. En la sección de configuración del panel derecho, elige las columnas como "**Type**" y "**Lead Source**", y haz clic en `Save`. ![One-Hot Encoding](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/one-hot-encoding.webp) Estas operaciones de codificación convertirán los valores de las columnas de tipo String a Integer, manteniendo el orden y preservando la precisión de los datos. ### Normalizar las columnas Dado que los valores de todas las características están en varios rangos, usaremos el componente **Mean - Std Normalization** para escalar los valores de las características a un rango común, típicamente entre 0 y 1. Navega a **ML operations-> Normalization**. Arrastra y suelta el [nodo](https://docs.catalyst.zoho.com/es/quickml/help/operations-in-quickml/normalization/#mean-std-normalization) `Mean-Std Normalization`[](https://docs.catalyst.zoho.com/es/quickml/help/operations-in-quickml/normalization/#mean-std-normalization) en la interfaz del ML pipeline builder. En el cuadro de configuración del panel derecho, elige todas las columnas excepto "**Stage**" y haz clic en `Save`. Una vez aplicada la normalización, la página del ML pipeline builder se mostrará como a continuación: ![Mean-Std Normalization](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/mean-std-normalization.webp) ### Algoritmo de ML y ajuste de hiperparámetros Para cualquier modelo de ML, es necesario implementar un algoritmo de ML basándose en el cual el modelo será entrenado. En este tutorial, implementaremos el algoritmo de [clasificación Random-Forest](https://docs.catalyst.zoho.com/es/quickml/help/ml-algorithms/classification-algorithms/#random-forest-classification) para configurar los parámetros de ajuste para el modelo de ML y asegurar que esté optimizado para nuestro dataset preprocesado. 1. En el menú de Operations, expande **ML operations-> Algorithm-> Classification**. Arrastra y suelta el nodo `Random-Forest Classification` en el pipeline builder. El nodo se conectará automáticamente al nodo **Destination**. Haz una conexión de entrada entre el nodo **Mean-Std Normalization** y el nodo **Random-Forest Classification**. ![random-forest-classification](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/random-forest-classification.webp) 2. Para el nodo **Random-Forest Classification**, mantendremos la configuración predeterminada y haremos clic en `Save`. ![complete-ml-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/complete-ml-pipeline.webp) Ahora, hemos completado las conexiones y configuraciones de nodos requeridas. Podemos proceder a ejecutar el pipeline haciendo clic en `Execute` para evaluación y despliegue posteriores. ![executed-ml-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/execution-output-crm-predict.webp) Haz clic en `Execution Stats` para ver más detalles sobre cada etapa de la ejecución en detalle. ![execution-stats-ml-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/execution-stats-ml-pipeline.webp) Tras la ejecución exitosa del ML pipeline, el modelo de Deal Prediction está creado y se mostrará en la sección Models. Puedes ver los detalles del modelo en la página de detalles del modelo haciendo clic en el nombre del modelo. ![Model](https://catalyst-docs-development.zohostratus.in/images/tutorials/crm-deal-prediction/model-details-crm-predict.webp)