{
  "fetched_at": "2026-10-19T22:27:59Z",
  "source_url": "https://www.kaggle.com/competitions/gdm-bd/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Informacion de las variables\n\n# Financial and Demographic\n1. Edad (numeric)\n2. Tipo_Trabajo : type of job (categorical: 'admin.','blue-collar','entrepreneur','housemaid','management','retired','self-employed','services','student','technician','unemployed','unknown')\n3. Estado_Civil : marital status (categorical: 'divorced','married','single','unknown'; note: 'divorced' means divorced or widowed)\n4. Educacion (categorical: 'basic.4y','basic.6y','basic.9y','high.school','illiterate','professional.course','university.degree','unknown')\n5. Incumplimiento: has credit in default? (categorical: 'no','yes','unknown')\n6. Vivienda: has housing loan? (categorical: 'no','yes','unknown')\n7. Consumo: has personal loan? (categorical: 'no','yes','unknown')\n\n# Related with the last contact of the current campaign:\n8. Contacto: contact communication type (categorical: 'cellular','telephone') \n9. Mes: last contact month of year (categorical: 'jan', 'feb', 'mar', ..., 'nov', 'dec')\n10. Dia: last contact day of the week (categorical: 'mon','tue','wed','thu','fri')\n11. Campana: number of contacts performed during this campaign and for this client (numeric, includes last contact)\n12. Dias_Ultima_Cam: number of days that passed by after the client was last contacted from a previous campaign (numeric; 999 means client was not previously contacted)\n13. No_Contactos: number of contacts performed before this campaign and for this client (numeric)\n14. Resultado_Anterior: outcome of the previous marketing campaign (categorical: 'failure','nonexistent','success')\n\n# Social and Economic context attributes\n15. emp_var_rate: employment variation rate - quarterly indicator (numeric)\n16. cons_price_idx: consumer price index - monthly indicator (numeric) \n17. cons_conf_idx: consumer confidence index - monthly indicator (numeric) \n18. euribor3m: euribor 3 month rate - daily indicator (numeric)\n19. nr_employed: number of employees - quarterly indicator (numeric)\n\n# Output variable (desired target):\n20. y - has the client subscribed a term deposit? (binary: 'yes = 1','no = 0')",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "# Campañas depósitos a término\nActualmente un banco quiere determinar cuales de sus clientes aceptaran adquirir un CDT a un plazo determinado y cuales no, debido a que desean invertir en campañas de marketing para lograr captar la mayor cantidad de recursos. Partiendo de lo anterior se requiere un modelo de clasificación que logre diferenciar entre los clientes con alta probabilidad de aceptar y aquellos que no.\n\n## Condidiciones Modelación\n- La métrica objetivo es el ROC - AUC\n- El proceso debe estar muy bien documentando explicando el por qué de cada decisión en las diferentes etapas de la modelación\n\n## Condiciones Desarrollo\n- Realizar un análisis exploratorio sólido de los datos, contando una historia con estos",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "# Archivos Disponibles\n- `train.csv`: Este archivo contiene la información necesaria para entrenar el modelo de clasificación.\n- `test.csv`: Este archivo contiene todas las mismas variables que el archivo de entrenamiento, excepto y. Con este archivo se debe realizar el ejercicio de predicción (clasificación).\n- `sample.csv`: Este archivo es de ejemplo, para mostrar el formato de como se deben enviar las Submissions.\n\n# Criterios de Evaluación\n| Rubro | Ponderación |\n| --- | --- |\n| Desempeño Modelo | 50% |\n| EDA, Feature Engineering, Programación, Redacción, Visualizaciones y la Interpretación del Modelo | 25% |\n| Presentación (ppt) y Exposición del trabajo | 25% |\n\n### Aspectos a Considerar\n- Se evaluará su habilidad para programar en Python (el uso de PySpark es un plus en la evaluación), implementación de buenas prácticas en ingeniería de datos, desarrollo e implementación de modelos, documentación, análisis de datos y presentación de resultados.\n- La calificación según el ranking se tendrá en cuenta con el private leaderboard para aquellos participantes que superen el clasificador aleatorio, en caso contrario la calificación sera de 0.\n\n# Entregable\nComo se menciona previamente, se espera que se suban las submissions directamente a Kaggle y con ello obtengan su puntaje parcial en el Leaderboard. De igual forma se sube un archivo de ejemplo llamado sample.csv que permite corroborar el tipo de archivo (csv) y el formato en que se deben subir las predicciones a Kaggle. **Es necesario presentar el código fuente y la presentación.**",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}