Benchmark de Modelos Tabulares: Rendimiento en 19 Conjuntos de Datos

Evaluamos 13 modelos de aprendizaje tabular en 19 conjuntos de datos reales con aproximadamente 272.000 muestras, desde 435 hasta 48.800 filas. Cada modelo se ejecutó con validación cruzada de 5 pliegues en las mismas particiones. Los resultados también alimentan el AIM Tabular Index, que los combina con las tablas de clasificación públicas TabArena y BeyondArena.

Resultados del benchmark de modelos de aprendizaje tabular

Cada conjunto de datos es un todos contra todos de enfrentamientos directos entre modelos, decididos por la métrica principal. Elo agrega los 1.398 enfrentamientos en una única puntuación por modelo; una diferencia de 200 puntos significa que el modelo con mayor puntuación gana aproximadamente 3 de cada 4 enfrentamientos. Los detalles están en la metodología.

• Ningún modelo domina en solitario. La prueba de significancia no encuentra diferencias significativas entre los cinco primeros: LimiX-2 (1503), Kumo-Tabular (1438), TabPFN-3.5 (1363), TabFM (1325) y Causilo (1192). Los intervalos Elo de los cuatro primeros se superponen.
• LimiX-2 terminó primero en 11 de los 19 conjuntos de datos y entre los tres primeros en 17. Kumo-Tabular, que la prueba no distingue de él, promedia 7,6 segundos por pliegue, aproximadamente 15x más rápido.
• En 15 de los 18 conjuntos de datos con un único ganador, la ventaja del ganador es menor que su propia desviación estándar entre pliegues. LimiX-2 supera ese margen en los otros tres: diabetes, electricity y employee_salaries.

Elo también maneja la cobertura parcial de manera justa: Mitra se puntúa solo en los enfrentamientos que pudo disputar, es decir, los 12 conjuntos de datos dentro de su límite de entrenamiento de 10.000 filas¹.

• LimiX-2 lidera en diabetes con un ROC-AUC de 0.879 frente al 0.844 de Kumo-Tabular, y en employee_salaries con un RMSE de 2.743 frente a los 3.060 de TabPFN-3.5.
• En amazon_employee_access, cuya columna categórica más grande tiene 7.518 valores, LimiX-2 obtiene 0.898 frente a 0.863 de Regresión Logística, el mejor modelo clásico. La diferencia es 3.5 veces la desviación estándar entre pliegues de LimiX-2.

La prueba de significancia (prueba de Friedman, seguida de la diferencia crítica de Nemenyi) sitúa a LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM y Causilo por delante de los cuatro modelos clásicos, ninguno de los cuales ganó un conjunto de datos. LimiX-2 y Kumo-Tabular también están por delante de TabICLv2, Mitra-v2 y TabPFN 3. La ventaja de TabPFN-3.5 sobre TabPFN 3 supera el umbral por 0.02 puntos de rango, la brecha significativa más estrecha de la prueba. Los detalles de la prueba están en la metodología.

Latencia de los modelos tabulares

• El precio de GPU usa la tarifa bajo demanda B200 de RunPod Community Cloud de $5,98 por GPU-hora. Los modelos clásicos se ejecutaron en CPU (62 núcleos); cada modelo fundacional se ejecutó en una B200.
• TabFM promedió 173,6 segundos por pliegue (mediana 16.9) y LimiX-2 111.9 (mediana 28.4). A ese ritmo, los tiempos por pliegue de TabFM para el benchmark completo costaron aproximadamente $27 y los de LimiX-2 aproximadamente $18; TabPFN-3.5 hizo el mismo trabajo por $0,68, y LightGBM se ejecutó en CPU.
• TabPFN-3.5 y Kumo-Tabular promedian 4.3 y 7,6 segundos por pliegue; la ejecución completa de Kumo-Tabular cuesta $1.19. Causilo (1,4 segundos) y Mitra-v2 (1.5) son los modelos fundacionales más rápidos.
• Los tiempos por pliegue excluyen el arranque en frío de TabFM: su backend JAX tarda aproximadamente de 20 a 25 minutos compilando núcleos de GPU antes de la primera predicción. Una caché de compilación persistente elimina esto en ejecuciones posteriores.
• LimiX-2 utilizó aproximadamente 124 GB de memoria de GPU en los conjuntos de datos más grandes. El backend JAX de TabFM en hardware B200 topa con un error documentado de cuBLAS en la pila CUDA 12 predeterminada, que JAX marca como un riesgo silencioso de corrupción de datos; la pila CUDA 13 lo evita.
• TabFM reprocesa los datos de entrenamiento como contexto en cada lote de predicción, por lo que puntuar repetidamente sobre datos grandes multiplica su coste. Un modelo entrenado de XGBoost predice en microsegundos.

Resultados por tamaño del conjunto de datos y tipo de características

• Conjuntos de datos pequeños (1.000 filas o menos): los modelos fundacionales ocupan los nueve primeros puestos tanto en datos numéricos como híbridos (numéricos más categóricos). LimiX-2 lidera en datos numéricos (93,7 % de ROC-AUC medio). La Regresión Logística se mantiene en datos numéricos (91,2 %) y se desploma en híbridos (77,5 %).
• Conjuntos de datos medianos (de 1.001 a 10.000 filas): los modelos fundacionales lideran en ambos tipos de características. La brecha en híbridos es amplia: LimiX-2 tiene un ROC-AUC medio de 85,5 % frente al 83,4 % del mejor modelo clásico, CatBoost.
• Conjuntos de datos grandes (más de 10.000 filas): el antiguo patrón de que “el boosting se pone al día a gran escala” ha desaparecido. En datos numéricos grandes, LimiX-2, Kumo-Tabular y TabPFN-3.5 promedian 99,6 % frente al 97,0 % de XGBoost. En datos híbridos grandes, LimiX-2 y TabPFN-3.5 lideran con 89,2 % frente al 87,6 % de LightGBM.
• Mitra-v2 promedia 95,6 % en datos numéricos grandes, por debajo de XGBoost. Ese grupo contiene un único conjunto de datos binario, electricity, donde Mitra-v2 predice a partir de un contexto limitado.

Rango medio por régimen

La vista de rangos añade dos cosas que los promedios de ROC-AUC ocultan.

• LimiX-2 mantiene el mejor rango medio en cinco de seis regímenes, empatado con TabFM en datos numéricos medianos. En datos híbridos pequeños, su rango invertido de 9.5 lo sitúa cuarto, por detrás de Kumo-Tabular (11.5), TabFM (10.0) y TabPFN-3.5 (9.8).
• Cada modelo fundacional, excepto Mitra, supera en rango a todos los modelos clásicos en los seis regímenes.

Victorias de modelos por régimen

LimiX-2 se lleva puntos de victoria en los seis regímenes y 11.1 de los 19 puntos en total. TabFM puntúa en tres regímenes; Kumo-Tabular y TabPFN-3.5 en dos. Los modelos clásicos no suman puntos. El empate a ocho en monks-problems-2 reparte un punto entre ocho, por lo que la mayoría de los modelos fundacionales muestran 0.1 en datos híbridos pequeños.

Observaciones específicas por modelo

LimiX-2 (StableAI)

LimiX-2 tiene el mejor rango medio (2.16) y 11 victorias absolutas. También tiene el segundo mayor coste computacional, con 111,9 segundos por pliegue y aproximadamente 124 GB de memoria de GPU en los conjuntos de datos más grandes².

Kumo-Tabular (NVIDIA)

Kumo-Tabular tiene el segundo rango medio (2.63) con 7,6 segundos por pliegue, y la prueba de significancia no lo distingue de LimiX-2³. Terminó entre los tres primeros en 16 de 19 conjuntos de datos.

TabPFN-3.5 (Prior Labs)

TabPFN-3.5 tiene el tercer rango medio (3.26) con 4,3 segundos por pliegue, frente a los 4.2 de TabPFN 3. Su ventaja de rango sobre TabPFN 3 es significativa por el margen más estrecho de la prueba. SAP anunció la adquisición de Prior Labs en mayo de 2026⁴, lo que resulta relevante para los compradores empresariales que evalúan la estabilidad del proveedor.

TabFM (Google Research)

TabFM tiene el cuarto rango medio (3.53) y terminó primero en tres conjuntos de datos⁵. Sus tiempos por pliegue son aproximadamente 40x los de TabPFN 3, su primera ejecución compila durante más de 20 minutos y está limitado a 10 clases y optimizado para hasta 500 características.

Causilo (Nums IA)

Causilo tiene el quinto rango medio (4.89) con 1,4 segundos por pliegue, el modelo fundacional más rápido del benchmark⁶. Ninguno de los cuatro modelos que lo preceden está significativamente por delante de él.

TabICLv2 (Inria SODA)

TabICLv2 tiene el sexto rango medio (6.58) con 3,1 segundos por pliegue⁷. Añade soporte de regresión, del que carecía el TabICL original, y completó los 19 conjuntos de datos.

TabPFN 3 (Prior Labs)

TabPFN 3 tiene el octavo rango medio (7.11) y completó los 19 conjuntos de datos en 6.6 GPU-minutos⁸.

Mitra-v2 (Amazon)

Mitra-v2 tiene el séptimo rango medio (7.00) con 1,5 segundos por pliegue⁹. Elimina el límite de 10.000 filas de Mitra y completó los 19 conjuntos de datos, pero en cinco conjuntos de datos binarios grandes predice a partir de una muestra de como máximo 16.384 filas de entrenamiento.

Mitra (Amazon, vía AutoGluon)

Un especialista en datos pequeños por diseño: un límite estricto de entrenamiento de 10.000 filas lo convierte en N/A en 7 de 19 conjuntos de datos. En los 12 conjuntos de datos en los que participa promedia un rango de 9.12 entre los 13 modelos. Mitra-v2 elimina ese límite y obtiene mejor rango.

Potenciación por gradiente: LightGBM, CatBoost, XGBoost

Los árboles de potenciación por gradiente ya no lideran en precisión en ningún régimen. LightGBM fue el mejor modelo clásico (rango medio 9.74). CatBoost fue el mejor modelo clásico en datos híbridos medianos. XGBoost terminó último en rango medio (10.79) y mostró una debilidad notable: con divisiones categóricas nativas en la regresión de alta cardinalidad employee_salaries, obtuvo un RMSE de 10.894 mientras que LightGBM obtuvo 4.367 con entradas idénticas. Es un resultado de un único conjunto de datos, pero conviene comprobarlo antes de confiar en el modo categórico de XGBoost.

En 2026, la propuesta de los árboles potenciados es operativa: entrenamiento por debajo del segundo, inferencia en microsegundos, sin GPU, sin límites de filas y con herramientas maduras.

Regresión Logística

Logistic regression tiene un rango medio de 10.53, pero en amazon_employee_access supera a todos los árboles de potenciación por gradiente, a TabPFN 3 y a TabICLv2. El one-hot disperso más un modelo lineal sigue siendo una base sólida y casi gratis en datos categóricos de alta cardinalidad. Mantenlo en cada benchmark.

Conclusiones clave

Cinco modelos fundacionales (LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM y Causilo) superan a los cuatro modelos clásicos con significancia estadística en los 19 conjuntos de datos, y los modelos fundacionales lideran en todos los regímenes de tamaño y tipo de características. Esto se mantiene solo cuando cada modelo recibe la entrada categórica para la que fue diseñado; forzar la codificación one-hot en modelos in-context perjudica gravemente su rendimiento en datos de alta cardinalidad.

La prueba de significancia no separa a LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM ni a Causilo. Sus tiempos por pliegue van de 1,4 segundos (Causilo) a 173,6 segundos (TabFM).

De estos cinco, solo la licencia de Kumo-Tabular permite el uso comercial del modelo y sus resultados sin un acuerdo aparte.

Zero-shot significa cero entrenamiento, no cero cómputo. Evalúa el volumen de predicción de tu carga de trabajo antes de elegir TabFM o LimiX-2.

¿Qué son los modelos fundacionales tabulares?

Los modelos tabulares tradicionales se entrenan desde cero en cada conjunto de datos. Los modelos fundacionales tabulares (TFM) se preentrenan una sola vez con grandes colecciones de problemas tabulares, en su mayoría sintéticos, y se adaptan a nuevos conjuntos de datos en el momento de la inferencia: las filas de entrenamiento entran como contexto y las predicciones salen de una pasada hacia adelante. Sin entrenamiento por gradiente y sin ajuste de hiperparámetros.

TabPFN reformula el aprendizaje tabular como inferencia bayesiana amortizada: un transformer preentrenado con millones de tareas sintéticas se condiciona al conjunto de datos observado para producir predicciones⁸. TabPFN 3 está diseñado para hasta 1.000.000 filas y 2.000 características, con manejo nativo de categóricas.

TabICL extiende el aprendizaje en contexto a las tablas: las filas se convierten en tokens estructurados y el modelo infiere reglas de decisión a partir de ejemplos de contexto¹⁰. TabICLv2 añadió soporte de regresión en febrero de 2026.

TabFM combina los dos enfoques: atención alternada de filas y columnas sobre celdas sin procesar, compresión de cada fila en un vector denso y, a continuación, un transformer en contexto sobre las filas comprimidas. Se entrenó con cientos de millones de conjuntos de datos sintéticos generados a partir de modelos causales estructurales.

Mitra sigue la línea de TabPFN dentro de AutoGluon, ajustado para datos pequeños.

LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo y Mitra-v2 funcionan del mismo modo en este benchmark: cada uno predice a partir de las filas de entrenamiento como contexto, sin entrenamiento por gradiente sobre el conjunto de datos.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Metodología del Benchmark de Modelos Tabulares

Modelos (13): LogisticRegression (regresión de Ridge en los tres conjuntos de datos de regresión), XGBoost, LightGBM, CatBoost, TabPFN 3, TabICLv2, TabFM, Mitra, LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo, Mitra-v2.

Conjuntos de datos (19, OpenML): 15 de clasificación binaria, 1 multiclase, 3 de regresión; de 435 a 48.800 filas; características únicamente numéricas o híbridas (numéricas más categóricas). Se eliminaron las columnas con fugas de información conocidas.

Evaluación: validación cruzada estratificada de 5 pliegues (CV simple para regresión), semilla 42, particiones idénticas para cada modelo. Métricas principales: ROC-AUC (binaria), macro-F1 (multiclase), RMSE (regresión). Hiperparámetros predeterminados, sin ajuste. Esto favorece a los modelos tuning-free: un XGBoost ajustado obtendría una puntuación más alta, y los presupuestos de ajuste son en sí mismos un coste que no modelamos.

Configuración: los ajustes fijos del benchmark para los modelos clásicos, TabPFN 3, TabICLv2, TabFM y Mitra; para LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo y Mitra-v2, la configuración predeterminada de TabArena, una tabla de clasificación pública para modelos tabulares. Ningún modelo se somete a fine-tuning. La configuración predeterminada de TabArena para Mitra-v2 hace fine-tuning durante 50 pasos en cada pliegue de entrenamiento; aquí Mitra-v2 se ejecuta sin ello.

Tratamiento de categóricas, según el diseño de cada modelo: dtype nativo de categoría para CatBoost, XGBoost, LightGBM, Causilo y Mitra-v2; características sin procesar con índices categóricos para TabPFN 3, TabPFN-3.5 y TabFM; columnas de texto sin procesar para LimiX-2; tipos de columna inferidos por el modelo para Kumo-Tabular; codificación ordinal para TabICLv2; one-hot más StandardScaler solo para la Regresión Logística. Ningún modelo que admite categóricas nativas se fuerza a one-hot. La compensación: las celdas difieren en la representación de entrada por diseño. Forzar una única representación en todos los modelos parece más justo, pero penaliza a los modelos creados para una entrada diferente.

Entorno: un pod de RunPod con 2x NVIDIA B200 (183 GB), driver 580, Ubuntu 24.04. Modelos clásicos en CPU (62 núcleos); cada modelo fundacional en una B200. PyTorch 2.8.0 cu128 para TabPFN 3, TabICLv2 y Mitra; JAX 0.10.1 con wheels CUDA 13 para TabFM. LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo y Mitra-v2 se ejecutaron en pods RunPod con una sola B200 (driver 595, CUDA 13.2), un modelo por GPU a la vez, cada uno en su propio entorno Python.

Latencia: tiempo de reloj de ajuste más predicción por pliegue, registrado dentro del arnés. La compilación única de TabFM se excluye de los tiempos por pliegue y se informa por separado.

Política de N/A: una celda es N/A solo por un límite documentado del modelo, con el motivo registrado en los logs. Los únicos N/A en los datos finales son los 7 conjuntos de datos de Mitra por encima de su límite de 10.000 filas.

Límite de contexto de Mitra-v2: en conjuntos de datos binarios con más de 16.384 filas de entrenamiento (adult, amazon_employee_access, bank-marketing-full, default_credit, electricity), Mitra-v2 predice a partir de una muestra equilibrada por clase de 16.384 filas de entrenamiento, redibujada para cada lote de 16.384 filas de prueba. Este es el valor predeterminado de TabArena. El límite es de 32.768 filas para multiclase y regresión, que ningún conjunto de datos aquí supera.

Métricas de rango: dentro de cada conjunto de datos, los modelos se ordenan de 1 (mejor) a k según la métrica principal; el rango medio de un modelo promedia estos valores en los conjuntos de datos que completó. El gráfico de regímenes muestra el rango invertido, k + 1 menos el rango, de modo que cuanto más alto es mejor y 13 significa primero entre 13. Los puntos de victoria otorgan el único punto de cada conjunto de datos a la mejor puntuación; los empates exactos lo reparten a partes iguales, de modo que un empate a ocho paga 0.125 a cada uno.

Estadística: prueba de Friedman más la diferencia crítica de Nemenyi sobre los 12 modelos con cobertura completa. Mitra se excluye porque completó 12 de 19 conjuntos de datos; incluirlo reduciría la prueba a esos 12. Los rangos medios citados en las secciones de modelos provienen de esta prueba de 12 modelos; el de Mitra se calcula entre los 13 modelos en sus 12 conjuntos de datos.

La prueba de Friedman da chi-cuadrado 165.8, p por debajo de 10^-29. La diferencia crítica es CD = q × sqrt(k(k+1) / (6N)), con q = 3.268 a un alfa de 0.05 para k = 12 modelos y N = 19 conjuntos de datos, lo que da CD = 3.82: dos modelos difieren de manera significativa solo si sus rangos medios están separados por más de 3.82. Los cuatro primeros abarcan desde 2.16 (LimiX-2) hasta 3.53 (TabFM), por lo que ninguna diferencia entre ellos supera el umbral. La diferencia de LimiX-2 respecto a TabICLv2 es de 4.42; la de TabPFN-3.5 respecto a TabPFN 3 es de 3.84. Los intervalos de confianza del rango medio provienen de un bootstrap de 10.000 muestras sobre los conjuntos de datos.

Puntuaciones Elo: cada conjunto de datos es un todos contra todos entre todos los modelos que lo completaron, con 1.398 enfrentamientos por pares en total. El modelo con la mejor métrica principal gana el enfrentamiento (puntuación 1); los empates exactos puntúan 0.5 cada uno.

Las fórmulas utilizan cuatro cantidades. R(A) es la puntuación actual del modelo A, el número que muestra el gráfico; todos los modelos comienzan en R = 1000. S(A) es la puntuación real que el modelo A obtuvo en un enfrentamiento: 1 por una victoria, 0.5 por un empate, 0 por una derrota. E(A) es la puntuación esperada, la probabilidad de victoria que predicen las puntuaciones actuales para A antes de contar el enfrentamiento. K = 32 es el paso de actualización, que limita cuánto puede mover un único enfrentamiento la puntuación.

Antes de un enfrentamiento entre los modelos A y B, la puntuación esperada es E(A) = 1 / (1 + 10^((R(B) − R(A)) / 400)): cuando las puntuaciones son iguales, da 0.5, y se aproxima a 1 a medida que la puntuación de A se adelanta. Después del enfrentamiento, la puntuación se actualiza mediante R(A) = R(A) + K × (S(A) − E(A)), de modo que A gana cuando rinde mejor de lo esperado y pierde puntos cuando rinde peor; una victoria sorpresiva sobre un modelo mejor puntuado aporta más que una victoria rutinaria sobre uno más débil. La actualización es de suma cero, por lo que la media del conjunto se mantiene en 1000, y una puntuación cercana a 1000, como los 977 de Mitra-v2, se interpreta como un modelo medio en este campo. El divisor 400 fija la escala: con una diferencia de 200 puntos, la puntuación esperada es 1 / (1 + 10^(−0.5)) = 0.76, que es de donde viene “gana aproximadamente 3 de cada 4 enfrentamientos”.

Una única pasada de Elo depende del orden de los enfrentamientos, y los 19 conjuntos de datos son a su vez una muestra. Por lo tanto, ejecutamos 1.000 rondas de bootstrap; cada ronda remuestrea los 19 conjuntos de datos con reemplazo, reconstruye la lista de enfrentamientos, baraja el orden de los enfrentamientos y ejecuta Elo desde cero. La puntuación publicada es la media entre rondas, y los intervalos del 95 % son los percentiles 2.5 y 97.5, que cubren tanto el muestreo de conjuntos de datos como el ruido del orden. Elo es la visualización de resumen; la prueba de Friedman y Nemenyi sigue siendo el árbitro de significancia.

Reproducibilidad: semilla fija 42, particiones idénticas, resultados por pliegue y todos los scripts de combinación, estadísticas y Elo en el repositorio del benchmark.

Cita este benchmark

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{kalelioglu2026,
  author = {Kalelioğlu, Berk and Dilmegani, Cem},
  title  = {{Benchmark de Modelos Tabulares: Rendimiento en 19 Conjuntos de Datos}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/tabular-models}},
  note   = {AIMultiple. Recuperado el 12 de octubre de 2026}
}

Registro de cambios

3 actualizaciones

Todas3General2Metodología1

2026

1. 3 de jul

   Añadido TabFM al benchmark, liderando cada régimen de datos.

2. 19 de may

   Reemplazado TabPFN por TabPFN 3 en los resultados, las clasificaciones y las limitaciones del benchmark.

3. 19 de may

   Se reemplazó TabPFN por TabPFN 3 en la lista de modelos evaluados.

Enlaces de referencia

1.

AutoGluon Tabular - Foundational Models - AutoGluon 1.6.1 documentation

2.

[2609.17488] LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence

3.

GitHub - NVIDIA/structured-data-models: Foundation Models for Structured Data · GitHub

4.

SAP to Acquire Prior Labs | SAP News Center

SAP

5.

Introducing TabFM: A zero-shot foundation model for tabular data

6.

[2609.22866] Causilo Technical Report

7.

[2602.11139] TabICLv2: A better, faster, scalable, and open tabular foundation model

8.

[2207.01848] TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second

9.

[2609.04540] Mitra-v2 Technical Report

10.

[2502.05564] TabICL: A Tabular Foundation Model for In-Context Learning on Large Data

Berk Kalelioğlu

Investigador de IA

Síguenos

Berk es Investigador de IA en el equipo de benchmark de AIMultiple, centrándose en IA agéntica, aprendizaje automático y los models de lenguaje grandes y pequeños (LLMs y SLMs).

Ver perfil completo

Investigado por

Cem Dilmegani

Analista Principal

Síguenos

Cem ha sido el analista principal en AIMultiple desde 2017.

El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]

A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.

Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.

Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario