Hago las preguntas correctas para obtener los mejores hallazgos. Trabajo datos con proyectos de punta a punta: desde la extracción y limpieza de datos reales hasta el análisis, la visualización y la automatización. Certificado en Google Advanced Data Analytics y Google Data Analytics.
Análisis del Gasto Público — Mercado Público de Chile
PythonpandasNumPyMatplotlibSeabornPower BI
Dashboard interactivo en Power BI: gasto total, top 10 organismos, mapa regional y filtro por rubro que recalcula todos los visuales en tiempo real.
JUNAEB y CENABAST juntos concentran ~30% del gasto. La curva se aplana rápido: pocos organismos explican el grueso, con una cola larga de compradores menores.
La Región Metropolitana concentra ~62% del gasto y el top 5 llega al ~81%. La concentración geográfica es mucho más fuerte que la de categoría.
El gasto por rubro se reparte entre muchos sectores: el 80% acumulado se alcanza recién cerca del top 14, señal de un mercado abierto.
Ninguna categoría domina: el 80% acumulado no se alcanza ni en el top 15. Mercado amplio, con múltiples frentes de oportunidad.
EDA de ~1,1 millones de órdenes de compra pública (ChileCompra) para responder
dónde conviene entrar como proveedor del Estado. Hallazgo contraintuitivo:
"pocos proveedores" no significa oportunidad — los nichos reales están en mercados
de gasto alto con líder débil, no en mercados cautivos.
Análisis de Riesgo de Mora — LendingClub (P2P Lending)
PostgreSQLPythonpandasMatplotlibSeaborn
La paradoja del riesgo: el grade G es el más peligroso por préstamo (49,4%), pero solo aporta 1,8% de la mora total. Tres grades (C/D/B) concentran el 73,8% por su volumen.
La cartera se deterioró al crecer el volumen: la mora se quiebra al alza en 2014 y llega a su pico en 2016 (23,7%). La "mejora" de 2018 es un artefacto de cohorte incompleta, marcado como dato no confiable.
Cruzando grade × propósito, el grade domina: la combinación más letal es G + consolidación de deuda (50,6%). Los bolsones de riesgo con volumen alto son candidatos a encarecer o vetar.
Análisis de riesgo crediticio sobre 1,23 millones de préstamos peer-to-peer,
usando SQL avanzado (window functions, CTEs). Hallazgo clave: tres grades (C/D/B)
concentran el 73,8% de la mora total por su volumen, no por su tasa —
el monitoreo debe priorizar volumen × tasa, no solo la tasa.
Pipeline ETL de Inflación — Banco Central de Chile
PythonrequestspandasSQLAlchemyPostgreSQLPower BI
Pipeline automatizado de extremo a extremo que extrae las series UF e IPC desde
la API del Banco Central, las procesa, las carga a PostgreSQL (idempotente) y las
visualiza en Power BI. Corre solo, 1 vez al mes. Hallazgo: el peso perdió ~38% de
su poder de compra en 11 años; guardado en UF, lo conservó casi intacto.
