Enfocado en ayudar a las empresas a tomar el control de sus decisiones. Mi lema es "Tu negocio en tus manos". Hago las preguntas correctas para descubrir los hallazgos de mayor impacto. Construyo proyectos de datos de extremo a extremo: desde la extracción y limpieza de datos del mundo real hasta el análisis, la visualización y la automatización.
¿Cómo optimizar el menú, los horarios pico y la venta cruzada para maximizar la rentabilidad de una cafetería?
Análisis de Ventas y Dashboard Interactivo en Power BI y Python
Rendimiento Comercial y Comportamiento del Cliente en Cafetería
PythonpandasMatplotlibSeabornPower BI
Un análisis exhaustivo de datos sobre el rendimiento de ventas y el comportamiento del cliente, enfocado en optimizar la estrategia comercial y la rentabilidad de una cafetería utilizando Python y Power BI.
Segmentador de Transformación de Canalización de Datos
Selecciona el estado de la canalización para inspeccionar de forma interactiva cómo una ingesta cruda caótica y llena de anomalías se transforma en un modelo óptimo.
Estado de la CanalizaciónIngesta Cruda
Anomalías Detectadas10 Errores Críticos
Integridad de Datos42.8%
🚨 [Estado: Conjunto de Datos Crudo] - Corrupción extrema: Valores NaN, precios negativos, IDs duplicados, errores tipográficos y quiebres de formato.
tx_id
timestamp
item
price
payment
store_loc
customer_id
TX1001
2026-01-01 08:30
Latte
3.50
Credit
Downtown
C-4091
TX1002
MISSING_DATE
Espresso
ERROR_NaN
Debit
Downtown
C-8812
TX1003
01/01/2026 09:15
Croissant
-99.99
Cash
Airport
C-1029
TX1004
2026.01.01
M#cha
4.00
Credit
Downtown
C-3304
TX1001
2026-01-01 10:20
Muffin
FREE_PROMO
Cash
Airport
C-5012
TX1006
2026-01-01 11:05
Cappuccino
3.75
???_UNKNOWN
Downtown
C-9921
TX1007
2026-01-01 11:40
Tea
2.00
Credit
ERROR_404
NULL_USER
TX1008
BAD_DATE_FORMAT
Americano
2.80
Debit
Downtown
C-2290
Dashboard Interactivo Final (Power BI)
Vista consolidada de Business intelligence diseñada para la toma de decisiones ejecutivas y el control operativo.
Productos categorizados por rentabilidad y volumen de ventas.
Demanda por Franja Horaria
Identificación de picos operativos bimodales.
Canal de Servicio
Preferencia de consumo en local vs. para llevar.
Métodos de Pago
Adopción de pagos digitales superior al 85%.
Resumen Ejecutivo
Descalce entre % de Margen y Ganancia Real en $
79.8%Ingresos (Café + Sándwiches)
• Tés (Ilusión de Alto Margen): Alto margen porcentual (70%-77%), pero retorno en efectivo muy bajo ($1,365 - $1,483 por unidad, cuadrante Perro BCG).
• Sándwiches (Motor de Ganancia): Menor porcentaje de margen (62.4%), pero generan la mayor ganancia neta en dinero por unidad (ej. Croissant de Carne Pulled genera +$2,882 de ganancia neta/unidad).
• Concentración del Negocio: El Café ($21.4M) y los Sándwiches ($19.0M) impulsan casi el 80% de los ingresos totales ($50.4M).
¿Dónde gasta el Estado chileno y cómo identificar oportunidades reales para nuevos proveedores?
Análisis Exploratorio de Datos (EDA) y Dashboard de Mercado Público en Python y Power BI
PythonpandasNumPyMatplotlibSeabornPower BI
Análisis Exploratorio de Datos (EDA) de ~1.1 millones de órdenes de compra públicas de Mercado Público para identificar patrones de gasto, concentración geográfica y nichos de mercado accesibles para proveedores.
Panel Interactivo Final (Power BI)
Evaluación interactiva de la asignación de recursos estatales y distribución regional/sectorial.
Granularidad de Línea vs. Orden: Se analizaron los totales netos por línea de ítem (total_linea_neto) en lugar de los montos totales de la orden para evitar duplicación en el conteo.
Conciliación de Moneda e IVA: Se verificó el 99.4% de las transacciones en CLP y se reconciliaron las brechas entre los valores netos y brutos de las órdenes.
Normalización de Entidades Geográficas: Se consolidaron 32 etiquetas regionales inconsistentes en las 16 regiones oficiales de Chile mediante normalización Unicode y coincidencia de texto por palabras clave.
Principio Pedagógico: Diagnóstico profundo de anomalías en datos crudos antes de aplicar transformaciones automatizadas.
Análisis Respaldado por Gráficos y Desglose de Pareto
Gráfico de Pareto por Organismo
Las 10 principales entidades absorben el 84.1% del presupuesto total.
Desglose por Sector
TI y Telecomunicaciones lideran el gasto macrosectorial con un 42.8%.
Desglose por Categoría
Distribución granular que muestra el dominio del transporte de pasajeros y la logística.
Matriz de Oportunidades de Mercado
Diferenciando nichos abiertos reales de mercados cautivos según el conteo de proveedores y liquidez.
Categoría / Rubro
Tipo de Mercado
Proveedores
Gasto / Proveedor
Diagnóstico
Transporte y Encomienda
Abierto / Dinámico
94
$140.09T CLP
🟢 Nicho #1: Alto flujo transaccional.
TI y Telecom (Sub 1782)
Abierto / Dinámico
364
$26.33T CLP
🟢 Nicho #2: Mayor rotación transaccional.
TI y Telecom (Sub 1802)
Moderado
429
$28.69T CLP
🟢 Nicho #3: Alta liquidez acumulada.
Servicios Financieros
Cerrado / Concentrado
6
$630.98T CLP
🔴 Falso Nicho: Oligopolio bancario institucional.
Maquinaria Minera
Cerrado / Concentrado
8
$37.12T CLP
🔴 Falso Nicho: Exclusividad técnica extrema.
Resumen Ejecutivo
Análisis Exploratorio Mercado Público
💡 HallazgoAnálisis EDA
• Concentración de Ofertas: Gran parte del volumen de transacciones se concentra en licitaciones de menor tamaño, identificando cuellos de botella clave en los procesos de adjudicación.
• Oportunidad de Optimización: Ajustes estratégicos en la postulación y filtrado de licitaciones permiten detectar patrones atípicos y mejorar la eficiencia en la toma de decisiones presupuestarias.
Un pipeline de datos automatizado de extremo a extremo que extrae series del IPC y la UF desde la API REST del Banco Central de Chile (BCCh), limpia y transforma los datos, los carga de forma idempotente en PostgreSQL y visualiza la pérdida del poder adquisitivo y la protección contra la inflación en Power BI.
Ciclo de Ejecución del Pipeline ETL
Flujo de ejecución continua automatizada (haz clic o pasa el cursor para inspeccionar una etapa):
Cargando pipeline...
Dashboard Interactivo Final (Power BI)
Visualización de 11 años de datos macroeconómicos (2015–2025): erosión del poder adquisitivo del peso chileno vs. cobertura de inflación con la UF.
Peticiones HTTP directas para un control total de las respuestas en lugar de wrappers de SDKs de terceros.
Transformación
Python (pandas)
Resampling de frecuencia diaria a mensual, alineación del índice a base 100 y cálculo de inflación interanual (YoY).
Persistencia
PostgreSQL + SQLAlchemy
Cargas idempotentes con upsert (ON CONFLICT DO UPDATE) para eliminar registros duplicados en reejecuciones.
Orquestación
main.py centralizado + Windows Task Scheduler
Ejecución mensual automatizada con reintentos mediante backoff exponencial y registro de logs.
Decisiones Clave de Ingeniería:
Upsert Idempotente en Base de Datos: Reejecutar el pipeline actualiza los registros existentes en lugar de generar duplicados.
Rutas Absolutas Ancladas al Script: Utiliza pathlib de Python para garantizar una ejecución consistente, ya sea desde la CLI o mediante el Programador de Tareas.
Contextualización de Errores por Capas: Mecanismos diferenciados de reintento y registro de logs entre la etapa de extracción y la de orquestación.
Hallazgos Empíricos Clave (2015 – 2025)
Evaluación cuantitativa de la depreciación de la moneda y los mecanismos de preservación del valor real en Chile.
💡 Hallazgo Clave: Entre 2015 y 2025, el peso chileno perdió casi el 38% de su poder adquisitivo (el IPC creció de 100 a ~160). Simultáneamente, el índice de la UF acompañó este crecimiento (~162), demostrando empíricamente que la UF protege perfectamente el capital contra la inflación en horizontes de largo plazo.
