Nuestro universo de datos

Bienvenido a mi galería de proyectos, donde cada desafío se transforma en una oportunidad para innovar. Aquí verás cómo convertí datos complejos en soluciones claras y decisiones estratégicas. Descubre el impacto de mi trabajo y cómo contribuí al éxito empresarial.

Proyecto 1: Limpieza y resumen de datos en hojas de cálculo

En este proyecto trabajé como analista de datos junior para la empresa ficticia VentaExpress, una plataforma de comercio electrónico especializada en productos tecnológicos como laptops, smartphones, auriculares y tablets.

El objetivo fue analizar los datos de ventas del cuarto trimestre de 2024 (octubre–diciembre) en México y Colombia para generar un informe que ayudara al equipo directivo a comprender el desempeño comercial y tomar decisiones estratégicas.

El dataset inicial (ventas_q4_2024_raw.csv) contenía información sin procesar, con problemas comunes en datos reales como formatos inconsistentes, valores duplicados, datos faltantes y columnas desorganizadas.

Descripción, objetivo del análisis y Resultado

En este proyecto realicé un proceso completo de limpieza, transformación y análisis de datos de ventas para identificar insights relevantes que apoyaran la toma de decisiones del negocio.

Primero realicé la preparación del dataset, eliminando registros duplicados, corrigiendo formatos inconsistentes y gestionando valores faltantes para garantizar la calidad de los datos. Posteriormente transformé la información mediante la estandarización de fechas y categorías, creación de nuevas variables y reorganización de columnas para facilitar el análisis.

A través del análisis exploratorio, calculé métricas clave como ventas totales, volumen por producto y distribución por ciudad. Esto permitió detectar patrones de demanda, productos más vendidos y mercados con mayor actividad comercial durante el trimestre.

Finalmente desarrollé visualizaciones claras y accionables que resumen los hallazgos principales y facilitan su interpretación para stakeholders.

Resultado: un dataset limpio y estructurado junto con un reporte visual que permite identificar oportunidades para optimizar inventario, mejorar estrategias de marketing y priorizar los mercados más rentables.

Herramientas: Google Sheets · Limpieza de datos · Análisis exploratorio · Visualización de métricas de negocio.

Evidencia 

Proyecto 2: Análisis Financiero y KPIs de Rentabilidad por País

En este proyecto desarrollé un análisis financiero para evaluar el desempeño de ventas internacionales, integrando ingresos, costos operativos e inversión en marketing con el objetivo de medir la rentabilidad real por país.

El desafío consistía en transformar datos transaccionales en indicadores financieros estratégicos que permitieran entender no solo cuánto se vende, sino qué tan rentable es cada mercado.

Proceso Analítico

Consolidación financiera por país
Agrupé los datos para calcular el total de ingresos y costos por territorio, permitiendo visualizar el tamaño comercial de cada mercado y ordenar los países según su volumen de ventas.

Integración del gasto en marketing
Incorporé la inversión en campañas mediante un proceso de unión de datos (LEFT JOIN), logrando analizar ventas, costos y gasto publicitario de forma comparativa.

Cálculo de KPIs clave
Transformé los datos en métricas que hablan el lenguaje financiero:

  • Beneficio Bruto → Ganancia antes de marketing.

  • Margen % → Eficiencia de ventas por país.

  • ROI % → Rentabilidad de la inversión en campañas.

Herramientas y habilidades aplicadas

 

  • SQL / Análisis en hojas de cálculo

  • Agrupación y agregación de datos

  • Cálculo de KPIs financieros

  • Integración de datasets (JOIN)

  • Análisis de rentabilidad y ROI

  • Business Analytics


 

Principales Hallazgos

El análisis permitió identificar:
• Países con alto volumen de ventas pero bajo margen, revelando oportunidades de optimización de costos.
• Mercados con ROI positivo en campañas, indicando eficiencia en inversión publicitaria.
• Territorios donde la inversión en marketing no se traducía proporcionalmente en rentabilidad.

Impacto del Proyecto

Este análisis permitió pasar de métricas básicas de ventas a una visión financiera integral, ayudando a responder preguntas estratégicas como:

  • ¿Qué países generan mayor rentabilidad real?

  • ¿Dónde es más eficiente invertir en marketing?

  • ¿Qué mercados requieren ajustes en costos o estrategia comercial?

El resultado fue un dashboard financiero estructurado que facilita la toma de decisiones basadas en datos.

Proyecto 5: Movilidad urbana y productividad económica en ciudades de LATAM

Contexto del proyecto

En este proyecto trabajé como analista de datos para el Latin American Development Bank, con el objetivo de evaluar cómo la congestión urbana y los tiempos de viaje se relacionan con la productividad económica en las principales ciudades de América Latina.

El propósito era identificar qué ciudades deberían priorizar inversión en infraestructura de transporte para mejorar su competitividad y bienestar social.

Para ello, integré dos fuentes de datos reales:

  • TomTom Traffic Index → indicadores de congestión, retrasos y tiempos de viaje.

  • OECD Cities → PIB per cápita, desempleo, contaminación y población.

Objetivo del análisis

Construir un dataset unificado y limpio para el año 2024 que permitiera responder preguntas clave de negocio:

  • ¿Qué ciudades presentan alta congestión y baja productividad económica?

  • ¿Cuáles combinan movilidad eficiente con economías sólidas?

  • ¿Qué variables muestran mayor relación con el desarrollo urbano?

Proceso Analítico

El proyecto siguió un flujo estructurado de análisis de datos:

Limpieza y estandarización

  • Corrección de formatos de fecha y tipos de datos.

  • Estandarización de nombres de ciudades y países.

  • Validación de consistencia entre ambas fuentes.

Agregación de datos de tráfico

  • Consolidación de múltiples registros diarios por ciudad.

  • Cálculo de promedios anuales de congestión y retrasos.

  • Extracción del año y filtrado para 2024.

Integración de datasets

  • Unión de tráfico y economía mediante claves ciudad–año.

  • Construcción de una tabla final con una fila por ciudad.

Análisis exploratorio y visualización

  • Comparación entre PIB per cápita y niveles de congestión.

  • Evaluación de relación entre desempleo y movilidad.

  • Identificación de patrones y posibles correlaciones.

Herramientas utilizadas

Python
Pandas
NumPy
Seaborn
Matplotlib
Jupyter Notebook

Principales Hallazgos

El análisis permitió identificar:

• Ciudades con alta congestión y menor productividad, que podrían beneficiarse de inversión en transporte.
• Ciudades con movilidad más eficiente y economías más sólidas, mostrando posibles modelos de referencia regional.
• Una relación observable entre mayores niveles de congestión y menores indicadores económicos en ciertos casos, aunque no uniforme en toda la región.

Impacto del Proyecto

Este proyecto demuestra la capacidad de:

  • Integrar múltiples fuentes de datos reales.

  • Construir datasets analíticos desde cero.

  • Traducir variables técnicas en insights estratégicos.

  • Conectar análisis de datos con decisiones de política pública e inversión.

El resultado final fue un dataset limpio y documentado, listo para análisis futuros, acompañado de visualizaciones que facilitan la interpretación ejecutiva.