Tus datos hablan.
¿Estás escuchándolos?

Los datos sobre llamados a la Línea 137 en el AMBA estaban disponibles públicamente pero en formato crudo, sin ninguna visualización que permitiera entender patrones, zonas críticas o evolución temporal. El objetivo fue transformar ese dataset en algo que cualquier persona pudiera leer e interpretar.

Los datos se obtuvieron directamente desde el portal de datos abiertos del gobierno argentino. Antes de construir el reporte, diseñé el layout completo en Figma — una práctica que mejora enormemente el resultado final porque separás las decisiones de diseño de las técnicas. La transformación y modelado se realizaron en Power Query dentro de Power BI.

Un reporte interactivo que permite explorar los llamados por zona geográfica, franja horaria y evolución mensual. Datos públicos convertidos en insight social concreto.

Entender que no todos los clientes son iguales es el primer paso. El desafío fue identificar grupos con comportamientos y características similares para poder diseñar estrategias de marketing más precisas y personalizadas para cada perfil.

Trabajamos con un dataset público de Kaggle que contiene variables de comportamiento de compra. El modelo de clustering se desarrolló con PyCaret, ejecutado directamente dentro de Power BI mediante el integrador de Python — sin necesidad de exportar datos ni usar herramientas externas. PyCaret simplificó la comparación de algoritmos y la selección del modelo óptimo.

Segmentos de clientes claramente diferenciados, visualizados en Power BI con sus características principales. Audiencias listas para ser usadas en campañas de marketing con mayor precisión y menor desperdicio de presupuesto.

La información sobre licitaciones viales nacionales estaba dispersa en el sitio oficial del gobierno, sin una forma simple de consultarla, filtrarla ni analizarla en conjunto. Seguir el estado de cada obra requería revisión manual constante.

Desarrollamos un scraper con Python y Selenium para extraer automáticamente todas las licitaciones publicadas, incluyendo estado, presupuesto y plazos. Los datos se limpiaron y normalizaron para garantizar precisión. Luego usamos un plugin de geolocalización para inferir las coordenadas de cada obra a partir de las descripciones textuales, permitiendo mapearlas geográficamente.

Un reporte en Power BI con mapa interactivo, filtros por estado y provincia, evolución de presupuestos y seguimiento de plazos. Monitoreo automático de obra pública sin intervención manual.

Los mensajes de texto son una fuente de datos masiva e infrautilizada. El desafío fue convertir una conversación de WhatsApp en información estructurada y analizable: ¿quién habla más? ¿en qué horarios? ¿qué temas dominan? ¿cuál es el tono general del grupo?

Exportamos el historial de un grupo público de WhatsApp y procesamos el texto con Python y sus librerías de NLP. Se realizó limpieza, tokenización y análisis de frecuencia de palabras para identificar términos relevantes. Luego se calcularon métricas de volumen, actividad por franja horaria y evolución temporal de la conversación.

Un reporte interactivo en Power BI que muestra patrones de comunicación, palabras clave, participación por usuario y análisis de sentimiento — todo a partir de texto plano. Lo que antes era ruido, ahora es insight.

Necesitaba reemplazar una canilla y un colchón, pero comparar productos manualmente entre cientos de publicaciones del E-Commerce era una tarea lenta y agotadora. En lugar de resignarse a eso, la pregunta fue: ¿se puede automatizar?

Con Python y Selenium se automatizó el raspado del E-Commerce, extrayendo título, precio, descripción, imagen y valoración de cada publicación y almacenándolos en CSV. Luego se construyó una app con Streamlit y ECharts para visualizar y comparar productos en tiempo real, con el reporte de Power BI embebido para el análisis profundo final.

Una solución completa que transforma horas de búsqueda manual en minutos de análisis automatizado. Precio, características y valoraciones comparadas en un solo lugar — aplicable a cualquier categoría de producto.

Los productores agrícolas registran diariamente actividades, costos e insumos desde el campo — pero esa información quedaba aislada en cada registro sin una visión consolidada que permitiera comparar campañas, analizar rendimientos por cultivo o identificar dónde se concentran los costos.

El dashboard se alimenta directamente de las bases de datos generadas por nuestra app mobile de gestión agrícola, que cuenta con módulos de actividades, costos, insumos y seguimiento por lote. Los datos fluyen desde la app hacia Power BI, donde se transforman y modelan para construir las visualizaciones. Al ser una app genérica, el reporte funciona para cualquier tipo de cultivo.

Un dashboard que consolida toda la operación del campo en un solo lugar: rendimiento por cultivo, comparativa entre campañas, zonas productivas y evolución de costos. Decisiones de siembra y gestión basadas en datos reales del propio establecimiento.

Retener un cliente existente cuesta hasta 5 veces menos que conseguir uno nuevo. El problema es identificarlo antes de que se vaya. Este proyecto busca exactamente eso: predecir qué clientes tienen alta probabilidad de abandono para actuar de forma preventiva.

El modelo fue entrenado con el dataset público Churn Bank usando PyCaret en Python, que permitió comparar múltiples algoritmos y seleccionar el de mejor performance automáticamente. La app se desplegó en Streamlit e integra reportes tanto en Power BI como en Looker Studio para el análisis exploratorio.

Una app funcional con dos modos de uso: predicción individual ingresando los datos de un cliente específico, y predicción por lotes cargando un archivo CSV con múltiples clientes. Lista para ser adaptada a datos reales de cualquier empresa.

En una organización de torneos de Pelota a Paleta surgió una pregunta aparentemente simple: ¿cómo beneficiar a jugadores que viajan largas distancias? El criterio inicial era claro — más de 200 km promedio recibía bonificación. Pero al analizar los datos apareció un caso que rompió el esquema: dos jugadores con una sola participación de 800 km calificaban para el beneficio máximo. ¿Es justo equiparar eso con quien viaja 150 km pero participa en 10 torneos?

En lugar de parchear el caso con excepciones, se rediseñó la métrica desde cero. Se construyó un Índice de Esfuerzo multidimensional que combina tres variables: km totales acumulados (35%), percentil 90 de distancias — picos de esfuerzo — (25%), y cantidad de eventos participados — constancia — (40%). Las coordenadas geográficas se obtuvieron y validaron con una extensión de geolocalización para calcular distancias reales entre jugadores y sedes.

Método original: 23 beneficiados con criterio de umbral fijo. Método nuevo: 27 beneficiados con índice multidimensional. El cambio rescató 26 jugadores sub-beneficiados ignorados por el criterio anterior, y eliminó 21 asignaciones cuestionables basadas solo en distancia. Tasa de acuerdo entre métodos: 86.2%.

Un sistema de beneficios por percentil de esfuerzo: ≥97 → 3 pases, ≥95 → 2 pases, ≥92 → 1 pase. No se trata de sofisticación — se trata de tomar decisiones justas, guiadas por datos.

Tomar decisiones de inversión informadas requiere analizar fundamentals, noticias, precios históricos, riesgo y rendimiento comparado — todo al mismo tiempo. Herramientas profesionales para esto son costosas o fragmentadas. El objetivo fue construir una suite completa desde cero, en Python.

La app se alimenta de APIs financieras y web scraping para obtener precios, fundamentals y noticias en tiempo real. El módulo de análisis fundamental usa LLM para interpretar los datos cualitativos del instrumento. El backtester permite probar diferentes estrategias sobre datos históricos, mientras que el módulo de optimización de portafolio calcula la combinación óptima de activos según perfil de riesgo.

📈 Backtesting de estrategias de trading
🔮 Predicción de precios con ML
⚖️ Medidores de riesgo y comparación con benchmarks
🧠 Análisis fundamental con LLM
📰 Noticias financieras
💼 Optimización de portafolio

Armar los pedidos a proveedores manualmente es un proceso lento y propenso a errores: revisar qué falta, calcular cantidades, redactar el mensaje para cada proveedor. En negocios con muchos productos y varios proveedores, eso puede llevar horas y aún así generar omisiones.

La app tiene los productos cargados y relacionados con cada proveedor. El usuario selecciona qué necesita y en qué cantidad, y el sistema genera automáticamente la lista de pedido agrupada por proveedor. Con un solo toque, el pedido completo se envía directo por WhatsApp a cada proveedor con el detalle exacto de productos y cantidades.

Lo que antes llevaba horas ahora toma minutos. Cero pedidos perdidos, cero productos olvidados y trazabilidad completa de cada orden enviada — todo desde el celular.

En fábrica produce, vende y mueve stock. Sin un registro centralizado ese movimiento se pierde, genera errores de inventario y decisiones basadas en números incorrectos. Esta app lo resuelve desde el dispositivo móvil de cada operario.

Solución genérica y adaptable para industrias, fábricas y depósitos. Registra en tiempo real cantidades ingresadas, salidas e inventario disponible. Cada movimiento queda trazado con fecha, turno y responsable.

Stock siempre actualizado. La información de planta o depósito disponible al instante para quienes toman decisiones, sin esperar reportes al final del día.

La gestión de un establecimiento bovino — tambo, cría o feedlot — implica seguimiento individual de animales, registros sanitarios, producción y trazabilidad por lote. Sin un sistema centralizado esa información se pierde o queda en papeles imposibles de analizar.

App genérica y adaptable para cualquier tipo de establecimiento ganadero. Permite el seguimiento individual de animales, gestión sanitaria, trazabilidad por lote y registro de producción. Diseñada para ser usada directamente desde el campo.

Trazabilidad sanitaria completa de cada animal, historial por lote y producción registrada en tiempo real. Información lista para ser analizada o presentada ante organismos de control.

Planificar siembras, registrar insumos, controlar actividades por parcela y medir rendimientos son tareas críticas en cualquier explotación agrícola. Sin un sistema ordenado esa información se dispersa y las decisiones se toman a ciegas.

App genérica y adaptable para productores individuales o cooperativas agropecuarias. Cubre el ciclo completo: planificación de siembras, registro de actividades e insumos por parcela, y seguimiento de rendimiento. Los datos generados alimentan directamente el Dashboard de Producción Agrícola en Power BI para su análisis.

Trazabilidad completa de cada parcela y campaña. Del registro en campo al análisis en dashboard, sin intermediarios ni planillas manuales.