Daniel Juan de Dios Aguiñaga Gómez

Problemática abordada:
Un producto digital necesita evaluar si la incorporación de nuevas fuentes de tráfico mejora el desempeño del funnel de conversión y, en particular, el evento clave de pago. El objetivo es tomar una decisión informada sobre si escalar estas nuevas fuentes sin comprometer la rentabilidad ni la experiencia del usuario.

¿Qué hago en este proyecto?
– Construcción y análisis del funnel de eventos
– Validación del diseño experimental mediante pruebas A/A
– Ejecución de pruebas A/B sobre múltiples eventos del funnel
– Evaluación estadística rigurosa (incluye múltiples comparaciones)
– Interpretación de hallazgos y recomendación final

Valor agregado del análisis:
No solo reporto métricas: traduzco resultados estadísticos en decisiones accionables (cuándo escalar una iniciativa, cuándo detenerla y qué cambios adicionales podrían generar mayor impacto). Este enfoque reduce el riesgo de invertir recursos sin beneficio comprobado y fortalece la toma de decisiones basada en evidencia.

Métricas destacadas:

• Evaluación de más de 4,900 usuarios distribuidos en tres grupos experimentales.
• Análisis del comportamiento a través de 5 eventos clave del funnel de conversión.
• Las diferencias observadas no fueron estadísticamente significativas con α = 0.05 ni con el nivel ajustado por múltiples pruebas.

Problemática abordada:
Un servicio digital necesita entender mejor el comportamiento de sus usuarios para optimizar campañas de marketing, mejorar la retención y estimar el valor de tiempo de vida (LTV) por cohorte y canal de adquisición.

¿Qué hago en este proyecto?
– Limpieza y preparación de los datos para que sean consistentes y analizables.
– Análisis exploratorio (EDA) para entender patrones de uso, retención y comportamiento por cohorte.
– Construcción de métricas y modelos sencillos para estimar el LTV y comparar canales de adquisición.
– Síntesis de hallazgos y redacción de recomendaciones en lenguaje accesible para negocio.

Valor agregado del análisis:
No solo calculo métricas; las conecto con decisiones concretas: qué canales parecen más rentables, cómo se comportan las cohortes en el tiempo y qué tipo de inversión podría tener mejor retorno. El resultado es un conjunto de insights que ayudan a priorizar acciones de marketing con base en datos.

Métricas destacadas:

• Análisis de 207,051 usuarios con una retención aproximada del 22.5% a 30 días.
• Cálculo de un LTV promedio proyectado de alrededor de $6.90 USD por usuario.
• Identificación de que las 3 principales fuentes de adquisición concentran el 75.8% del tráfico analizado.

Problemática abordada:
Entender las causas de la cancelación de usuarios y diseñar estrategias de retención basadas en segmentación y predicción.

¿Qué hago en este proyecto?
– Realizo un análisis exploratorio de los datos para identificar patrones relevantes (EDA).
– Construyo un modelo de machine learning para predecir la probabilidad de cancelación de los usuarios (modelo de churn).
– Segmento a los usuarios mediante técnicas de clustering para identificar perfiles de comportamiento (clustering).
– Integro los resultados en conclusiones orientadas a la toma de decisiones (conclusiones).

Valor agregado del análisis:
El proyecto permite anticipar la cancelación de clientes, comprender los distintos perfiles de comportamiento y priorizar acciones de retención basadas en evidencia.

Métricas destacadas:
– Desempeño del modelo (Regresión Logística): accuracy = 0.925, precision ≈ 0.88, recall ≈ 0.83, AUC-ROC = 0.977.
– Segmentación: 5 clústeres con perfiles diferenciados y tasas de churn contrastantes.
– Rango de churn por segmento: desde ≈ 1.4 % (clientes premium/ideales) hasta ≈ 58.8 % (segmento de alto riesgo).

Descripción del proyecto:
MatchReport AI es una aplicación web interactiva que genera automáticamente reportes profesionales de partidos de fútbol a partir de datos de StatsBomb Open Data. La aplicación transforma datos crudos de eventos en insights tácticos y analíticos mediante un pipeline completamente automatizado.

¿Qué hace esta aplicación?
– Permite seleccionar competiciones y partidos de forma dinámica.
– Genera visualizaciones tácticas y analíticas avanzadas.
– Construye reportes profesionales de manera automática.
– Exporta los reportes en formato PDF y PNG.
– Permite descargar todos los resultados en formato ZIP.

Visualizaciones incluidas:
– Mapa de tiros (xG y goles).
– xG acumulado por minuto.
– Redes de pases (local vs visitante).
– Comparativa de pases progresivos.
– Mapas de calor de presión defensiva.

Principales insights que permite obtener:

• Comparar la calidad de las oportunidades generadas por cada equipo.
• Identificar estructuras de posesión y roles clave.
• Detectar patrones de progresión del juego.
• Analizar la intensidad defensiva y zonas de presión.

Valor analítico:
Esta aplicación replica flujos de trabajo utilizados por departamentos de análisis deportivo profesional, permitiendo a usuarios no técnicos generar insights tácticos a través de una interfaz web.

Problemática abordada:
Un gran volumen de reseñas de productos en Amazon hace difícil priorizar qué opiniones revisar manualmente. El objetivo es entrenar un modelo que clasifique automáticamente las reseñas en categorías, para acelerar el entendimiento de la satisfacción del cliente y detectar posibles problemas.

¿Qué hago en este proyecto?
– Limpieza y normalización del texto, tokenización, vectorización TF-IDF y entrenamiento de modelos de clasificación multiclase.
– Evaluación del desempeño con métricas como accuracy y F1, e interpretación de los resultados para entender fortalezas y limitaciones del modelo.

Valor agregado del análisis:
El modelo facilita priorizar reseñas y entender el tono general de la opinión de clientes sin leer cada texto manualmente. Esto puede integrarse en un flujo de monitoreo de calidad de producto o atención a cliente, ayudando a responder más rápido a problemas frecuentes y a detectar patrones de insatisfacción.

Métricas destacadas:

• Entrenamiento del modelo con 103,460 reseñas y un vocabulario de 51,932 términos distintos.
• Mejor modelo (LinearSVC) con un 89.2% de accuracy en el conjunto de prueba.
• F1-score ponderado: 0.88, mostrando buen equilibrio entre precisión y cobertura entre clases.

Problemática abordada:
Un retailer online necesita entender mejor cómo, cuándo y qué compran sus clientes para optimizar surtido, promociones y logística. El objetivo es explorar los datos de pedidos y productos para detectar patrones de demanda y segmentos de comportamiento.

¿Qué hago en este proyecto?
– Exploración y descripción de los datos de usuarios, pedidos y productos.
– Preprocesamiento, depuración de duplicados y generación de métricas de frecuencia, recencia y valor.
– Identificación de patrones de compra y segmentos de clientes a partir de las métricas y visualizaciones generadas.

Valor agregado del análisis:
El análisis ayuda a responder preguntas como qué tan leales son los clientes, en qué horarios compran más y qué patrones de demanda se repiten. Esto puede usarse para diseñar campañas segmentadas, ajustar inventario y priorizar mejoras en la experiencia de compra.

Métricas destacadas del análisis:

• Los clientes realizan en promedio 3.4 pedidos por mes, con un segmento recurrente que supera los 6 pedidos mensuales.
• El 35% de los pedidos ocurre entre las 10:00 y las 15:00, identificando la ventana operativa más relevante para la demanda.
• La segmentación RFM revela que solo el 18% de los usuarios genera el 42% de todas las compras, destacando un segmento de alto valor.