Case Studies Projects
Reducción de desperdicio y transferencia de sistema de inteligencia
ROL
Data Analyst/Business Intelligence Analyst/Operations Analytics
CONTEXTO
Caso de estudio de analítica operacional de extremo a extremo, enfocado en reducir el desperdicio, optimizar la asignación de inventario y mejorar la eficiencia de la distribución regional de panaderías mediante inteligencia de transferencias, monitoreo de riesgos de inventario y tableros de decisión.
CONTEXTO DEL NEGOCIO
Proyecto de simulación del entorno comercial y operativo de una panadería con distribución regional en tiendas y mini‑mercados. El modelo contempla tres niveles estratégicos: ventas en punto de venta, distribución regional y gestión de inventarios perecederos. El reto principal es el riesgo diario de desperdicio y devoluciones en productos de corta vida útil. La solución propone un Marco de Inteligencia de Transferencias, que permite reubicar dinámicamente unidades no vendidas hacia tiendas con mayor demanda, reduciendo pérdidas y protegiendo la rentabilidad.
PROBLEMA DEL NEGOCIO
El negocio enfrenta falta de visibilidad en los principales impulsores de desperdicio, exceso de inventario, categorías de baja rotación y riesgos de merma a nivel tienda.
OBJETIVOS DEL PROYECTO
Reducir el riesgo de desperdicio en categorías perecederas Optimizar los días de inventario y la rotación de existencias.
Identificar las principales oportunidades de transferencia entre tiendas.
Cuantificar el valor recuperable mediante redistribución Priorizar acciones de decisión (descuento, donación, monitoreo).
Mejorar la eficiencia del inventario a nivel tienda Construir tableros ejecutivos para la toma de decisiones.
PRINCIPALES MÉTRICAS DEL NEGOCIO
Salud del inventario
Salud del Inventario
Promedio de Días de Inventario
Proxy de Rotación de Inventario
Días hasta Caducidad
Tasa de Riesgo de Sobreabastecimiento
Desperdicio y riesgo
Tasa de Riesgo de Desperdicio
Tasa de Merma
% de Recomendación de Donación
% de Recomendación de Rebaja
Inteligencia de transferencias
Tasa de Oportunidad de Transferencia
% de Alto Potencial de Transferencia
Puntaje de Prioridad de Transferencia
Puntaje de Brecha de Demanda
Protección de valor
Proxy de Ahorros Totales
Desperdicio Ahorrado por Tienda
Desperdicio Ahorrado por Categoría
Ahorros Accionables por SKU
ENFOQUE ANALÍTICO
El proyecto implementa un flujo integral de inteligencia de decisiones que abarca desde la limpieza y estandarización de datos hasta la construcción de tableros ejecutivos y un manual estratégico. Incluye ingeniería de variables, modelado de riesgos de inventario, lógica de transferencias, estimación de recuperación de desperdicios y un motor de recomendaciones para apoyar decisiones críticas.
HERRAMIENTAS Y TECNOLOGÍA
El flujo de trabajo combina herramientas clave:
Excel y Power Query para la limpieza inicial y auditoría de datos.
Python (Pandas) para la ingeniería de variables y modelado de riesgos.
Power BI para la construcción de tableros ejecutivos y la narrativa estratégica de decisiones.
ANÁLISIS EJECUTADO
Evaluación de desperdicio por categoría y envejecimiento de inventario.
Detección temprana de riesgos de vida útil.
Identificación de puntos críticos de transferencia y desajustes de demanda entre tiendas.
Priorización de transferencias a nivel tienda y estimación de ahorros potenciales.
Análisis de la mezcla de acciones (descuentos, donaciones, monitoreo).
Priorización estratégica de SKUs para maximizar eficiencia y rentabilidad.
HALLAZGOS CLAVE
Revisiones diarias de transferencia para SKUs críticos.
Rutinas dinámicas de redistribución entre tiendas.
Rebajas priorizadas en productos con menos de un día de vida útil.
Ajuste de reposiciones en tiendas de baja rotación.
Scorecards de desperdicio a nivel tienda.
Monitoreo de umbrales saludables de inventario por categoría.
CONCLUSIÓN
Proyecto clave que integra analítica operacional, modelado de riesgos de inventario e inteligencia de transferencias para reducir desperdicios y fortalecer la toma de decisiones en la distribución de bienes perecederos.
Con este enfoque, se demuestra cómo la combinación de datos, modelos y tableros estratégicos puede transformar la gestión de inventarios, proteger márgenes y establecer un marco replicable para la eficiencia operativa en negocios de alta rotación.
Análisis de mercado en Airbnb y potenciadores de ocupación
ROLE
Data analyst/Business Intelligence Analyst
DESCRIPCIÓN
Este proyecto consistió en un análisis exploratorio end-to-end de listados de Airbnb, con el propósito de comprender los patrones de demanda, identificar los factores que impulsan la ocupación y generar insights accionables para la optimización del mercado.
La combinación de técnicas analíticas permitió transformar datos crudos en información estratégica, orientada a mejorar la toma de decisiones y maximizar el rendimiento en el sector de alojamiento.
CONTEXTO DEL NEGOCIO
Este proyecto analiza datos del mercado de Airbnb para comprender cómo distintos factores influyen en el desempeño de los listados. A diferencia de los casos de negocio tradicionales, el dataset no plantea un problema predefinido; por ello, el análisis se centra en descubrir patrones de ocupación, distribución de la demanda y características de los listados.
El objetivo es extraer insights significativos que simulen escenarios reales de toma de decisiones empresariales y apoyen la optimización del mercado.
OBJETIVOS DEL PROYECTO
El proyecto incluyó un conjunto de análisis orientados a comprender el desempeño de los listados de Airbnb.
Se analizaron los patrones de ocupación entre propiedades.
Se identificaron las concentraciones geográficas de la demanda y se evaluó el impacto de las características de los listados en su rendimiento.
Además, se descubrieron patrones ocultos en el comportamiento de los usuarios y se tradujeron los hallazgos en insights de negocio accionables, útiles para la optimización del mercado y la toma de decisiones estratégicas.
METRICAS CLAVE
Occupancy Rate
Total Listings
Total Occupied Days
Number of Reviews
Review Score Rating
ENFOQUE ANALÍTICO
El proyecto siguió un flujo analítico estructurado que inició con la limpieza y preparación de datos, asegurando que la información estuviera lista para el análisis.
Posteriormente, se aplicó feature engineering, creando variables como occupancy_rate y banderas específicas para enriquecer el dataset.
A continuación, se realizó un análisis exploratorio de datos, seguido de una segmentación basada en calificaciones, reseñas y tipo de habitación.
Después, se diseñaron visualizaciones y dashboards interactivos para comunicar los hallazgos de manera clara. Finalmente, se generaron insights accionables, traduciendo los resultados en recomendaciones estratégicas para la optimización del mercado.
HERRAMIENTAS Y TECNOLOGÍA
Python (Pandas)
PostgreSQL
Tableau
ANÁLISIS EJECUTADO
El proyecto incluyó diversos análisis orientados a comprender el desempeño de los listados de Airbnb. Se realizó:
Un análisis de ocupación por tipo de habitación
Se identificó la distribución geográfica de la demanda y se efectuó una segmentación por volumen de reseñas.
Además, se analizó el impacto de las calificaciones en el rendimiento de los listados y se compararon los resultados entre superhosts y no superhosts.
Finalmente, se llevó a cabo un análisis multivariable que combinó el tipo de habitación con la condición de superhost, permitiendo descubrir patrones más complejos en la dinámica del mercado.
HALLAZGOS CLAVE
El análisis reveló varios hallazgos importantes.
Las habitaciones privadas mostraron las tasas de ocupación más altas, mientras que la demanda se concentró geográficamente en ciertas zonas específicas.
Se observó que las calificaciones tienen rendimientos decrecientes, es decir, más allá de cierto nivel adicional de rating, el impacto en la ocupación es limitado.
Finalmente, se identificó que el estatus de superhost no influye de manera significativa en la ocupación, lo que sugiere que otros factores tienen mayor peso en el desempeño de los listados.
HALLAZGOS ESTRÁTEGICOS
Los no superhost muestran una mayor ocupación y volumen de reservas, manteniendo un rendimiento superior incluso con múltiples opciones compartidas. Esto sugiere que la accesibilidad y el posicionamiento en el mercado son factores más determinantes de la demanda que el estatus de superhost por sí solo.
La localidad se confirma como uno de los principales potenciadores de la ocupación: los listados en vecindarios estratégicos tienen una ventaja clara frente a otras zonas, resaltando la importancia del posicionamiento geográfico en la generación de demanda.
Las opciones diseñadas para 1–2 huéspedes presentan una alta tasa de ocupación, reflejando una fuerte demanda por flexibilidad y comodidad. En contraste, las propiedades más grandes muestran menor ocupación, probablemente debido a la complejidad en las reservas y mayores costos asociados.
Aunque un mayor número de reseñas tiende a impulsar la ocupación, el estatus de superhost no parece tener un impacto significativo. En cambio, factores como el precio y la ubicación muestran mayor influencia en la decisión de los clientes.
La combinación de habitaciones privadas en vecindarios de alta demanda genera consistentemente las tasas de ocupación más altas. Esto confirma que la accesibilidad y la localidad son los principales impulsores, mientras que las reseñas de nivel medio o alto tienen un efecto marginal pero suficiente para reforzar la decisión de reserva.
Las decisiones de los usuarios tienden a priorizar localidad y precio por encima de las reseñas, especialmente en estancias cortas donde el presupuesto es el factor principal. Muchos anfitriones aprovechan esta dinámica ubicando propiedades en zonas estratégicas, lo que se convierte en una estrategia efectiva para atraer turismo y clientes, aumentando así el valor percibido de sus listados.
RECOMENDACIONES DE NEGOCIO
Optimizar la oferta de habitaciones privadas Dado que muestran las tasas de ocupación más altas, conviene priorizar su promoción y ajustar precios competitivos para maximizar ingresos.
Enfocar estrategias en zonas de alta demanda La localidad es un factor crítico: invertir en propiedades o alianzas en vecindarios estratégicos puede generar ventajas sostenibles en ocupación.
Diseñar paquetes para estancias cortas (1–2 huéspedes) La fuerte demanda por flexibilidad y comodidad sugiere que ofrecer tarifas dinámicas y servicios adaptados a viajeros de corta estancia puede incrementar la rentabilidad.
Revisar la estrategia de precios El estatus de superhost no impacta significativamente en la ocupación, pero sí lo hacen precio y ubicación. Ajustar tarifas según la percepción de valor y la competencia local es clave.
Segmentar campañas de marketing por tipo de huésped Promocionar listados pequeños y accesibles para viajeros conscientes del presupuesto, mientras que las propiedades más grandes pueden orientarse a grupos o estancias largas con beneficios adicionales.
Potenciar reseñas como refuerzo, no como eje central Aunque las reseñas influyen, su efecto es marginal frente a precio y localidad. Incentivar reseñas positivas sigue siendo útil, pero no debe ser el único diferenciador.
Combinar accesibilidad + ubicación estratégica La evidencia muestra que la unión de habitaciones privadas en zonas de alta demanda es la fórmula más efectiva. Esto debe guiar tanto la inversión como la estrategia de posicionamiento.
CONCLUSIÓN
El análisis del mercado de Airbnb demuestra que la ocupación está impulsada principalmente por la localidad, el tipo de habitación y la accesibilidad, más que por factores como el estatus de superhost o el volumen de reseñas. Estos hallazgos resaltan que la ubicación estratégica y la oferta de habitaciones privadas para estancias cortas son los motores más consistentes de la demanda.
Las recomendaciones propuestas —optimizar la oferta de cuartos privados, invertir en vecindarios de alta demanda, ajustar precios según percepción de valor y diseñar estrategias diferenciadas para distintos segmentos de huéspedes— permiten traducir los insights en acciones concretas para mejorar la retención, maximizar ingresos y fortalecer la competitividad en el mercado.
En conjunto, este proyecto evidencia cómo un enfoque analítico puede transformar datos en estrategias de negocio accionables, ofreciendo a los anfitriones y plataformas una guía clara para potenciar su rendimiento y atraer más clientes.
Optimización del embudo de ventas y análisis del rendimiento de marketing
ROLE
Data analyst/Business Intelligence
CONTEXTO
Este proyecto consistió en un análisis end-to-end de un dataset de e‑commerce, con el objetivo de evaluar el rendimiento de los canales de marketing, optimizar los embudos de conversión, analizar la rentabilidad de los productos y medir el impacto de los reembolsos en los ingresos y la eficiencia del negocio.
La combinación de análisis exploratorio, métricas de desempeño y visualizaciones permitió transformar datos crudos en insights accionables, orientados a mejorar la estrategia comercial y fortalecer la toma de decisiones.
CONTEXTO DEL NEGOCIO
El negocio de Maven Fuzzy Factory, una empresa de e‑commerce que vende productos de osos de peluche a través de múltiples canales de marketing digital. El dataset incluye información detallada sobre sesiones web y comportamiento de usuarios, órdenes y compras de productos, reembolsos y ajustes de ingresos, así como campañas de marketing y fuentes de tráfico.
El objetivo principal es optimizar la estrategia de marketing y el embudo de conversión, especialmente en preparación para el lanzamiento de nuevos productos. El análisis se centra en comprender cómo los usuarios avanzan a lo largo del funnel, qué canales generan tráfico de mayor calidad, cuáles productos aportan más valor y en qué puntos se producen pérdidas de ingresos.
OBJETIVOS DEL NEGOCIO
Este proyecto llevó a cabo un análisis end-to-end del funnel de conversión (Sesiones → Órdenes) para evaluar el rendimiento de los canales de marketing y diferenciar campañas de alto y bajo desempeño.
Se analizaron los productos en términos de ingresos rentabilidad y reembolsos, midiendo el impacto de estos últimos sobre el ingreso neto y la eficiencia del negocio.
Además, se identificaron cuellos de botella de conversión a través de dispositivos y canales, se estudiaron las tendencias temporales en ingresos y desempeño.
Se simuló un A/B testing para optimizar el contenido de marketing. En conjunto, el análisis permitió transformar datos en insights accionables para mejorar la estrategia comercial y maximizar la rentabilidad.
MÉTRICAS CLAVE
Revenue
Net Revenue
Profit
Total Orders
Total Sessions
Conversion Rate
Revenue per Session
Refund Rate
ENFOQUE ANALÍTICO
El proyecto siguió un proceso end-to-end que comenzó con la limpieza y transformación de datos en Power Query, seguido del modelado en esquema estrella con tablas de hechos y dimensiones.
Se aplicó feature engineering para agrupar canales, construir una tabla de fechas y definir KPIs clave. Posteriormente, se realizó un análisis exploratorio del funnel, segmentaciones y tendencias, complementado con un análisis basado en hipótesis sobre marketing, experiencia de usuario y producto.
También se simuló un A/B testing comparando contenido de campañas (utm_content), se aplicaron técnicas de time intelligence para evaluar tendencias mensuales.
Finalmente se diseñó un dashboard interactivo en Power BI, orientado al storytelling de negocio y la generación de insights estratégicos.
HERRAMIENTAS Y TECNOLOGIA
El proyecto se desarrolló mediante un proceso integral de análisis en Excel y Power BI. La fase inicial incluyó la preparación de datos con Power Query y un primer modelado básico.
Posteriormente, en Power BI se construyó un modelo de datos en esquema estrella, acompañado de cálculos en DAX para definir KPIs y métricas de negocio.
Finalmente, se diseñaron visualizaciones y dashboards interactivos, que permitieron comunicar los hallazgos de manera clara y estratégica, transformando los datos en insights accionables para la toma de decisiones.
ANÁLISIS EJECUTADO
El proyecto incluyó un análisis integral del funnel de conversión (Sesiones → Órdenes) para evaluar el desempeño en cada etapa y detectar oportunidades de mejora.
Se examinó la efectividad de los canales de marketing (pagados vs directos/orgánicos), el rendimiento por dispositivo (desktop vs móvil) y el impacto de las campañas y contenidos (utm_campaign, utm_content).
Además, se realizaron simulaciones de A/B testing para comparar variaciones de anuncios, junto con un análisis de productos en términos de ingresos, rentabilidad y reembolsos.
Se midió el efecto de los reembolsos sobre la rentabilidad neta, se estudiaron las tendencias temporales de ingresos mensuales y se aplicaron visualizaciones cruzadas (Producto × Canal) para identificar patrones estratégicos.
En conjunto, el análisis permitió transformar datos en insights accionables para optimizar la estrategia comercial y mejorar la eficiencia del negocio.
HALLAZGOS CLAVE
El análisis reveló que el Paid Search es el principal impulsor de tráfico y volumen de ingresos, mientras que el tráfico Directo/Orgánico muestra mayor eficiencia y estabilidad.
Se identificó que el tráfico móvil tiene un desempeño significativamente menor en conversiones frente al desktop.
En cuanto a productos, el Original Mr Fuzzy domina en ingresos, aunque con un alto impacto de reembolsos, mientras que el Birthday Sugar Panda se posiciona como el más rentable.
Los reembolsos reducen de manera considerable el ingreso neto en productos de alto volumen, y las campañas de marketing evidencian un trade-off entre volumen y eficiencia.
Asimismo, las variaciones de anuncios muestran diferencias entre tasa de conversión y calidad de ingresos, y el análisis temporal confirma un crecimiento consistente de ingresos con picos periódicos impulsados por campañas.
HALLAZGOS ESTRATÉGICOS
El análisis muestra que el negocio depende del Paid Search para impulsar el crecimiento y del tráfico directo/orgánico para mantener estabilidad.
Se identificaron ineficiencias de conversión en dispositivos móviles, lo que representa una oportunidad clave de optimización.
La concentración de ingresos en un solo producto introduce un riesgo significativo, mientras que los reembolsos actúan como un punto crítico de fuga que afecta la rentabilidad.
El desempeño del marketing depende de encontrar el equilibrio entre volumen de tráfico y calidad, y se confirma que la alineación entre posicionamiento de producto y canal es uno de los principales impulsores del rendimiento.
RECOMENDACIONES DE NEGOCIO
El análisis confirma que la optimización del embudo de conversión requiere acciones específicas en distintos frentes.
Mejorar la experiencia móvil representa una oportunidad crítica para elevar las tasas de conversión, mientras que refinar las campañas de Paid Search con mejor segmentación y timing.
Puede incrementar la eficiencia del gasto en marketing.
Escalar los productos de alto margen y reducir las tasas de reembolso mediante una mejor alineación de expectativas son claves para fortalecer la rentabilidad.
CONCLUSIÓN
Este proyecto demuestra un workflow completo de analítica end-to-end aplicado a un entorno de e‑commerce, integrando modelado de datos, análisis de funnel, analítica de marketing y evaluación de desempeño de productos.
A través de un análisis estructurado y el desarrollo de dashboards, se identificaron los principales impulsores de ingresos, las ineficiencias en la conversión y las oportunidades para mejorar la rentabilidad. Los hallazgos enfatizan la importancia de optimizar la experiencia del usuario, balancear las estrategias de marketing y gestionar el desempeño de productos y reembolsos.
En conjunto, el proyecto evidencia cómo la analítica de datos puede convertirse en una herramienta clave para impulsar decisiones estratégicas en el comercio digital.
Análisis de oportunidades de ventas en CRM y potenciadores de ganancia
ROLE
Data Analyst/Business Intelligence Analyst
DESCRIPCIÓN
Análisis end-to-end del pipeline de ventas en CRM para comprender los impulsores de ingresos, evaluar el desempeño del equipo de ventas, analizar la demanda de productos e identificar patrones temporales de ventas que respalden la toma de decisiones estratégicas.
CONTEXTO DEL NEGOCIO
Este proyecto analiza los datos de oportunidades de ventas en CRM para comprender cómo distintos factores influyen en el desempeño comercial y la generación de ingresos. A diferencia de problemas de negocio predefinidos, el dataset no establece un único objetivo, por lo que el análisis se centra en explorar patrones dentro del pipeline de ventas, el rendimiento de productos, la eficiencia del equipo y la segmentación de clientes.
El propósito es simular escenarios reales de negocio, identificando los principales impulsores de ingresos y descubriendo oportunidades para optimizar el proceso de ventas.
OBJETIVOS DEL PROYECTO
Análisis integral del desempeño de ventas, identificando los productos de mayor rendimiento y evaluando la efectividad del equipo comercial.
Se estudiaron las tasas de conversión (Win Rate) para comprender la eficiencia en el cierre de oportunidades, junto con el comportamiento de clientes e industrias.
Además, se detectaron patrones temporales en las ventas y se analizaron los factores que influyen en el cierre de acuerdos, ofreciendo una visión completa de los impulsores de ingresos y de las áreas de mejora dentro del pipeline de ventas.
MÉTRICAS CLAVE
Revenue Won
Total Deals
Won Deals
Win Rate
Average Deal Size
Opportunities per Product
Revenue by Sector
ENFOQUE ANALÍTICO
El proyecto siguió un proceso end-to-end de analítica de datos, comenzando con la limpieza y preparación en Power Query y el modelado en esquema estrella para estructurar la información.
Se aplicó feature engineering con variables como el tamaño de los acuerdos y dimensiones de fechas, seguido de un análisis exploratorio en Python para detectar patrones y tendencias.
Posteriormente, se realizaron pruebas de hipótesis para validar supuestos de negocio y se diseñaron visualizaciones y dashboards en Power BI, orientados al storytelling estratégico.
Finalmente, se generaron insights clave que permiten comprender los impulsores de ingresos, la eficiencia del equipo de ventas y las oportunidades de optimización en el pipeline comercial.
HERRAMIENTAS Y TECNOLOGÍAS
El proyecto se desarrolló mediante un workflow completo de analítica de datos, iniciando en Excel con Power Query y Power Pivot para la limpieza y modelado inicial de datos.
Posteriormente, se utilizó Python (Pandas) para realizar el análisis exploratorio y la validación de resultados, asegurando consistencia y calidad en las métricas.
Finalmente, en Power BI se construyeron dashboards interactivos orientados al storytelling de negocio, permitiendo transformar los datos en insights estratégicos.
ANÁLISIS EJECUTADO
El proyecto incluyó un análisis de la demanda de productos a partir de oportunidades e ingresos, junto con un estudio de la adopción por industria y sector.
Se evaluó el desempeño del equipo de ventas y el impacto del tamaño de los acuerdos (pequeños vs grandes) en la rentabilidad.
Además, se analizaron las tasas de conversión (Win Rate) en distintas dimensiones, se detectaron patrones temporales en las ventas mensuales y se realizó un análisis multivariable que combinó producto, sector y agente.
En conjunto, este enfoque permitió identificar los principales impulsores de ingresos, evaluar riesgos y descubrir oportunidades para optimizar el pipeline comercial.
HALLAZGOS CLAVE
El análisis muestra que los productos de alto valor generan la mayor parte de los ingresos.
mientras que los productos de alto volumen dominan el pipeline de ventas.
El desempeño comercial varía significativamente entre agentes, y se observa que los acuerdos pequeños representan la mayoría del ingreso total, aunque los acuerdos grandes presentan mayores tasas de conversión pero menor volumen.
Además, la actividad de ventas sigue patrones temporales recurrentes, lo que permite anticipar tendencias y planificar estrategias más efectivas.
HALLAZGOS ESTRATÉGICOS
El negocio opera bajo un modelo impulsado por volumen, sustentado principalmente en acuerdos pequeños que sostienen la actividad comercial.
El crecimiento de ingresos depende de equilibrar volumen y valor de los acuerdos, mientras que la efectividad del equipo de ventas es desigual, lo que revela oportunidades de optimización.
El posicionamiento de productos emerge como un factor clave tanto en la demanda como en la generación de ingresos, y los patrones temporales recurrentes sugieren oportunidades para implementar estrategias basadas en timing que potencien el rendimiento.
RECOMENDACIONES DE NEGOCIO
Las recomendaciones se enfocan en priorizar los productos de mayor ingreso dentro de la estrategia comercial, mejorar las tasas de conversión de los productos de alto volumen y replicar las mejores prácticas de los agentes con mayor desempeño para elevar la efectividad del equipo.
Asimismo, se propone desarrollar estrategias específicas para acuerdos de gran tamaño, y alinear los esfuerzos de marketing y ventas con los periodos de mayor demanda, aprovechando los patrones temporales para maximizar resultados.
CONCLUSION
Este proyecto demuestra un workflow completo de analítica end-to-end aplicado a datos de ventas en CRM, transformando la información bruta del pipeline en insights de negocio significativos. A través de limpieza de datos, modelado, análisis exploratorio y desarrollo de dashboards, se obtuvo una comprensión integral del desempeño comercial, la dinámica de productos y la efectividad del equipo de ventas.
El análisis resalta la importancia de equilibrar acuerdos de alto volumen y alto valor, optimizar las estrategias de ventas y aprovechar los datos para mejorar la toma de decisiones. En conjunto, el proyecto evidencia cómo la analítica de datos puede ser utilizada para impulsar resultados estratégicos en un entorno comercial.
