Mini Experiments Projects
Análisis del rendimiento de las ventas en tienda E-commerce - Data Analyst/Business Intelligence Analyst
CONTEXTO
La compañía enfrentaba una caída del 44% en ventas durante 2023, afectando $137K de revenue potencial. Esta pérdida estaba relacionada con la reducción del portafolio disponible y alta variabilidad estacional, comprometiendo la rentabilidad y el cumplimiento de objetivos estratégicos.
OBJETIVOS
Diseñar un análisis de ventas integrando KPIs operativos y financieros.
identificar la causa raíz de la caída en ventas.
cuantificar impacto económico por reducción de surtido y generar un dashboard ejecutivo para la toma de decisiones estratégicas.
METODOLOGÍA Y ENFOQUE
Data Prep: Power Query, limpieza y modelado
Análisis: Pivot Tables, DAX, Time Intelligence
KPIs: Net Sales, Gross Margin, Estimated Loss, Lost Revenue
Visualización: Dashboard interactivo Power BI con KPIs, línea de tiempo, matriz de productos y slicers
HERRAMIENTAS
Power BI: dashboards ejecutivos y análisis de tendencias
Excel avanzado: modelado de KPIs y time intelligence
DAX: medidas calculadas, análisis YoY y YTD
ACCIONES E IMPLEMENTACIÓN
Calculamos métricas clave como Sales LY, Sales YoY %, Lost Revenue
Identificamos causa raíz: reducción de productos activos
Diseñamos alertas y segmentaciones para monitorear desempeño mensual
Construimos dashboard interactivo para exploración por año, mes y categoría
RESULTADOS E IMPACTO
En comparación con el benchmark de 2022, los resultados de 2023 muestran una caída significativa en varios indicadores clave.
Las ventas netas pasaron de 759,040 a 421,800, lo que representa una disminución del 44%. Además, se registró un ingreso perdido de 137,349, un impacto crítico que no existía en el año anterior.
El número de productos activos descendió de 189 a 136 (-28%), mientras que la cantidad total vendida bajó de 137,500 a 74,638 (-46%).
En conjunto, estos resultados reflejan una reducción considerable en desempeño comercial y operacional respecto al año previo.
LECCIONES APRENDIDADAS
La disponibilidad de catálogo tiene mayor impacto en ventas que precio o descuentos
KPIs y dashboards permiten decisiones proactivas sobre surtido
Insight: invertir en gestión de stock y planificación de portafolio puede recuperar +40% de revenue potencial
Análisis y optmización del rendimiento general de una tienda retail - Data Analyst/Business Intelligence Analyst
PANORAMA GENERAL
Análisis de desempeño de ventas en retail para identificar drivers de rentabilidad, patrones regionales y oportunidades de optimización mediante análisis exploratorio en Python y visualización ejecutiva en Tableau.
CONTEXO DEL NEGOCIO
Una empresa de retail necesita entender qué factores están impulsando sus ventas y su rentabilidad. Aunque las ventas parecen estables, existen diferencias importantes entre categorías, regiones y productos que afectan el profit final.
El objetivo del análisis es identificar oportunidades para mejorar la rentabilidad y apoyar la toma de decisiones estratégicas.
Problemas potenciales:
Productos con altas ventas pero bajo profit
Regiones con rendimiento desigual
Categorías con margen bajo
Falta de visibilidad ejecutiva en los datos
OBJETIVOS DEL PROYECTO
Analizar el desempeño de ventas y profit por categoría y producto
Identificar relación entre ventas y rentabilidad
Detectar patrones regionales
Crear un dashboard interactivo para toma de decisiones
KPIs principales:
Total Sales
Total Profit
Profit Ratio
Sales by Category
Sales vs Profit relationship
METODOLOGÍA DE ANÁLISIS
El proyecto comenzó con la preparación de datos en Python, utilizando Pandas para limpiar el dataset, realizar exploración estadística, verificar valores nulos y ejecutar análisis descriptivos. Entre las métricas revisadas se encontraron 3,500 registros, una media de ventas de 4.93, desviación estándar de 2.57, mínimo de 1 y máximo de 9, lo que permitió comprender la distribución antes del análisis visual.
Posteriormente, se desarrolló el análisis de datos con SQL y Python, identificando patrones clave como ventas por categoría, relación entre ventas y profit, distribución por producto y análisis regional. Esto permitió detectar productos con alto revenue pero bajo margen, así como diferencias relevantes entre categorías.
Finalmente, se diseñaron visualizaciones en Tableau, con cinco dashboards principales que sintetizan los hallazgos y facilitan la interpretación estratégica de los resultados.
El análisis incluyó diversas visualizaciones clave en Tableau. Se desarrollaron gráficos de ventas por categoría, para identificar qué segmentos generan más revenue
un scatter plot de ventas vs profit, que permite distinguir productos rentables de los no rentables
un análisis de ventas por región, para comparar desempeño geográfico
distribución de profit, que muestra la variabilidad de márgenes
Un ranking de productos top por ventas. Además, se construyó un dashboard ejecutivo con KPIs principales (Total Sales, Total Profit, Average Sales y Number of Orders), acompañado de visualizaciones de desempeño por categoría, relación ventas–profit, performance regional y performance por producto.
El tablero incluye filtros interactivos por año, región y categoría, lo que permite a los usuarios explorar dinámicamente el rendimiento de ventas y obtener insights estratégicos.
PRINCIPALES HALLAZGOS
Algunas categorías generan alto volumen de ventas pero menor rentabilidad.
Existe una relación positiva entre sales y profit, pero con variaciones por producto.
Ciertas regiones muestran mayor consistencia en ventas.
Un pequeño grupo de productos representa una parte significativa del revenue.
STACK TECNOLÓGICO
Python:
Pandas
Exploratory Data Analysis
SQL:
consultas analíticas
agregaciones
Tableau:
dashboards interactivos
storytelling visual
LECCIONES APRENDIDAS
El análisis exploratorio ayuda a entender el comportamiento del dataset
La visualización facilita comunicar insights complejos
Los dashboards permiten democratizar el acceso a los datos
PROXIMOS PASOS
análisis predictivo de ventas
clustering de clientes
forecasting con Python
optimización de inventario
Análisis de abandono del cliente y detección de riesgo en las ganancias - Data Analyst/Business Intelligence Analyst
CONTEXTO DEL PROJECTO
Análisis de extremo a extremo del comportamiento del cliente y su impacto en los ingresos, con el objetivo de identificar los factores que impulsan la rotación (churn) y proponer estrategias basadas en datos para mejorar la retención de clientes y reducir la pérdida de ingresos.
CONTEXTO DEL NEGOCIO
Una empresa de telecomunicaciones experimentó una salida significativa de clientes de su servicio, fenómeno conocido como churn, que representa un gran desafío dado que los costos de adquisición suelen ser más altos que los de retención.
La compañía necesitaba comprender los principales factores detrás de esta rotación, cuantificar el impacto financiero de los clientes perdidos e identificar oportunidades para mejorar sus estrategias de retención.
A través de un proceso estructurado de análisis de datos, el objetivo del proyecto fue descubrir patrones en el comportamiento de los clientes y traducir esos hallazgos en recomendaciones de negocio accionables.
OBJETIVOS DEL PROYECTO
El proyecto consistió en analizar datos de clientes para comprender los principales factores asociados al churn.
cuantificar el impacto financiero de la pérdida de clientes e identificar segmentos de alto riesgo.
Se desarrollaron dashboards interactivos que apoyan la toma de decisiones empresariales y se elaboraron recomendaciones estratégicas orientadas a reducir la rotación y mejorar la retención de clientes a largo plazo.
KPIs DEL NEGOCIO
Se evaluó el total de clientes
la tasa de churn
la tenencia promedio de clientes, junto con el revenue mensual y el revenue en riesgo.
Además, se examinó la distribución de clientes por tipo de contrato y por método de pago, lo que permitió obtener una visión integral del comportamiento de la base de clientes y de los factores que impactan directamente en la retención y en los ingresos de la compañía.
METODOLOGÍA ANALÍTICA
El proyecto siguió un workflow analítico estructurado.
Primero se realizó la limpieza y preparación de datos, inspeccionando, depurando y organizando la información de clientes para su análisis.
Después se llevó a cabo la exploración de datos, identificando patrones de comportamiento mediante estadísticas descriptivas y análisis visual.
En la siguiente etapa se efectuó el cálculo de KPIs, cuantificando el churn y su impacto financiero.
Posteriormente, se diseñaron visualizaciones y dashboards interactivos para comunicar los hallazgos de manera clara y accesible.
Finalmente, se generaron insights accionables, traduciendo los resultados analíticos en recomendaciones estratégicas para el negocio.
HERRAMIENTAS Y TECNOLOGÍA
El proyecto se apoyó en diversas herramientas para cubrir todo el flujo analítico. Se utilizó SQL para explorar y analizar el dataset mediante consultas estructuradas, mientras que Python permitió realizar análisis exploratorio, resúmenes estadísticos y visualizaciones.
Con Tableau se construyeron dashboards interactivos que comunican los hallazgos de manera visual y dinámica. Finalmente, Excel se empleó para validar cálculos y realizar análisis exploratorios adicionales, asegurando consistencia en los resultados.
ANÁLISIS EJECUTADO
Durante el proyecto se llevaron a cabo diversos análisis clave:
Se realizó el cálculo del total de clientes y la tasa de churn.
Seguido por el análisis de la rotación según tipo de contrato,tipo de servicio de internet y método de pago.
También se efectuó una segmentación de la tenencia de clientes para evaluar patrones de retención.
En el ámbito financiero, se estimó el revenue mensual generado por la base de clientes y se calculó el revenue en riesgo proveniente de aquellos que abandonaron el servicio.
Estos análisis permitieron obtener una visión integral del comportamiento de los clientes y del impacto económico de la rotación.
RESULTADOS CLAVE
El análisis de clientes mostró un total de 7,032 usuarios, de los cuales 1,869 churned, lo que representa una tasa de rotación del 26.58%.
La tenencia promedio de los clientes fue de 32.4 meses, mientras que el ingreso mensual promedio por cliente alcanzó los 64.8.
En conjunto, la base generó un revenue mensual total de 455,661, con un revenue en riesgo estimado de 139,130 proveniente de los clientes que abandonaron el servicio.
Estos indicadores ofrecen una visión integral del impacto financiero del churn y de los patrones de retención.
HALLAZGOS ESTRATÉGICOS
Del análisis surgieron varios hallazgos importantes:
Los clientes con contratos mes a mes presentaron tasas de churn significativamente más altas en comparación con aquellos con contratos de largo plazo.
Asimismo, los clientes que utilizan el pago mediante cheque electrónico mostraron la mayor probabilidad de rotación.
Se observó que las tasas de churn son considerablemente más elevadas durante los primeros 12 meses del ciclo de vida del cliente, lo que sugiere que la experiencia inicial y el proceso de onboarding son factores críticos.
Finalmente, los clientes con cargos mensuales más altos mostraron una ligera mayor propensión a abandonar el servicio, lo que puede indicar una percepción de desajuste entre precio y valor.
RECOMENDACIONES DE NEGOCIO
Con base en el análisis, se identificaron varias acciones estratégicas para reducir el churn y proteger los ingresos. Entre ellas, se propone:
Introducir incentivos para que los clientes migren de contratos mes a mes hacia contratos anuales o multianuales.
así como mejorar la experiencia de onboarding durante el primer año de servicio.
También se recomienda realizar investigación de usuarios para comprender mejor la satisfacción de aquellos con cargos mensuales más altos
implementar campañas de retención focalizadas en los segmentos de mayor riesgo identificados.
Finalmente, se sugiere monitorear KPIs relacionados con churn mediante dashboards interactivos, lo que permitirá una toma de decisiones más proactiva y efectiva.
COMPONENTES DEL CUADRO DE MANDO
El dashboard interactivo desarrollado para este proyecto incluye: tarjetas ejecutivas de KPIs que muestran el total de clientes, la tasa de churn y el revenue en riesgo.
Además, incorpora análisis de churn por tipo de contrato, por método de pago y por tipo de servicio de internet, junto con una segmentación de la tenencia de clientes y la distribución de cargos mensuales.
En conjunto, estas visualizaciones permiten explorar de manera dinámica los patrones de rotación y su impacto financiero, facilitando la toma de decisiones estratégicas.
CONCLUSIÓN
Este proyecto demuestra cómo un análisis estructurado de datos puede transformar información cruda de clientes en insights de negocio significativos. Al combinar el análisis con SQL, la exploración estadística en Python y la construcción de dashboards interactivos, fue posible identificar los principales factores que impulsan el churn y cuantificar su impacto financiero.
Los hallazgos obtenidos ilustran cómo las organizaciones pueden aprovechar los datos para mejorar la retención de clientes, reducir la pérdida de ingresos y respaldar la toma de decisiones estratégicas.
