Maxiconsumo

El caso parte de un conjunto de datos de una empresa de retail de consumo masivo, compuesto por información de ventas, productos, clientes, regiones y métodos de pago.

Los datos estaban distribuidos en distintas tablas y requerían ser integrados para construir una visión general del negocio. El análisis se desarrolló con Python para la exploración inicial y con Power BI para el modelado, la creación de indicadores y la visualización de resultados.

El principal desafío consistió en transformar datos dispersos en información útil para la toma de decisiones comerciales.

Se identificaron varios objetivos:

• Analizar el volumen de ventas por categoría y región.
• Comparar el ingreso promedio por unidad vendida.
• Detectar diferencias regionales en los métodos de pago.
• Evaluar la concentración de ventas entre los principales clientes.
• Identificar productos con mayor presión relativa sobre el stock.
• Presentar los resultados en un dashboard claro, interactivo y orientado al negocio.

Objetivo general

Transformar datos de ventas, clientes, productos e inventario en información clara y accionable para apoyar la toma de decisiones comerciales.

Objetivos específicos

• Integrar y relacionar las distintas fuentes de datos.
• Analizar ventas por categoría, región y método de pago.
• Calcular indicadores comerciales relevantes.
• Evaluar la concentración de ventas por cliente.
• Detectar productos con mayor presión sobre el stock.
• Construir un dashboard interactivo en Power BI.
• Comunicar los principales hallazgos de forma visual y comprensible.

Durante esta etapa se analizaron las fuentes disponibles y la estructura de los datos.

Se relevaron:

• Registros de ventas y cantidades comercializadas.
• Catálogo de productos, categorías, precios y stock.
• Información de clientes y regiones.
• Métodos de pago utilizados.
• Relaciones entre las distintas tablas.
• Calidad, formato y consistencia de los campos.

Como resultado, se definió un modelo integrado que permitió analizar el desempeño comercial, la concentración de clientes y la presión de las ventas sobre el inventario.

• Organización de la información en tres vistas: panorama general, rendimiento comercial e inventario y clientes.
• Uso de indicadores simples y gráficos comparables para facilitar la lectura.
• Navegación mediante filtros por categoría, cliente y método de pago.
• Jerarquía visual clara, priorizando los datos más relevantes.
• Aplicación de la identidad visual de WildSoft, con predominio del naranja y fondos claros.
• Inclusión de insights breves para traducir los resultados en conclusiones de negocio.

Se propuso desarrollar una solución de análisis de datos que integrara la información comercial en un modelo único y permitiera explorar los resultados de forma visual e interactiva.

La solución incluyó:

• Integración de las tablas de ventas, productos, clientes y métodos de pago.
• Limpieza y análisis exploratorio de los datos con Python.
• Construcción del modelo de datos en Power BI.
• Creación de indicadores para ventas, ticket promedio, concentración de clientes y presión sobre el stock.
• Desarrollo de tres vistas: panorama general, rendimiento comercial e inventario y clientes.
• Incorporación de filtros e insights para facilitar la interpretación de los resultados.
• Aplicación de la identidad visual de WildSoft al dashboard.

El proyecto se desarrolló de manera progresiva, desde la exploración inicial de los datos hasta la construcción de un dashboard interactivo orientado a la toma de decisiones.

Metodología de trabajo

• Revisión de las fuentes disponibles y comprensión de la estructura de los datos.
• Limpieza, validación y análisis exploratorio con Python.
• Integración de las tablas de ventas, productos, clientes y métodos de pago.
• Definición de indicadores comerciales y de inventario.
• Construcción y validación de las visualizaciones en Power BI.

Preparación y análisis de datos

Se revisaron tipos de datos, valores inconsistentes, campos identificadores y relaciones entre tablas. Con Python se realizaron agrupaciones, cruces y cálculos para analizar ventas, clientes, regiones, medios de pago e inventario.

Modelado

Se creó un modelo relacional en Power BI conectando las tablas principales mediante los identificadores de producto, cliente y método de pago. También se desarrollaron medidas para calcular:

• Ticket promedio.
• Ingreso promedio por unidad.
• Participación de los principales clientes.
• Cantidad de clientes necesaria para alcanzar el 80 % de las ventas.
• Presión relativa de las ventas sobre el stock.

Diseño del dashboard

El tablero se organizó en tres vistas: Panorama general (ventas por categoría y región), Rendimiento comercial (ingreso por unidad y métodos de pago) e Inventario y clientes (concentración de ventas y presión sobre el stock).

Validación y ajustes

Se revisaron los cálculos, las agregaciones y la correspondencia entre cada gráfico y su insight. También se ajustaron títulos, formatos monetarios, etiquetas y textos explicativos. Como resultado, se obtuvo un dashboard consistente, interactivo y preparado para comunicar hallazgos comerciales de forma clara.

Análisis y preparación de datos

• Python: análisis exploratorio, limpieza, agrupaciones y validación de los datos.
• Pandas: transformación e integración de las tablas de ventas, productos y clientes.
• Jupyter Notebook / Google Colab: desarrollo y documentación del análisis.

Modelado y visualización

• Power BI: modelado de datos, construcción de indicadores y desarrollo del dashboard interactivo.
• DAX: creación de medidas para ticket promedio, concentración de clientes y presión sobre el stock.
• Power Query: revisión de tipos de datos y preparación de las fuentes.

Diseño y personalización

• Identidad visual WildSoft: aplicación de logo, tipografías y paleta institucional.
• Google Sheets / CSV: almacenamiento e intercambio de las fuentes de datos.

• Integrar las distintas tablas en un único modelo de datos.
• Separar el dashboard en tres vistas para evitar sobrecargar la información.
• Utilizar la suma de cantidades para representar correctamente las unidades vendidas.
• Calcular el ticket promedio mediante una medida específica en DAX.
• Incorporar indicadores de concentración de clientes y análisis Pareto.
• Definir la presión sobre el stock como relación entre unidades vendidas y stock disponible.
• Priorizar gráficos simples, comparables y acompañados por conclusiones de negocio.
• Mantener la identidad visual de WildSoft en todas las pantallas.

• Se integraron las distintas fuentes en un modelo único y consistente.
• Se construyó un dashboard interactivo con tres vistas complementarias.
• Se identificó a Buenos Aires como la región con mayor volumen de unidades vendidas.
• Carnicería presentó el mayor ingreso promedio por unidad.
• Los métodos de pago mostraron diferencias claras según la región.
• Los 10 principales clientes concentraron el 39,60 % de las ventas.
• Se necesitaron 274 clientes para alcanzar el 80 % acumulado.
• Hamburguesas congeladas, arroz y pizza congelada registraron la mayor presión relativa sobre el stock.
• La solución permitió transformar datos dispersos en indicadores visuales útiles para decisiones comerciales y de inventario.

• Etapa 1: Relevamiento de fuentes y comprensión del modelo de datos.
• Etapa 2: Limpieza, validación y análisis exploratorio con Python.
• Etapa 3: Integración de las tablas y definición del modelo relacional.
• Etapa 4: Construcción de medidas e indicadores con DAX.
• Etapa 5: Desarrollo de las tres vistas del dashboard en Power BI.
• Etapa 6: Validación de cálculos, agregaciones e insights.
• Etapa 7: Ajustes visuales y preparación del caso para portfolio.

El proyecto avanzó desde la exploración inicial de datos dispersos hasta una solución visual integrada, capaz de mostrar patrones comerciales, concentración de clientes y presión sobre el inventario.

El proyecto confirmó que un dashboard útil no depende solo de construir gráficos, sino de comprender correctamente qué representa cada campo y cómo debe calcularse.

La revisión permitió detectar y corregir agregaciones incorrectas, validar las medidas y asegurar que cada visualización estuviera acompañada por una conclusión coherente.

También reforzó la importancia de:

• Integrar y revisar las fuentes antes de visualizar.
• Diferenciar recuentos, sumas, promedios y medidas calculadas.
• Validar los indicadores con los datos originales.
• Diseñar cada pantalla alrededor de una pregunta de negocio.
• Traducir los resultados técnicos en insights claros y accionables.

Las evidencias respaldan las decisiones analíticas, funcionales y visuales tomadas durante el desarrollo.

Se consideran como evidencias:

• Notebook de análisis exploratorio desarrollado con Python.
• Fuentes de datos de ventas, productos y clientes.
• Modelo relacional construido en Power BI.
• Medidas DAX utilizadas para los indicadores.
• Captura de la vista Panorama general.
• Captura de la vista Rendimiento comercial.
• Captura de la vista Inventario y clientes.
• Tablas de detalle de stock, ventas y presión por producto.
• Indicadores de concentración de clientes y análisis Pareto.
• Archivo final del dashboard en formato .pbix.

Anexo A — Cronología

Otros anexos del documento

• Anexo B — Análisis exploratorio con Python: capturas del notebook, agrupaciones y cruces, análisis por día, distribución por región y método de pago, análisis Pareto de clientes, cálculo de presión sobre el stock.
• Anexo C, D y E — Capturas finales de las vistas Panorama general, Rendimiento comercial e Inventario y clientes (incorporadas en la sección "Las tres vistas del dashboard").
• Anexo F — Modelo e indicadores: captura del modelo relacional de Power BI, medidas DAX principales, relaciones entre tablas, definición de los indicadores utilizados.
• Anexo G — Archivos del proyecto: notebook .ipynb, dashboard .pbix, fuentes de datos, capturas finales utilizadas en el portfolio.