Resumen del Proyecto
Este proyecto tiene como objetivo brindar una herramienta visual e interactiva para el análisis comercial de una empresa del rubro alimenticio. Realicé web scraping para recopilar datos de la web y simulé ventas y clientes utilizando Python. Con toda esa información, generé una base de datos en SQLite utilizando SQLAlchemy. El tablero en Power BI permite explorar indicadores clave, identificar productos destacados, analizar el desempeño por ciudad y segmentar la información por sucursal, categoría o período.
Desarrollo del Proyecto
El proyecto se construyó a partir del web scraping del sitio oficial de Lodiser S.A. con Python (requests y BeautifulSoup), extrayendo datos de sucursales, recetas y productos. Luego, simulé datos de clientes y ventas usando pandas y numpy, aplicando criterios realistas para reflejar patrones demográficos, geográficos y comerciales. Estos datos fueron estructurados en una base de datos SQLite con SQLAlchemy.
El modelo de datos sigue un esquema de copo de nieve, con ventas como tabla de hechos y dimensiones asociadas que permiten un análisis granular. Se incorporó una tabla calendario en DAX para habilitar análisis por períodos y comparaciones temporales.
Desarrollé medidas en DAX para calcular KPIs, métricas filtrables y funciones de texto que enriquecen la interacción. Las visualizaciones se diseñaron en Power BI respetando la identidad visual de la empresa, priorizando claridad, jerarquía, impacto visual y experiencia de usuario.
El dashboard se dividió en dos páginas, por un lado el Reporte Ejecutivo con visión general del negocio, KPIs agregados, evolución temporal y filtros clave. Y por el otro lado, un análisis con foco detallado en cada producto, con métricas individuales, imagen y marca.
1. Consolidación del dataset
Se realizó web scraping del sitio oficial de Lodiser S.A. utilizando Python, con las librerías requests y BeautifulSoup. Se extrajeron datos estructurados de productos, recetas y sucursales, incluyendo atributos como nombre, imagen, descripción, marca y categoría. Esta información constituyó la base inicial del proyecto.
Sobre esta estructura, se generaron datos simulados para representar clientes y ventas, con el objetivo de crear un entorno comercial verosímil. La simulación se realizó con pandas y numpy, aplicando criterios demográficos, geográficos y económicos.
2. Limpieza y moelado de base de datos
Una vez consolidado el dataset, se organizaron los datos en tablas relacionales asegurando la coherencia y consistencia entre las entidades. Se cuidaron aspectos como las claves primarias y foráneas, integridad referencial y la correcta vinculación de cada elemento dentro del modelo de negocio.
La base de datos fue implementada en SQLite utilizando SQLAlchemy como ORM. Se adoptó un esquema de copo de nieve, en el que la tabla de ventas se conecta con clientes, sucursales y detalle_ventas que, a su vez, se relaciona con productos. Esta estructura permite un análisis detallado sin perder eficiencia en las consultas.
3. Exploración de datos y modelado semántico
En Power BI se construyó una tabla calendario en DAX para establecer relaciones temporales y habilitar análisis por período, acumulados y comparaciones mensuales. Esta estructura permitió organizar el análisis a lo largo del tiempo de forma consistente y eficiente.
Se desarrollaron medidas en DAX para calcular indicadores clave y diseñar visualizaciones interactivas sensibles a los filtros. Se utilizaron funciones como SUM para totales, CALCULATE y FILTER para cálculos condicionados, SELECTEDVALUE para segmentaciones únicas, y funciones de texto como UPPER, LEFT y FORMAT. Estas medidas brindan información accionable a distintos niveles del dashboard.
4. Diseño del dashboard y presentación de resultados
El dashboard fue diseñado en Power BI priorizando la claridad visual, la jerarquía informativa y la experiencia del usuario. Se aplicó una paleta de colores alineada con la identidad gráfica de Lodiser, cuidando la coherencia estética, el uso de íconos, la disposición de elementos clave y la incorporación de segmentaciones interactivas que permiten filtrar y explorar los datos de forma dinámica.
El reporte se organizó en dos páginas: una con una visión ejecutiva del negocio, mostrando KPIs, evolución temporal y filtros clave; y otra con un análisis detallado por producto, incluyendo métricas individuales, imagen y marca. Se buscó que cada visualización aporte contexto y facilite la toma de decisiones desde múltiples niveles.
