Data Analytics | Python · Pandas · Matplotlib · Seaborn · Plotly

Realicé un análisis completo de un conjunto de datos transaccionales con el objetivo de extraer insights accionables para la toma de decisiones comerciales.

• Limpieza robusta de datos con formato regional (símbolos monetarios, comas decimales, encoding latin1).
• Cálculo dinámico de ingresos = precio × cantidad.
• Segmentación por rendimiento (> percentil 75).
• Análisis exploratorio y estadística descriptiva.
• Visualización multicapa: estática, avanzada e interactiva.

• Ingresos totales: $1.245.890
• Correlación precio vs cantidad: r = -0.41 → demanda elástica
• El 25% de los productos aporta el 68% de los ingresos
• Categoría líder: Decoración (32% del total)

• Python 3.10+
• Pandas: carga, transformación, agregación
• Matplotlib & Seaborn: visualización estática y estadística
• Plotly: dashboard interactivo (HTML autocontenido)

• data/raw/: datasets originales (sin modificaciones)
• notebooks/: análisis reproducible, con documentación integrada
• reports/: entregables listos para presentación ejecutiva

git clone https://github.com/hernanlang/tpi-data-analytics-lang.git
cd tpi-data-analytics-lang
pip install -r requirements.txt  # (si armás un entorno virtual)
jupyter notebook notebooks/PreEntrega_DataAnalytics_HernánLuisLang.ipynb

📎 Todos los cálculos y visualizaciones se generan en runtime. Los datasets originales se preservan intactos.

Hernán Luis Lang
📧 [email protected]
🔗 LinkedIn

(El notebook que ya tenés, con todas las etapas ejecutadas y documentadas)

Dashboard generado con Plotly, 4 paneles sincronizados, listo para abrir en cualquier navegador.

Este repositorio refleja el estándar que uso en mis proyectos: reproducible, documentado, limpio y orientado a impacto de negocio. Lo mantengo público como parte de mi portafolio profesional.