Alexis Labrador

Problemática

Las aplicaciones internas necesitaban comunicarse con el sistema externo Oceane para gestionar incidencias, pero no existía una capa de abstracción que manejara autenticación, validaciones y logging. Cada desarrollador implementaba su propia lógica, resultando en código duplicado y difícil de mantener.

Impacto y Resultados

• Reducción drástica de consultas manuales a la plataforma Oceane/Marine
• Reducción del 80% en tiempo de desarrollo de nuevas integraciones
• Sistema de alertas automáticas por email ante errores críticos
• Logging completo de todas las operaciones para auditoría y debugging

Stack Tecnológico

Contexto del Proyecto

Trabajo Final de Máster en Data Science & AI (Nuclio Digital School). Solución end-to-end para DSMarket, cadena de supermercados con presencia en Nueva York, Boston y Filadelfia. El proyecto aborda la previsión de ventas a 28 días a nivel producto-tienda, segmentación mediante clustering y un sistema de optimización de reposición de stock semanal.

Resultados & Alcance

• EDA completo: patrones de ventas por ciudad, temporalidad y eventos especiales (SuperBowl, New Year…)
• Clustering de productos (k=5, Silhouette 0.2249) y tiendas (k=3, Silhouette 0.2928) con Elbow Method
• Forecasting a 28 días a nivel producto-tienda con 5 modelos: Ridge, Random Forest, XGBoost, LightGBM y CatBoost
• Optimización de hiperparámetros con Optuna — XGBoost ganador: RMSE 1.8994 en validación
• Sistema de reposición de stock con stock de seguridad, punto de reorden y priorización automática (ALTA/NORMAL)
• Dashboard de resultados en Power BI

Stack Tecnológico

Problemática

El equipo dedicaba más de 6 horas diarias a procesar manualmente archivos de proveedores (Excel, CSV) para actualizar el inventario de equipos. Cada proveedor tenía formatos diferentes, lo que causaba errores de tipeo, datos inconsistentes y retrasos en la toma de decisiones sobre el stock.

Impacto y Resultados

• Automatización completa: de 6 horas manuales a 10 minutos automáticos
• Eliminación de procesamiento manual de ficheros recibidos por SFTP y correo electrónico
• Generación automática de reportes KPI con cálculo de riesgo de stock
• Sincronización en tiempo real de entradas/salidas de equipos
• Reducción del 97% en errores por entrada manual de datos

Stack Tecnológico

Contexto del Proyecto

Proyecto del Máster en Data Science & AI enfocado en la detección preventiva de malware en máquinas Windows mediante Machine Learning supervisado. Utiliza datos de telemetría de Windows Defender con ~500,000 registros y 83 features para predecir si una máquina está potencialmente infectada.

Resultados del Modelo

• Limpieza y normalización de datos (valores duplicados, categorías semánticas)
• EDA completo con visualizaciones de variables vs. target
• Tratamiento de nulos con imputación por subgrupos e indicadores de missing
• Feature engineering: Frequency Encoding, One-Hot Encoding, selección por varianza
• Entrenamiento de 4 modelos: Decision Tree, Random Forest, XGBoost, LightGBM
• Búsqueda de hiperparámetros con RandomizedSearchCV
• Modelo seleccionado: LightGBM (mejor balance rendimiento/overfitting)

Stack Tecnológico