Este informe analiza datos operativos sobre jugadores, depósitos y rendimiento de fuentes de tráfico. Mediante un enfoque basado en datos, buscamos:
✅ Identificar patrones de comportamiento de los jugadores.
✅ Evaluar la eficiencia de las fuentes de adquisición.
✅ Detectar discrepancias en los registros internos.
💡 Objetivo: Mejorar la rentabilidad mediante decisiones estratégicas basadas en datos.
La empresa opera en un mercado competitivo donde comprender el comportamiento del usuario y optimizar estrategias de adquisición son claves. Este análisis se enfoca en:
- Evaluar métricas mensuales de FTD (Primer Depósito) y CPA (Costo por Adquisición).
- Detectar y analizar discrepancias en registros internos.
- Identificar las fuentes de tráfico más eficientes.
🔹 Python y SQLite para procesamiento y estructuración de datos.
🔹 Power BI para visualización de resultados clave.
🔹 Jupyter Notebook como entorno principal de desarrollo.
Este informe documenta los pasos realizados, hallazgos clave y conclusiones del análisis.
Para centralizar y organizar los datos, se creó una base de datos en SQLite, lo que permite análisis estructurados y conexiones con herramientas externas.
Se importaron archivos CSV para estructurar la información en el Notebook y la base de datos.
Se generaron DataFrames clave para el análisis:
- Estado de Jugadores: Clasificación según FTD/CPA.
- FTD y CPA por Mes: Comparación con el reporte interno.
Se analizaron diferencias entre datos esperados y datos reales obtenidos del archivo deposits.csv.
Se detectaron diferencias iniciales, con una tendencia a mejorar la alineación en registros internos con el tiempo.
- 83.3% de los jugadores son CPA.
- 16.7% son No CPA.
✅ Esto indica un buen desempeño en captación y retención.
Crecimiento sostenido, con picos recientes ligados al aumento de jugadores FTD/CPA.
Blake Edwards lidera con $2,156.42 depositados.
Trafficker_2, Trafficker_4 y Trafficker_9 destacan como las fuentes más efectivas.
Los DataFrames finales fueron exportados como CSV y se cerró la conexión con la base de datos.
Se integraron tablas originales (deposits, players, traffic_sources) con tablas procesadas (player_status, combined_records).
Se crearon medidas DAX para visualizaciones dinámicas.
Se desarrolló un tablero interactivo con:
- FTD/CPA Real vs. Esperado por Mes
- Costos por Registro, FTD y CPA
- Análisis de Fuentes de Tráfico
- Conteo de Depósitos por Mes
- Top 10 Jugadores por Depósito Total
Vista previa del Dashboard:
Se implementaron filtros por fecha y botones de reinicio de vistas para facilitar el análisis.
El script en Jupyter Notebook permitió consolidar un flujo automatizado y replicable para el análisis de datos.
✅ Crecimiento sostenido en depósitos y CPA.
✅ Estabilidad en costos de adquisición.
✅ Diversificación de jugadores de alto valor.
✅ Eficiencia variable en fuentes de tráfico.
📌 Replicar estrategias de tráfico exitosas.
📌 Profundizar en motivaciones de jugadores de alto valor.
📌 Optimizar costos de CPA/FTD.
📌 Monitorear patrones de crecimiento continuamente.
🚀 ¡Análisis basado en datos para decisiones estratégicas!