Web Scraping · Python (EDA + Limpieza) · SQL · Power BI El objetivo fue analizar el comportamiento comercial de Nike durante el periodo de Black Friday, identificando patrones de precios, estrategia promocional y oportunidades reales de compra.
La primera fase consistió en realizar web scraping en la web oficial de Nike durante el periodo del Black Friday. Para garantizar datos consistentes, seleccioné la sección “Deportes”, que es la más estructurada, y extraje información de las siguientes categorías:
- Fútbol.
- Baloncesto.
- Yoga.
- Running.
- Gym.
- Golf.
- Tenis.
Cada categoría se exportó como un archivo CSV con información detallada del producto, precios, colores y resto de atributos disponibles en la web.
Una vez importados los archivos en Python, realicé un análisis exploratorio de datos (EDA) para revisar la estructura de cada dataset y detectar problemas de formato, duplicados o valores ausentes. Posteriormente llevé a cabo la limpieza y normalización de columnas para homogeneizar todos los deportes y poder combinarlos sin inconsistencias. Después de ese proceso, concatené todos los datasets para obtener un catálogo completo de la sección “Deportes” de Nike durante el Black Friday. La estructura del dataset fue esta:
- producto
- subtitulo
- numero_colores
- precio_actual
- precio_original
- genero (hombre / mujer / unisex / niño-a)
- modelo
- categoria (calzado / ropa / accesorio)
- descuento
- gama — definida por percentiles dentro de cada categoría: económica: percentil 0–25%| media: percentil 25–50%| alta: percentil 50–75%| premium: percentil 75–100%.
- deporte. Con esta estructura consolidada generé algunas visualizaciones preliminares, útiles para orientar los análisis posteriores.
Una vez preparado el dataset final, planteé y probé distintas hipótesis relacionadas con el comportamiento de precios y la estrategia promocional.
Después del análisis en Python, exporté los dataframes limpios y el dataframe unificado a nuevos CSV, pensados para ser cargados en SQL.
En la base de datos creé un esquema específico para el proyecto, definí varias tablas adaptadas a las necesidades del análisis, ejecuté treinta consultas para correlacionar precios, categorías, descuentos y otros atributos relevantes. Este paso permitió obtener una visión más estructurada del catálogo y responder a preguntas que requerían consultas relacionales.
La fase final se desarrolló en Power BI. Se emplearon filtros y marcadores para facilitar la navegación entre páginas del informe. La transición entre secciones se diseñó utilizando la silueta de Rafael Nadal en la parte izquierda y la de Michael Jordan en la derecha, como referencia simbólica a la mano dominante asociada a cada figura dentro de la marca. Además, se incluyó un marcador con el logotipo de Nike para restablecer todos los filtros en los dashboards interactivos. Con los datos ya procesados construí un conjunto de dashboards interactivos orientados a responder cuestiones concretas:
- El peso real del Black Friday dentro de la sección Deportes.
- Hacia dónde empuja la marca las distintas gamas.
- Qué deportes prioriza Nike.
- La agresividad promocional
- Comprobar si se rebajan los productos con muchos colores.
- Una recomendación de 5 mejores productos basado en el mayor ahorro para el consumidor sobre qué merece ser comprado en este Black Friday.
En líneas generales, Nike aplica descuentos de entre un 34% con picos hasta un 50% descuento. Los deportes clave son sobre todo los deportes en masa: Fútbol, baloncesto, running y gimnasio. Nike enfoca los máximos descuentos en el calzado e impulsan las gamas económicas y las gamas medias.
El proyecto combina web scraping, análisis y limpieza de datos en Python, modelado relacional en SQL y visualización en Power BI. El resultado es una visión clara del comportamiento de Nike durante el Black Friday y de las dinámicas internas de su catálogo deportivo durante este periodo.