Skip to content
View mgabrielafiguera-pixel's full-sized avatar
🙂
🙂

Block or report mgabrielafiguera-pixel

Block user

Prevent this user from interacting with your repositories and sending you notifications. Learn more about blocking users.

You must be logged in to block users.

Content in all repositories owned by your account will be closed.
Maximum 250 characters. Please don’t include any personal information such as legal names or email addresses. This note will only be visible to you.
Report abuse

Contact GitHub support about this user’s behavior. Learn more about reporting abuse.

Report abuse

Hola, soy María Gabriela Figuera 👋

Coordinadora de Logística e Inventario con más de 15 años de experiencia, en transición hacia Data Science y Machine Learning.
Combino el conocimiento del negocio (inventarios, compras, márgenes, migración de sistemas) con el análisis de datos para resolver problemas reales.

📍 Venezuela · 🌐 Ver mi portafolio

🛠️ Stack

  • Lenguajes: Python · SQL · R
  • Datos: pandas · NumPy · DuckDB · Plotly · matplotlib · seaborn
  • BI: Power BI · DAX · Power Query
  • Machine Learning: scikit-learn · XGBoost · statsmodels · NLP
  • Apps y despliegue: Streamlit · Render · Git

⭐ Proyectos destacados

¿Qué pasó con el petróleo venezolano cuando el país dejó de publicar sus datos? Reconstruyo 36 años de comercio desde afuera, con lo que declaran sus compradores (UN Comtrade), y lo cruzo con producción (EIA) y precios (Banco Mundial, OPEP). Hallazgos: los compradores registraban el 59–74 % de la producción hasta 2018 y solo el 2 % en 2022, porque el petróleo dejó de ser trazable; hasta 2014 el valor exportado seguía al precio y desde 2015 al volumen. El pronóstico SARIMAX (error del 6,7 %) acertó la producción de octubre de 2026 con un 3 % de diferencia frente al dato de PDVSA y proyecta un 2027 más prudente que las metas oficiales. Dashboard de 5 páginas, con una dedicada a Perspectivas 2027.
Python · APIs REST · statsmodels · Plotly · Streamlit · Demo en vivo

¿Qué le dicen 2 años de Sell In / Sell Out a la gerencia? App de 7 pantallas: un Resumen gerencial que escribe solo las alertas y el plan de acción, y un Plan de compras 2027 por marca y por mes (1.321 unidades a comprar para vender ~2.333; 638 deben llegar antes de diciembre). Hallazgos 2026: venta +17,8% y margen de 46,3% a 52,0% aun con la marca líder cayendo 23%; 37 de los 50 perfumes más vendidos sin stock antes de diciembre; el mismo SKU hasta 79% más caro según la vía de abastecimiento. Proveedores anonimizados y controles de cuadre contra los totales contables.
Python · SQL (DuckDB) · R (Kruskal-Wallis, ETS) · Streamlit · Plotly · Demo en vivo

¿Qué cadena convierte mejor su inventario en caja? Extraigo los 10-K de Walmart, Target, Costco, Best Buy y Dollar General desde la API de la SEC (2019–2025), calculo los ratios en SQL y los presento en una aplicación interactiva de 8 módulos: resumen ejecutivo, ingresos y gastos, cuentas por cobrar y por pagar, flujo de efectivo, estado de resultados y balance general. Hallazgo: Target opera con ciclo de caja negativo (−1,5 días) porque sus proveedores financian el inventario, mientras Costco lo logra vendiendo en 27,6 días.
Python · SQL (DuckDB) · Streamlit · Plotly · XBRL

Informe de 6 páginas sobre ventas, compras e inventario (2023–2026) con datos anonimizados: modelo estrella, inventario reconstruido, punto de reorden por marca y un pronóstico con 15,9 % de error.
Python · Power BI · DAX · 68 controles de calidad · Ver el caso

App que detecta desviaciones de precio y productos sin margen en relojería y joyería, con alertas por color para Finanzas.
SQL · Random Forest · Streamlit · Demo en vivo

Clasifica productos por aporte a los ingresos y estabilidad de la demanda para definir una política de inventario por grupo.

Clasificación de reseñas de apps en positivas/negativas con un 82 % de accuracy.

Comparación de XGBoost, Random Forest y árbol de decisión.

Tendencia y estacionariedad de ventas diarias como base para pronosticar demanda.

📫 Contacto

Portafolio · LinkedIn · m.gabrielafiguera@gmail.com

Pinned Loading

  1. fragrance-intelligence fragrance-intelligence Public

    App BI de fragancias: ventas, compras, inventario y resumen gerencial automático (Python, DuckDB, R, Streamlit)

    Python

  2. ProyectoDataScience ProyectoDataScience Public

    IA para auditar precios y márgenes en relojería y joyería: detecta desviaciones y productos sin margen. SQL, Random Forest y Streamlit.

    Jupyter Notebook

  3. app-review-sentiment-naive-bayes app-review-sentiment-naive-bayes Public

    Clasificación de sentimiento de reseñas de apps con Naive Bayes y NLP (82 % de accuracy).

    Python

  4. diabetes-prediction-random-forest diabetes-prediction-random-forest Public

    Predicción de diabetes con Random Forest a partir de variables clínicas (dataset Pima).

    Jupyter Notebook

  5. diabetes-prediction-xgboost diabetes-prediction-xgboost Public

    Predicción de diabetes comparando XGBoost, Random Forest y árbol de decisión.

    Jupyter Notebook

  6. sales-time-series-analysis sales-time-series-analysis Public

    Análisis de una serie temporal de ventas diarias: tendencia y prueba de estacionariedad (ADF) como base para pronosticar demanda.

    Jupyter Notebook 1