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
- 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
¿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.

