Marketing,
datos e inteligencia
artificial.

Traiana: departamento de marketing de una cervecera artesana

Cervecera artesana sevillana inspirada en el barrio de Triana, con una propuesta de marca construida sobre el geolocalismo: el orgullo de barrio como motor del relato. Proyecto independiente que vivió durante 2024.

Asumí en solitario el área completa de marketing y ventas: gestión de redes sociales, página web, publicidad, contacto con proveedores y clientes, prospección comercial a puerta fría en locales, diseño parcial de la identidad de marca y construcción del PVP para venta al por mayor.

• Branding desde la base: posicionamiento geolocalista (Triana como territorio simbólico), tono de marca y aplicación a piezas reales para redes, publicidad y producto.
• Comercial a puerta fría en hostelería sevillana: presentación del producto en locales, gestión de objeciones y cierre de acuerdos con proveedores.
• Construcción del PVP mayorista desde cero: análisis de costes, márgenes para el canal y estrategia de precios competitiva.
• Gestión operativa simultánea de canales digitales (RRSS, web, publicidad) en un entorno sin equipo ni soporte de área.

La marca cerró en julio de 2024 por falta de equipo y estructura suficiente para sostener su crecimiento. La pieza audiovisual que muestro a la derecha es un anuncio que produje con los medios disponibles: la calidad técnica refleja las limitaciones del momento, pero el concepto y el mensaje sí condensan la propuesta de marca que defendí durante el proyecto.

EDA del dataset de películas

Análisis exploratorio completo sobre un dataset de películas para estudiar cómo afectan a la recaudación tres factores clave: el país de origen, el género principal y la clasificación por edades. Incluye un pipeline de limpieza modular y una progresión de visualizaciones desde lo básico hasta lo avanzado.

• Pipeline de limpieza en Python con normalización de columnas, imputación razonada y generación de variables derivadas (main_genre, movie_type).
• Tres tandas de visualizaciones —básicas, intermedias y avanzadas— que incluyen histogramas, boxplots, mapa de correlaciones, pairplots y violinplots.
• Análisis cruzado país × género × clasificación para responder a la pregunta central del proyecto con evidencia visual.

Estadística aplicada a la predicción de ratings

Práctica final del Máster en Data Science e IA. Análisis estadístico riguroso sobre un dataset de 10.000 animes, articulado en cuatro bloques: análisis descriptivo, inferencia y modelado, regresión lineal implementada desde cero con NumPy, y series temporales.

• Tratamiento metodológico completo: clasificación de variables por tipo, imputación razonada por categoría, análisis de asimetría/curtosis y validación de supuestos del modelo.
• Comparativa regresión lineal vs. logística sobre el mismo dataset (R² = 0.44, RMSE = 0.47) con diagnóstico de residuos y discusión de la adecuación de cada enfoque.
• Implementación from scratch de regresión lineal con descenso de gradiente en NumPy puro, validada contra la solución analítica OLS.
• Descomposición de series temporales en tendencia, estacionalidad y ruido con medias móviles de distinto orden.

Modelo de fidelización y recompra en retail

Pipeline end-to-end de Data Science sobre el dataset público Online Retail II (UCI): más de un millón de transacciones reales del Reino Unido entre 2009 y 2011. El objetivo de negocio: predecir la probabilidad de recompra de cada cliente y entregar al equipo comercial una tabla accionable de campañas.

• Pipeline completo: EDA con foco de negocio, construcción razonada del target con fecha de corte, RFM y feature engineering por cliente.
• Detección de anomalías con Isolation Forest para aislar mayoristas atípicos y segmentación K-Means validada por Silhouette Score (0.58).
• Comparativa Regresión Logística vs. Random Forest con GridSearchCV. Gana la logística por interpretabilidad para negocio — AUC-ROC = 0.79.
• Bonus: sistema de recomendación con tres enfoques complementarios (popularidad, content-based con TF-IDF y filtrado colaborativo con SVD).

Análisis NLP de reseñas: sentimiento y benchmarking

Análisis del lenguaje natural sobre reseñas reales de Trustpilot del sector Travel & Vacation. Combina análisis de sentimiento, topic modeling y comparativa con la competencia para entregar recomendaciones de negocio accionables sobre loveholidays.com frente a TUI, Jet2 y Lastminute.

• Pipeline de limpieza de texto propio: normalización de caracteres, eliminación de ruido y filtrado por sector para asegurar comparabilidad competitiva.
• Análisis de sentimiento con TextBlob y benchmarking competitivo: polaridad +0.177 y 63% de reseñas positivas frente a la media del sector.
• Topic modeling con NMF sobre matriz TF-IDF: cinco temas latentes identificados (reserva online, alojamiento, experiencia, precio, atención al cliente).
• Cruce sentimiento × topic con umbrales de decisión que separan fortalezas comunicables de áreas de mejora prioritarias.

AsistIA: agente RAG conversacional sobre IA Generativa

Agente conversacional construido con Google Gemini, ChromaDB y LangGraph que responde preguntas sobre IA Generativa apoyándose en una base de conocimiento vectorial propia y manteniendo memoria entre turnos. Práctica final del módulo de IA Generativa del Máster, desplegada en Streamlit Cloud.

• Arquitectura de agente como grafo de estado dirigido con LangGraph: nodos de recuperación y generación, con memoria por thread_id que aísla conversaciones paralelas.
• Pipeline RAG completo: indexación de PDFs con RecursiveCharacterTextSplitter, embeddings de Gemini, persistencia en ChromaDB y recuperación por similitud coseno (top-3).
• System prompt cuidadosamente diseñado con siete reglas explícitas: priorización del contexto, fallback ante falta de información, idioma fijado y tono pedagógico.
• Interfaz web en Streamlit con selección de modelo, panel de inspección del contexto recuperado y caché de recursos para no recompilar el agente en cada rerun.