El problema

El conjunto de datos Brazilian E-Commerce de Olist contiene más de 100.000 órdenes repartidas en tablas relacionales sin procesar. Dos preguntas de negocio guían el proyecto: ¿qué ocurre con las ventas, la logística y los clientes? ¿Qué vendedores podrían abandonar la plataforma?

La solución

Aplicación en línea: data-analysis-ecommerce-horaciolaphitz.streamlit.app

1. ETL a un data mart en estrella

Proceso en Python y SQL (src/etl.py y la capa sql/, con scripts de limpieza, data mart, vistas y controles de calidad) que transforma los CSV sin procesar en una base SQLite con esquema estrella. La aplicación consulta el data mart, no los CSV.

2. Aplicación de análisis en Streamlit — seis secciones

  • Analysis — indicadores generales: ingresos, órdenes, valor promedio del pedido, distancia y demoras, con tendencias mensuales.
  • Logística — distribución de las demoras, tasa de entregas tardías por estado y relación entre distancia y demora.
  • Reviews — puntuaciones de las reseñas y su relación con la demora de entrega.
  • Churn Sellers — métricas del modelo, importancia de variables y clasificación de vendedores en riesgo, con recomendaciones.
  • Ventas — ticket promedio mensual y peso del flete por categoría.
  • Segmentación — RFM, cohortes de retención mensual e indicadores de ingresos en riesgo.

3. Modelo de abandono de vendedores

Flujo completo de aprendizaje automático (src/churn/): etiquetado, ingeniería de variables, entrenamiento, predicción, recomendaciones y seguimiento de deriva. Sobre 2.433 vendedores, con una tasa de abandono del 48 %:

Modelo AUC-ROC Precision Recall F1
Regresión logística (referencia) 0,90 0,88 0,74 0,80
XGBoost 0,99 0,95 0,94 0,95

El modelo de referencia permite medir si la complejidad adicional de XGBoost aporta una mejora.

Calidad

Dieciséis archivos de prueba con pytest cubren cada capa: ETL, análisis, gráficos, segmentación y el flujo de abandono —etiquetado, variables, entrenamiento y deriva—, con datos de prueba que reproducen el esquema de Olist.

Resultado

Una plataforma de análisis desplegada: transforma archivos CSV en información útil, identifica vendedores que podrían abandonar la plataforma y cuenta con pruebas para modificar cada capa sin afectar las demás.