Proyectos

Casos donde usé Power BI, SQL, modelado y ETL para responder preguntas reales de negocio.

ERP ML Predictor

Pipeline ML que corre sobre el ERP RIBISOFT: predice riesgo de mora en cartera y genera forecast de ventas, sin mover datos fuera del servidor del cliente.

AUC 0.999 · F1 0.91 · Recall 1.0 en 3 empresas con datos sintéticos
Auto-reentrenamiento: el modelo detecta caída de calidad y se re-entrena solo

Python XGBoost scikit-learn Prophet +7

Detalle

Mundial 2026 Predictor

Predictor del Mundial FIFA 2026 con XGBoost calibrado, sistema ELO propio y simulación Monte Carlo — web pública que fija los resultados reales del torneo y mide los aciertos del modelo en vivo.

10.000 simulaciones Monte Carlo en el navegador — Argentina 16.9% campeón, Colombia top 8
52% accuracy en Qatar 2022 (test temporal sin leakage) vs 33% de un modelo aleatorio

Python XGBoost scikit-learn pandas +6

Detalle

SQL Performance Lab

Tres anti-patrones de SQL Server diagnosticados y corregidos en un ERP farmacéutico real — con benchmarks en caché frío y planes de ejecución que respaldan cada cifra.

Q1 — −59% elapsed · −99.3% reads en SalesOrders (2,856 → 19)
Q2 — −99.2% reads (4,958 → 38) con columna calculada como leading key

SQL Server T-SQL Query Optimization Execution Plans +4

Detalle

Flight Price Intelligence

XGBoost + SerpAPI: compara el precio real de Google Flights con la predicción del modelo y emite una señal Compra ahora / Espera con % de confianza.

XGBoost MAE 2,088 INR · R² 0.97 — supera KNN y Regresión Lineal en la misma comparativa
Pipeline completo: Kaggle → Supabase → MLflow → FastAPI (Render) → Streamlit Cloud

Python XGBoost FastAPI Streamlit +6

Detalle

Demo

Retail Intelligence Pipeline

Pipeline end-to-end: Python ingesta un dataset de retail en Supabase, dbt construye un star schema con 52 tests automáticos, y Streamlit publica el análisis en producción.