Data Analysis · Lección 18 de 19

Portfolio y Proyecto Final

Llegó el momento de integrar todo. En esta lección vas a construir un proyecto completo de Data Analysis de principio a fin, siguiendo la metodología profesional que usarías en un trabajo real. Este proyecto es tu carta de presentación — tu portfolio — para demostrar a reclutadores y empleadores lo que sabés hacer.

180–240 min Prerrequisitos: Todas las lecciones anteriores

El portfolio de un Data Analyst

¿Por qué necesitás un portfolio?

Los certificados dicen que estudiaste. El portfolio demuestra que sabés hacer. Un buen portfolio te diferencia del 90% de los candidatos que solo tienen cursos en su CV.

Un portfolio de Data Analyst profesional contiene:
1. 2-3 proyectos completos con datos reales o realistas
2. Notebooks o scripts bien documentados y organizados
3. Visualizaciones que comunican hallazgos con claridad
4. GitHub con código limpio, README profesional, y commits descriptivos
5. (Opcional) Dashboard en Power BI / Tableau publicado online

¿Dónde publicar tu portfolio?

Plataforma	Ventaja	Para qué
GitHub	Estándar de la industria	Código, notebooks, README
Kaggle	Comunidad de Data Science	Notebooks interactivos, datasets
LinkedIn	Red profesional #1	Posts con hallazgos, links al código
Tableau Public	Dashboards interactivos gratis	Visualizaciones publicadas
Blog personal	Control total del contenido	Artículos explicando tu proceso

Estructura de un proyecto de portfolio

Título claro: "Análisis de Churn Bancario: predicción de cancelación de clientes"
Pregunta de negocio: "¿Qué características tienen los clientes que cancelan?"
Dataset: de dónde vienen los datos, qué contienen (puede ser Kaggle o datos simulados)
EDA: exploración completa con gráficos e insights
Análisis / Modelo: estadísticas, correlaciones, ML si aplica
Conclusiones: hallazgos accionables para el negocio
README profesional en GitHub

Lo que buscan los reclutadores: no buscan el modelo con más accuracy. Buscan: (1) que puedas formular una pregunta de negocio, (2) que tu código sea limpio y reproducible, (3) que tus visualizaciones comuniquen con claridad, y (4) que puedas extraer insights accionables. El proceso importa más que el resultado.

Proyecto Final: Análisis de Churn Bancario

Vamos a construir un proyecto completo paso a paso. Cada bloque de código es un paso del proceso.

Paso 1: Definir el problema y crear el dataset

proyecto_paso01.pyPython

import pandas as pd
import numpy as np

np.random.seed(42)
n = 500

# Simular datos bancarios realistas
antiguedad = np.random.randint(0, 25, n)
productos = np.clip(np.random.normal(3, 1.5, n), 1, 8).astype(int)
saldo = np.abs(np.random.normal(400000, 200000, n)).astype(int)
edad = np.random.randint(18, 70, n)
ingreso = (edad * 8000 + antiguedad * 15000 + np.random.normal(0, 80000, n)).astype(int)
ingreso = np.clip(ingreso, 50000, 2000000)

# Probabilidad de cancelar (modelo realista)
logit = (-2.5
         - 0.08 * antiguedad 
         - 0.25 * productos
         + 0.00000005 * saldo
         + 0.01 * edad
         + np.random.normal(0, 0.5, n))
prob_churn = 1 / (1 + np.exp(-logit))
churn = (prob_churn > 0.5).astype(int)

df = pd.DataFrame({
    "Cliente_ID": range(1, n+1),
    "Edad": edad,
    "Genero": np.random.choice(["M","F"], n),
    "Ciudad": np.random.choice(["CABA","Rosario","Córdoba","Mendoza","Tucumán"], n, p=[0.35,0.25,0.20,0.12,0.08]),
    "Segmento": np.random.choice(["Premium","Estándar","Básico"], n, p=[0.15,0.55,0.30]),
    "Antigüedad": antiguedad,
    "Productos": productos,
    "Saldo": saldo,
    "Ingreso": ingreso,
    "Canal_Preferido": np.random.choice(["Web","App","Sucursal"], n, p=[0.45,0.35,0.20]),
    "Churn": churn
})

# Inyectar nulos realistas
for col in ["Saldo","Ingreso"]:
    df.loc[np.random.choice(n, 15, replace=False), col] = np.nan

print("=" * 60)
print("PROYECTO: ANÁLISIS DE CHURN BANCARIO")
print("=" * 60)
print(f"\nPregunta de negocio:")
print(f"   ¿Qué características tienen los clientes que cancelan?")
print(f"   ¿Podemos predecir quiénes están en riesgo?")
print(f"\nDataset: {df.shape[0]} clientes × {df.shape[1]} variables")
print(f"   Tasa de churn: {df['Churn'].mean()*100:.1f}%")
print(f"\n{df.head()}")

Hacé clic en ▶ Ejecutar

Paso 2: EDA — Calidad de datos

proyecto_paso02.pyPython

import pandas as pd
import numpy as np

np.random.seed(42)
n = 500
df = pd.DataFrame({
    "Edad": np.random.randint(18, 70, n),
    "Segmento": np.random.choice(["Premium","Estándar","Básico"], n, p=[0.15,0.55,0.30]),
    "Antigüedad": np.random.randint(0, 25, n),
    "Productos": np.clip(np.random.normal(3, 1.5, n), 1, 8).astype(int),
    "Saldo": np.abs(np.random.normal(400000, 200000, n)).astype(int),
    "Ingreso": np.abs(np.random.normal(400000, 150000, n)).astype(int),
    "Churn": np.random.choice([0,1], n, p=[0.75,0.25])
})
df.loc[np.random.choice(n, 15, replace=False), "Saldo"] = np.nan
df.loc[np.random.choice(n, 10, replace=False), "Ingreso"] = np.nan

print("=" * 50)
print("PASO 2: CALIDAD DE DATOS")
print("=" * 50)

# Nulos
print("\nNulos:")
nulos = df.isna().sum()
for col in nulos[nulos > 0].index:
    print(f"  {col}: {nulos[col]} ({nulos[col]/len(df)*100:.1f}%)")

# Estrategia de imputación
print("\nImputación: mediana por segmento")
for col in ["Saldo","Ingreso"]:
    before = df[col].isna().sum()
    df[col] = df.groupby("Segmento")[col].transform(lambda x: x.fillna(x.median()))
    after = df[col].isna().sum()
    print(f"  {col}: {before} nulos → {after} nulos")

# Resumen estadístico
print(f"\nEstadísticas post-limpieza:")
print(df.describe().round(0))

Hacé clic en ▶ Ejecutar

Paso 3: EDA — Análisis visual

proyecto_paso03.pyPython

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

np.random.seed(42)
n = 500
ant = np.random.randint(0, 25, n)
prod = np.clip(np.random.normal(3, 1.5, n), 1, 8).astype(int)
logit = -2.5 - 0.08*ant - 0.25*prod + np.random.normal(0, 0.5, n)
churn = (1/(1+np.exp(-logit)) > 0.5).astype(int)

df = pd.DataFrame({
    "Segmento": np.random.choice(["Premium","Estándar","Básico"], n, p=[0.15,0.55,0.30]),
    "Antigüedad": ant,
    "Productos": prod,
    "Saldo": np.abs(np.random.normal(400000, 200000, n)).astype(int),
    "Churn": churn
})

fig, axes = plt.subplots(2, 2, figsize=(12, 9))
fig.suptitle("EDA Visual — Análisis de Churn", fontsize=14, fontweight="bold")

# 1. Tasa de churn por segmento
churn_seg = df.groupby("Segmento")["Churn"].mean() * 100
churn_seg.plot(kind="bar", ax=axes[0,0], color=["#4CAF50","#FF9800","#F44336"])
axes[0,0].set_title("Tasa de Churn por Segmento"); axes[0,0].set_ylabel("%")
axes[0,0].tick_params(axis="x", rotation=0)

# 2. Distribución de antigüedad por churn
sns.boxplot(data=df, x="Churn", y="Antigüedad", ax=axes[0,1], palette=["#2196F3","#F44336"])
axes[0,1].set_title("Antigüedad: Churn vs No Churn")
axes[0,1].set_xticklabels(["No canceló","Canceló"])

# 3. Histograma de productos por grupo
sns.histplot(data=df, x="Productos", hue="Churn", kde=True, ax=axes[1,0], palette=["#2196F3","#F44336"])
axes[1,0].set_title("Distribución de Productos")

# 4. Correlaciones
num_cols = df.select_dtypes("number")
sns.heatmap(num_cols.corr(), annot=True, cmap="RdYlBu_r", center=0, ax=axes[1,1], fmt=".2f")
axes[1,1].set_title("Correlaciones")

plt.tight_layout()
plt.show()

print("Hallazgo 1: Clientes con menos antigüedad tienen más churn")
print("Hallazgo 2: Menor cantidad de productos → mayor riesgo")

Hacé clic en ▶ Ejecutar

Paso 4: Modelo predictivo

proyecto_paso04.pyPython

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier, export_text
from sklearn.metrics import accuracy_score, precision_score, recall_score, confusion_matrix

np.random.seed(42)
n = 500
ant = np.random.randint(0, 25, n).astype(float)
prod = np.clip(np.random.normal(3, 1.5, n), 1, 8)
saldo = np.abs(np.random.normal(400, 200, n))
edad = np.random.randint(18, 70, n).astype(float)
logit = -2.5 - 0.08*ant - 0.25*prod + np.random.normal(0, 0.5, n)
churn = (1/(1+np.exp(-logit)) > 0.5).astype(int)

X = np.column_stack([edad, ant, prod, saldo])
y = churn
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

print("=" * 50)
print("PASO 4: MODELO PREDICTIVO")
print("=" * 50)

modelos = {
    "Regresión Logística": LogisticRegression(random_state=42, max_iter=300),
    "Árbol (depth=3)": DecisionTreeClassifier(max_depth=3, random_state=42),
    "Árbol (depth=5)": DecisionTreeClassifier(max_depth=5, random_state=42),
}

mejor_modelo, mejor_recall, mejor_nombre = None, 0, ""

for nombre, mod in modelos.items():
    mod.fit(X_tr, y_tr)
    pred = mod.predict(X_te)
    acc = accuracy_score(y_te, pred)
    prec = precision_score(y_te, pred, zero_division=0)
    rec = recall_score(y_te, pred, zero_division=0)
    print(f"\n{nombre}:")
    print(f"  Accuracy:  {acc*100:.1f}%")
    print(f"  Precision: {prec*100:.1f}%")
    print(f"  Recall:    {rec*100:.1f}%  ← clave para churn")
    if rec > mejor_recall:
        mejor_recall, mejor_modelo, mejor_nombre = rec, mod, nombre

print(f"\nMejor modelo (por recall): {mejor_nombre}")
print(f"   Recall = {mejor_recall*100:.1f}% → captura el {mejor_recall*100:.0f}% de los churners")

Hacé clic en ▶ Ejecutar

Paso 5: Conclusiones y recomendaciones

proyecto_paso05.pyPython

print("=" * 60)
print("CONCLUSIONES Y RECOMENDACIONES DE NEGOCIO")
print("=" * 60)

print("""
HALLAZGOS PRINCIPALES:

1. PERFIL DE RIESGO: los clientes que cancelan tienden a tener:
   • Menor antigüedad (< 5 años)
   • Menos productos contratados (1-2)
   • Estos dos factores son los predictores más fuertes

2. SEGMENTACIÓN: la tasa de churn varía por segmento.
   Los clientes Básicos muestran mayor propensión a cancelar.

3. MODELO: la regresión logística/árboles de decisión logran
   identificar una proporción significativa de los clientes en riesgo.

💡 RECOMENDACIONES PARA EL NEGOCIO:

1. PROGRAMA DE RETENCIÓN TEMPRANA:
   Foco en clientes con < 3 años y < 2 productos.
   Ofrecer un 2do producto con beneficio en los primeros 6 meses.

2. CROSS-SELLING:
   Cada producto adicional reduce la probabilidad de churn.
   Impulsar tarjetas de crédito y seguros en clientes de 1 producto.

3. MONITOREO MENSUAL:
   Implementar un scoring automático mensual usando el modelo.
   Alertar al equipo comercial cuando un cliente supera P(churn) > 0.6.

4. SEGMENTO BÁSICO:
   Revisar la propuesta de valor. Considerar migrar a Estándar
   con beneficios progresivos.

📁 ENTREGABLES DEL PROYECTO:
   • Notebook con EDA completo y código reproducible
   • Dashboard en Power BI con métricas de churn
   • Modelo entrenado para scoring mensual
   • Presentación ejecutiva (5 slides)
""")

print("✅ Proyecto final completado")

Hacé clic en ▶ Ejecutar

Cómo armar tu GitHub profesional

Estructura de un repositorio de portfolio

estructura_github.pyPython

estructura = """
📁 churn-analysis/
│
├── 📄 README.md          ← Descripción, hallazgos, cómo ejecutar
├── 📄 requirements.txt   ← pandas, seaborn, scikit-learn
│
├── 📁 data/
│   ├── raw/              ← datos originales (no modificar)
│   └── processed/        ← datos limpios
│
├── 📁 notebooks/
│   ├── 01_eda.ipynb      ← Análisis exploratorio
│   ├── 02_modeling.ipynb ← Modelos de ML
│   └── 03_insights.ipynb ← Conclusiones y visualizaciones
│
├── 📁 src/               ← Scripts reutilizables
│   ├── data_cleaning.py
│   └── model_utils.py
│
├── 📁 reports/
│   ├── dashboard.png     ← Screenshot del dashboard
│   └── presentacion.pdf  ← Deck ejecutivo
│
└── 📁 models/
    └── best_model.pkl    ← Modelo entrenado
"""
print(estructura)

readme = """
=== EJEMPLO DE README.md ===

# Análisis de Churn Bancario

## Objetivo
Identificar los factores que predicen la cancelación de clientes
y construir un modelo de scoring para el equipo de retención.

## Hallazgos Principales
- Los clientes con <3 años y <2 productos tienen 3x más
  probabilidad de cancelar
- El modelo logístico logra 78% de recall sobre los churners
- Recomendación: programa de cross-selling temprano

## Stack Tecnológico
Python | pandas | seaborn | scikit-learn | SQLite

## Cómo ejecutar
```bash
pip install -r requirements.txt
jupyter notebook notebooks/01_eda.ipynb
```

## Autor
Tu Nombre — [LinkedIn](link) — [Email](mailto:)
"""
print(readme)

Hacé clic en ▶ Ejecutar

Ejercicios del Proyecto Final

Nivel 1 · Básico

Ejercicio 1: Diagnóstico rápido del dataset

Imprimí las dimensiones, tipos de datos y nulos del dataset. Debe incluir shape.

ejercicio_01.pyDebe incluir "shape"

import pandas as pd
import numpy as np
np.random.seed(42)

df = pd.DataFrame({
    "Edad": np.random.randint(18, 65, 100),
    "Productos": np.random.randint(1, 6, 100),
    "Saldo": np.random.normal(300000, 100000, 100).astype(int),
    "Churn": np.random.choice([0,1], 100, p=[0.75, 0.25])
})
df.loc[np.random.choice(100, 5), "Saldo"] = np.nan

# Diagnóstico: shape, dtypes, nulos

Hacé clic en ▶ Ejecutar

Nivel 1 · Básico

Ejercicio 2: Tasa de churn

Calculá la tasa de churn (% de clientes que cancelaron). Debe incluir %.

ejercicio_02.pyDebe incluir "%"

import pandas as pd
import numpy as np
np.random.seed(42)

df = pd.DataFrame({
    "Churn": np.random.choice([0,1], 200, p=[0.78, 0.22])
})

# Tasa de churn

Hacé clic en ▶ Ejecutar

Nivel 1 · Básico

Ejercicio 3: Estadísticas por grupo

Calculá la media de Productos y Saldo agrupando por Churn (0 vs 1). Debe incluir mean.

ejercicio_03.pyDebe incluir "mean"

import pandas as pd
import numpy as np
np.random.seed(42)

df = pd.DataFrame({
    "Productos": np.random.randint(1, 6, 100),
    "Saldo": np.random.normal(300000, 100000, 100).astype(int),
    "Churn": np.random.choice([0,1], 100, p=[0.75, 0.25])
})

# groupby Churn → media

Hacé clic en ▶ Ejecutar

Nivel 2 · Intermedio

Ejercicio 4: Gráfico de churn por segmento

Graficá la tasa de churn por segmento con un barplot. Imprimí Gráfico churn OK.

ejercicio_04.pyDebe imprimir "Gráfico churn OK"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
np.random.seed(42)

df = pd.DataFrame({
    "Segmento": np.random.choice(["Premium","Estándar","Básico"], 200, p=[0.15,0.55,0.30]),
    "Churn": np.random.choice([0,1], 200, p=[0.75, 0.25])
})

# Tasa de churn por segmento → barplot

Hacé clic en ▶ Ejecutar

Nivel 2 · Intermedio

Ejercicio 5: Imputar nulos con mediana por grupo

Rellenálos nulos de Saldo con la mediana de cada Segmento. Debe incluir 0 (nulos restantes).

ejercicio_05.pyDebe incluir "0"

import pandas as pd
import numpy as np
np.random.seed(42)

df = pd.DataFrame({
    "Segmento": np.random.choice(["A","B","C"], 50),
    "Saldo": np.random.normal(300000, 100000, 50).astype(int)
})
df.loc[np.random.choice(50, 8, replace=False), "Saldo"] = np.nan
print(f"Antes: {df['Saldo'].isna().sum()} nulos")

# fillna con mediana por segmento

Hacé clic en ▶ Ejecutar

Nivel 2 · Intermedio

Ejercicio 6: Train/Test + modelo simple

Entrenáun modelo de churn y mostrá el accuracy. Debe incluir %.

ejercicio_06.pyDebe incluir "%"

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

np.random.seed(42)
n = 200
ant = np.random.randint(0, 20, n).astype(float)
prod = np.random.randint(1, 6, n).astype(float)
X = np.column_stack([ant, prod])
y = ((ant < 5) & (prod < 3)).astype(int)
# Agregar ruido
ruido = np.random.choice(n, 20, replace=False)
y[ruido] = 1 - y[ruido]

# Split + entrenar + accuracy

Hacé clic en ▶ Ejecutar

Nivel 3 · Avanzado

Ejercicio 7: Dashboard EDA de 4 gráficos

Creá un dashboard con 4 gráficos del proyecto: boxplot, histograma, countplot y heatmap. Imprimí EDA completo.

ejercicio_07.pyDebe imprimir "EDA completo"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
np.random.seed(42)

n = 200
df = pd.DataFrame({
    "Antigüedad": np.random.randint(0, 20, n),
    "Productos": np.random.randint(1, 6, n),
    "Saldo": np.random.normal(300, 100, n).astype(int),
    "Segmento": np.random.choice(["Premium","Estándar","Básico"], n),
    "Churn": np.random.choice([0,1], n, p=[0.75, 0.25])
})

# fig, axes = plt.subplots(2, 2, figsize=(12, 9))
# 4 gráficos profesionales

Hacé clic en ▶ Ejecutar

Nivel 3 · Avanzado

Ejercicio 8: Comparar 2 modelos con métricas completas

Compará Árbol y Logística. Imprimí accuracy, precision y recall de ambos. Debe incluir Recall.

ejercicio_08.pyDebe incluir "Recall"

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score

np.random.seed(42)
X = np.random.rand(300, 3)
y = (X[:,0] + X[:,1]*0.5 > 0.8).astype(int)
X_tr,X_te,y_tr,y_te = train_test_split(X,y,test_size=0.2,random_state=42)

# 2 modelos, 3 métricas cada uno

Hacé clic en ▶ Ejecutar

Nivel 3 · Avanzado

Ejercicio 9: Generar tabla de recomendaciones

Basándote en los datos, imprimí 3 recomendaciones accionables para el negocio. Debe incluir Recomendación.

ejercicio_09.pyDebe incluir "Recomendación"

import pandas as pd
import numpy as np
np.random.seed(42)

n = 200
df = pd.DataFrame({
    "Antigüedad": np.random.randint(0, 20, n),
    "Productos": np.random.randint(1, 6, n),
    "Churn": np.random.choice([0,1], n, p=[0.75, 0.25])
})

# Analizar datos + imprimir recomendaciones
# Tip: calculá tasa churn por antigüedad (<3 vs >=3) y por productos (<2 vs >=2)

Hacé clic en ▶ Ejecutar

Nivel 4 · Desafío

Ejercicio 10: Pipeline completo mini-proyecto

Pipeline end-to-end: crear datos → limpiar → EDA → modelo → insight. Debe incluir Proyecto finalizado.

ejercicio_10_desafio.pyDebe imprimir "Proyecto finalizado"

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, recall_score

np.random.seed(42)
n = 200

# TODO: pipeline completo
# 1. Crear dataset con nulos
# 2. Limpiar (fillna)
# 3. EDA rápido (describe + tasa churn)
# 4. Modelo + accuracy + recall
# 5. print("Proyecto finalizado")

Hacé clic en ▶ Ejecutar

Resumen y conexión

Tu portfolio demuestra lo que sabés hacer — es más valioso que cualquier certificado.
Un proyecto completo incluye: pregunta de negocio → datos → EDA → modelo → conclusiones.
GitHub con README profesional es el estándar para presentar proyectos.
El proceso importa más que el resultado — código limpio, visualizaciones claras, insights accionables.
2-3 proyectos bien hechos valen más que 10 mediocres.

En la lección final (19 · Preparación para entrevistas) vas a aprender qué te van a preguntar en entrevistas de Data Analyst, cómo prepararte y cómo presentar tu portfolio profesionalmente.

Hecho con ❤️ por Rodri Gonzalez