Análisis de datos y business intelligence

El análisis de datos empieza por preguntas de negocio, no por herramientas. En mi trayectoria esa pregunta suele ser: ¿qué patrones en sensores, logs o registros operativos permiten actuar antes de que un equipo falle? Mi certificación SQL en TestDome (mayo 2023) formaliza años de consultas sobre MySQL, PostgreSQL y SQLite en proyectos web y académicos.

En noviembre de 2024 completé el Acelerador de Carrera con Power BI de ZAKIDATA, certificación publicada en LinkedIn con credencial verificable. Power BI me permite construir dashboards interactivos donde KPIs, filtros y relaciones entre tablas traducen datasets complejos en narrativas visuales para gerentes y operadores.

Python complementa el stack de BI: Pandas y NumPy para limpieza y transformación, Matplotlib y Seaborn para exploración, y Scikit-learn cuando el análisis evoluciona hacia modelos predictivos. Tableau y herramientas cloud (AWS, Google Cloud, Azure) aparecen en mi perfil como extensiones naturales cuando el volumen o la audiencia lo requieren.

Las bases de datos que manejo incluyen PostgreSQL, MySQL, MongoDB, Firebase y Redis — cada una con casos donde SQL relacional, documentos o caché en tiempo real aportan la pieza correcta del puzzle analítico.

PdM-Manager es el proyecto bandera donde convergen análisis de datos e Industria 4.0: sistema de gestión para mantenimiento predictivo con React en frontend, Node.js en backend y modelos ML que alimentan visualizaciones industriales. El repositorio en GitHub (Nico2603/PdM-Manager) documenta cómo pasar de datos crudos a alertas accionables.

En mi resumen de LinkedIn detallo modelos no supervisados — DBSCAN, KMeans, Isolation Forest y CBLOF — aplicados específicamente a mantenimiento predictivo. Esos algoritmos detectan anomalías y clusters en series temporales o multivariadas cuando no hay suficientes etiquetas de fallo, escenario común en plantas industriales.

La participación en el XXIX Verano de la Investigación Científica y Tecnológica del Pacífico (certificación UAN, agosto 2024, más reconocimiento por destacada participación) consolidó trabajo colaborativo en machine learning aplicado a contextos reales de investigación, con rigor académico y entregables medibles.

El testing automatizado del semillero Industria 4.0 (UCP, 2024) refuerza la idea de que datos confiables exigen pipelines validados: sin calidad en la captura y en el ETL, ningún dashboard ni modelo predictivo sostiene decisiones críticas.

Un dashboard excelente que nadie entiende no sirve. Por eso combino certificaciones en Power BI con Fundamentos UX/UI (UCP, abril 2024) y experiencia como representante estudiantil en el Consejo Académico (2023-2025): aprender a traducir números a decisiones para audiencias diversas.

En proyectos académicos y comunitarios — incluyendo la iniciativa documentada en LinkedIn que movilizó recursos para más de 500 familias y 170 kits educativos en el barrio Futuro Bajo — los datos también miden impacto social: familias atendidas, recursos movilizados, coordinación interinstitucional. No todo análisis ocurre en un data warehouse industrial.

Si necesitas dashboards Power BI, análisis exploratorio en Python, diseño de esquemas SQL o integración de métricas en aplicaciones web, puedes revisar certificaciones en LinkedIn, el código en GitHub o contactarme desde este sitio.