Analista de Advanced Analytics at Consultor Independiente (2026-06 – 2026-07)
- Predictive Modeling & Desbalanceo de Clases: Diseñé un pipeline de Random Forest para predecir propensión de compra sobre 300K+ usuarios de e-commerce con conversión natural de 0.054% (162 casos positivos), alcanzando ROC-AUC 0.81 pese al desbalanceo extremo.
- Rigor Metodológico & Prevención de Leakage: Blindé el pipeline contra fugas de información (undersampling exclusivo en train, ventanas temporales estrictas) y descarté deliberadamente alternativas más complejas (XGBoost) al confirmar que el techo del problema era volumen de señal, no capacidad del algoritmo.
- Optimización de Umbral para Negocio: Auditoría multi-umbral que redujo falsos positivos de 17,328 a 1,804 (-89%) manteniendo el 47% de compradores reales detectados, traduciendo el resultado a un ratio de equilibrio operable para decisión de negocio.
Analista de Business Analytics at Consultor Independiente (2026-03 – 2026-04)
- Revenue Analytics & Visualization: Modelé rentabilidad comercial en Excel avanzado (Power Query); detecté que el 98.3% del revenue se concentraba en el Top 10 de productos y que Bikes creció del 72% al 83% del mix en 3 años.
- KPI Analysis & Profit Optimization: Identifiqué $1.39M en pérdidas sobre $64.9M de revenue con márgenes negativos de hasta -14% (Touring Bikes), impulsando una revisión urgente de costos y del mix de productos.
- Análisis de Tendencias: Evalué anomalías interanuales (2018→2019): caída de -75% en profit neto pese a una suba de +33% en revenue (margen 3.22%→1.49%), alertando sobre la destrucción de rentabilidad por categorías ineficientes.
Analista de Datos & Business Intelligence at Consultor Independiente (2025-12 – Present)
- Diseñé e implementé el modelo de datos (Esquema Estrella) en Google BigQuery, optimizando el procesamiento de +500K registros mediante vistas en SQL para el análisis de cohortes.
- Construí 2 dashboards interactivos en Power BI integrando segmentación RFM, análisis de cohortes transaccionales y curvas de concentración de ingresos para identificar riesgos de pérdida de clientes.
- Identifiqué un patrón de churn crítico en el Mes 1 (caída de retención del 100% al ~20%), proponiendo una estrategia de fidelización enfocada en los primeros 30 días para maximizar el Customer Lifetime Value (LTV).
- Cuantifiqué el impacto de cancelaciones analizando el volumen de pedidos (17% de cancelaciones) contra el impacto real en ingresos (2% de pérdida), aislando ineficiencias operativas sin afectación crítica al margen neto.
