Estudio de datos & automatización

Convertimos la operación diaria en paneles que se entienden de un vistazo.

Armamos paneles, modelos de datos y automatizaciones a medida para empresas que necesitan ver qué está pasando en su operación en tiempo real, sin plantillas genéricas ni licencias de software caras.

Ver proyectos Hablemos de tu operación
Panel de estado en línea
01 YPF AVIACIÓN · RUTAS Y COMBUSTIBLE DESPLEGADO
02 QRCONTROL · ESCANEO Y VENTAS DESPLEGADO
03 AMCOR · SIMPLIFICACIÓN CON T-SNE DESPLEGADO
Casos reales, en producción

Tres formas distintas de resolver el mismo problema: datos dispersos

Los tres proyectos de abajo son trabajos reales. Explicamos qué problema resuelven y cómo están construidos, sin mostrar cifras ni información interna de los negocios para los que se hicieron.

Caso 01 · Business Intelligence + simulación

YPF Aviación · Panel de rutas y combustible

Este panel cruza dos mundos de información que normalmente viven separados: las estadísticas oficiales de tráfico aéreo que publica ANAC (vuelos, pasajeros y ocupación por ruta y aeropuerto) y los datos propios de despacho de combustible de la empresa.

Un panel de administración permite cargar cada mes los reportes oficiales en Excel o PDF tal cual se publican; el sistema los interpreta automáticamente, actualiza lo que cambió y agrega lo nuevo, sin duplicar nada y sin que nadie tenga que tocar una fórmula.

Con esa información ya ordenada, el panel muestra un mapa mundial interactivo de rutas, tableros de tendencia año contra año, y un modelo de estimación de consumo de combustible según el tipo de aeronave y la distancia de cada ruta, útil para simular escenarios sin depender de datos reales todavía disponibles.

Python · Flask PostgreSQL SQLAlchemy Plotly.js Lectura de Excel/PDF Modelo de consumo por aeronave Render
Mapa mundial de rutas aéreas del panel YPF Aviación Tablero de tendencias y carga de combustible del panel YPF Aviación

Capturas reales del panel. Los valores puntuales fueron cubiertos a pedido del cliente.

📷CÁMARA
DEL CELULAR
→
▦CATÁLOGO Y
STOCK
→
💳COBRO
ONLINE
🏷️ETIQUETAS
PARA IMPRIMIR
→
📦SEGUIMIENTO
DE PEDIDOS
→
💬CHATBOT DE
WHATSAPP

Flujo simplificado del sistema, de un escaneo a un pedido resuelto por WhatsApp.

Caso 02 · Automatización comercial

QRControl · Escaneo, catálogo y ventas por QR

Pensado para negocios que necesitan controlar stock y ventas sin pagar un sistema de punto de venta caro ni instalar nada. Se abre desde el navegador del celular: al apuntar la cámara a un código QR o de barras de un producto, la app registra el movimiento automáticamente en una Google Sheet que el negocio ya usaba, sin necesidad de una base de datos aparte.

Sobre esa misma base se armó un catálogo con fotos y categorías, generación de etiquetas con código de barras/QR listas para imprimir, cobro online con Mercado Pago, un módulo para seguir el estado de cada pedido y un chatbot de WhatsApp que responde consultas y confirma pedidos sin intervención manual.

Node.js · Express Google Sheets API Mercado Pago API WhatsApp Business API Generación de PDF Códigos de barra/QR Render
Ver demo en vivo ↗
Caso 03 · Machine learning no supervisado

AMCOR · Simplificación del mix de preformas con t-SNE

AMCOR es una multinacional de envases que fabrica preformas (la pieza plástica que después se sopla para formar una botella) en cientos de variantes: distintos pesos, colores, resinas y moldes. Con tanta variedad, es difícil saber qué combinaciones agrupar para simplificar la producción sin dejar de cubrir la demanda real de los clientes.

Se tomaron cerca de 250 variables que describen cada preforma sobre más de mil registros históricos de ventas, y se aplicó t-SNE para reducir esa altísima dimensionalidad a un mapa en 2D donde las preformas parecidas quedan cerca entre sí. Sobre ese mapa se corrió un clustering (k-means) para encontrar grupos naturales de productos.

El resultado fueron 5 grupos claramente diferenciados (entre ellos, bebidas frías de gran formato, bebidas de formato chico, envases rígidos de uso doméstico, aceites de uso alimenticio/industrial y productos de cuidado personal) que le permiten a la empresa enfocar la producción en menos variantes por grupo sin perder cobertura de la demanda, mejorando indicadores como el OEE (eficiencia general de los equipos) y liberando espacio de almacenamiento.

R Rtsne k-means ggplot2 Reducción de dimensionalidad Clustering
Resultado del t-SNE: cada punto es una preforma proyectada en 2D

1. Mapa t-SNE (245 variables → 2D)

Resultado del clustering: 5 grupos de preformas identificados sobre el mapa t-SNE

2. Clustering final (5 grupos)

Un poco de teoría

¿Qué es t-SNE?

t-SNE (t-distributed Stochastic Neighbor Embedding) es una técnica de reducción de dimensionalidad: toma datos descriptos por decenas o cientos de variables (como las 245 de las preformas de AMCOR) y los proyecta en un mapa de 2 o 3 dimensiones que un humano puede mirar y entender de un vistazo.

En vez de comparar distancias directas entre puntos, t-SNE calcula qué tan probable es que dos elementos sean "vecinos" en el espacio original, y después acomoda los puntos en el mapa reducido para conservar esas relaciones de vecindad lo mejor posible. Así, los elementos parecidos terminan agrupados y los distintos quedan separados, sin que nadie tenga que decirle al algoritmo qué buscar. Un parámetro clave, la perplejidad, define si el mapa prioriza patrones locales (grupos chicos y compactos) o la estructura más global de los datos.

Por eso t-SNE es tan usado como paso previo al clustering: primero ordena el espacio de datos, y después un algoritmo como k-means encuentra los grupos sobre ese mapa ya simplificado, el mismo camino que se siguió en el caso de AMCOR.

De dónde viene el método

Geoffrey Hinton, el "padrino de la IA"

t-SNE fue publicado en 2008 por Laurens van der Maaten y Geoffrey Hinton, como una mejora de una técnica anterior (SNE) que el propio Hinton había presentado en 2002. Fue uno de tantos aportes de Hinton, que durante décadas construyó buena parte de las bases matemáticas del aprendizaje profundo actual.

  • 1980s Desarrolló, junto a otros investigadores, el algoritmo de backpropagation y la máquina de Boltzmann, piezas fundamentales para entrenar redes neuronales.
  • 2018 Recibió el Premio Turing (el "Nobel de la computación") junto a Yoshua Bengio y Yann LeCun, por sentar las bases del deep learning.
  • 2023 Dejó su puesto en Google para poder hablar con libertad sobre los riesgos de la inteligencia artificial que él mismo ayudó a crear.
  • 2024 Ganó el Premio Nobel de Física junto a John Hopfield, por sus descubrimientos que hicieron posible el aprendizaje automático con redes neuronales.

Por eso se lo conoce como el "padrino de la IA": la misma herramienta que usamos para ordenar el mix de preformas de AMCOR nació de uno de los investigadores que hizo posible la inteligencia artificial moderna.

Cómo trabajamos

Antes de un panel, un modelo de datos

Ningún tablero se arma directo sobre las planillas tal cual llegan. Primero ordenamos la información en un modelo en estrella: un centro con los hechos que importan (ventas, vuelos, escaneos, pedidos) conectado a las dimensiones que los explican (tiempo, producto, ruta, aeropuerto, cliente).

Ese ordenamiento previo es lo que después permite que los paneles respondan rápido, que se puedan sumar nuevas fuentes de datos sin rehacer todo, y que las mismas piezas se reutilicen entre proyectos distintos.

El diagrama de al lado es un modelo real usado en uno de nuestros proyectos. Las entidades específicas quedaron cubiertas porque describen la estructura interna de datos de un cliente.

Diagrama de modelo de datos en estrella, con entidades cubiertas por confidencialidad

Modelo en estrella: entidades cubiertas, estructura visible.

Caja de herramientas

Con qué construimos

Elegimos la herramienta según el problema, no al revés. Esto es lo que usamos hoy en producción.

Backend & lenguajes

  • Python (Flask)
  • Node.js (Express)

Datos & modelado

  • PostgreSQL + SQLAlchemy
  • Google Sheets como backend liviano
  • Modelado dimensional (esquema estrella)

Visualización

  • Plotly.js (gráficos y mapas)
  • Power BI (cuando el cliente ya vive en Microsoft)
  • Tableros y mapas interactivos a medida
  • HTML / CSS / JS

Estadística & machine learning

  • R (RStudio)
  • Reducción de dimensionalidad (t-SNE)
  • Clustering (k-means)
  • ggplot2

Integraciones & pagos

  • Google Sheets API
  • Mercado Pago API
  • WhatsApp Business Cloud API

Automatización & documentos

  • Generación de PDF (PDFKit)
  • Códigos de barra / QR (bwip-js, qrcode)
  • Lectura de Excel / PDF (openpyxl, pypdf)

Infraestructura

  • Render (deploy y bases de datos)
  • Gunicorn
  • Control de acceso por variables de entorno
  • Rate limiting & compresión
Foco en una herramienta

¿Cómo funciona Power BI, en profundidad?

01
Power Query · traer y limpiar los datos

Es la puerta de entrada: se conecta a Excel, bases SQL, APIs, Google Sheets, carpetas enteras, etc. Ahí se limpian y transforman los datos (renombrar columnas, dividir texto, quitar duplicados, cruzar tablas) antes de que lleguen al modelo, el equivalente a un ETL liviano integrado en la misma herramienta.

02
Modelo de datos · cómo se relacionan las tablas

Una vez adentro, las tablas se conectan entre sí por relaciones (por ejemplo, ventas con clientes, o vuelos con aeropuertos) siguiendo la misma lógica de modelado dimensional (esquema estrella) que aplicamos en nuestros propios proyectos. Un buen modelo acá es lo que hace que después todo responda rápido.

03
DAX · las cuentas detrás de cada número

DAX (Data Analysis Expressions) es el lenguaje de fórmulas de Power BI. Con él se crean las "medidas": totales, promedios, variaciones año contra año, porcentajes acumulados, cálculos que se recalculan solos según qué filtros esté usando la persona que mira el reporte en ese momento.

04
Reportes · el lienzo visual

Con el modelo y las medidas ya armados, se construyen las páginas del reporte: gráficos, tablas, mapas, tarjetas y filtros (segmentadores) que se cruzan entre sí. Al tocar un filtro, todos los visuales de la página se actualizan juntos, sin recargar nada.

05
Publicación y actualización

El reporte se publica en el servicio de Power BI (la nube), donde se puede compartir por link o incrustar en otra web, y se programan actualizaciones automáticas para que los datos no queden desactualizados sin que nadie tenga que tocar nada a mano.

06
Quién ve qué

Con seguridad a nivel de fila (RLS) se puede armar un solo reporte donde cada usuario, al entrar, ve automáticamente solo los datos que le corresponden, por ejemplo, cada sucursal viendo únicamente sus propios números.