Commercial Insights Pipeline

Decision support en Python para análisis comercial profundo: demanda, performance por producto/categoría/marca y market basket (Apriori) sobre datasets de ventas a escala.

Python Pandas NumPy mlxtend (Apriori) Matplotlib / Seaborn Snowflake Jupyter

Impacto

+2–3pp

Mejora de CVR
post-decisiones

300k+

Filas procesadas
por corrida

Diario

Frecuencia de uso
en rol de Pricing Analyst

Contexto

El equipo necesitaba entender con granularidad qué productos/categorías/marcas empujan venta y qué combinaciones se repiten. Los tableros estándar cubrían lo macro, pero no brindaban flexibilidad para análisis ad-hoc profundo y repetible, con filtros y enfoques iterativos.

Cómo funciona

Ingesta: carga datasets CSV exportados desde queries en Snowflake.
Exploración inicial: distribución de órdenes, revenue y productos únicos.
Análisis de demanda: top productos/categorías/marcas por órdenes, revenue y HL; intervalos de revenue por producto.
Market Basket Analysis: algoritmo Apriori para detectar combinaciones estadísticamente significativas de productos comprados juntos.
Filtros iterativos: parámetros ajustables (soporte, confianza, lift) para explorar desde distintos ángulos.
Entrega: tablas y visualizaciones dentro del notebook, exportadas on-demand para el equipo.

Decisión y trade-offs

Construcción: notebook modular con filtros y múltiples vistas, optimizado para exploración rápida.
Trade-off: no era auto-servicio (yo era el único con dominio de Python en el sector).
Mitigación: hallazgos versionados en Notion y outputs compartidos on-demand por chat.

Resultados

Habilitó decisiones para reordenamiento de Home y configuración de acciones comerciales basadas en demanda y combinatorias.
Impacto medido con mejora de CVR de +2–3pp tras implementar ajustes derivados del análisis.
Convertí análisis exploratorio en un framework repetible de decisiones: uso diario en el rol y hoy ejecución on-demand.

Siguiente paso

Evolución hacia auto-servicio (Streamlit), catálogo de preguntas frecuentes, refresh más automatizado y ML 2.0 (afinidades, recomendaciones, segmentación). El objetivo: democratizar el insight sin perder profundidad.