Now
Construyo productos para aprender rápido y mantener el músculo técnico. Mi objetivo: pensar transversalmente, pero siempre terminar en "algo que se usa". En paralelo, aplico este enfoque en analytics, automatización y CRM en mi rol actual.
Traino — "Designed by gymrats, for gymrats"
Nació por una necesidad real: ninguna app existente cubría mis requerimientos de tracking en gimnasio, y estaba cansado del Excel. La idea fue construir un producto desde cero sin background previo en desarrollo de producto, apoyándome en IA para acelerar aprendizaje y código.
Stack
Progreso
- Arquitectura multi-page definida
- Autenticación con Supabase Auth
- Registro de ejercicios y sets
- Historial de entrenamientos
- Rutinas personalizadas y plantillas
- Feedback loop con usuarios reales
- Deploy público estable
Aprendizajes clave hasta ahora
- Auth + RLS en Supabase elimina la necesidad de lógica de permisos en el frontend — simplifica mucho la arquitectura.
- Streamlit acelera el ciclo prototipo → feedback, pero tiene límites de UX que aparecen rápido cuando el producto crece.
- Empezar con un usuario real (yo mismo) antes de abrir a otros es la forma más rápida de priorizar qué es indispensable.
Próximo hito
Abrir pruebas con 3–5 usuarios conocidos para validar el flujo de registro de rutina completa y recoger feedback estructurado.
SimplyFin — Personal Finance Dashboard
Dashboard para seguimiento financiero personal: ingresos y gastos, con visualización clara y escalable. Los datos se cargan en un Excel y la app los consume para construir un tablero interactivo con insights, presupuestos y análisis por categoría.
Stack
Progreso
- Ingesta desde Excel con validación de estructura
- Dashboard de gastos por categoría y mes
- Comparativa ingresos vs egresos
- Filtros interactivos por período y categoría
- Proyecciones y presupuesto mensual
- Exportar resumen en PDF
Aprendizajes clave hasta ahora
- El orden y consistencia de los datos de entrada importa más que cualquier visualización — "ordenar datos primero" no es un cliché, es un principio de diseño.
- Excel como input hace el producto más adoptable para usuarios no técnicos que cualquier formulario web.
- Los dashboards financieros personales necesitan opinionated defaults — demasiada flexibilidad paraliza al usuario.
Próximo hito
Agregar módulo de presupuesto mensual con alertas cuando el gasto supera el límite definido por categoría.
Spotify Growth ML — Predicción de Popularidad
Pipeline profesional de Data Science orientado a Growth Marketing: predice el nivel de popularidad de canciones en Spotify a partir de metadatos y señales de contexto (playlists, artistas). Simula un caso real de negocio donde la popularidad funciona como proxy de engagement, análogo a predecir el desempeño de campañas o contenidos digitales.
Stack
Progreso
- Ingesta desde Spotify API con autenticación OAuth
- Dataset crudo versionado (playlists de usuario + públicas + search)
- EDA completo con análisis de distribución y calidad de datos
- Target de ML definido (clasificación: popularidad alta vs. baja)
- Feature engineering básico y dataset model-ready
- Modelado y evaluación (baseline + comparación de modelos)
- Integración de señales externas (Google Trends por artista)
- Validación cruzada y tuning de hiperparámetros
Aprendizajes clave
- Separar código ejecutable (notebooks) de documentación estática (reportes HTML versionados) hace el proyecto más mantenible y compartible con stakeholders no técnicos.
- El límite de paginación de la API de Spotify (/search: 1000 resultados por query) obliga a estrategias de ingesta multi-fuente y deduplicación — una decisión de diseño que impacta directamente el volumen y diversidad del dataset.
- Definir el target de ML con criterio de negocio (popularidad como proxy de engagement) antes de hacer feature engineering evita iterar sobre el dataset equivocado.
Próximo hito
Integrar señales externas (Google Trends por artista) para enriquecer el feature set y evaluar si mejora la capacidad predictiva del modelo.
Principios
- Aprender herramientas nuevas está bien, pero el KPI es impacto (o utilidad real).
- Automatizar lo repetible: menos fricción, más foco.
- Documentación como producto: si no se puede operar sin mí, todavía no está terminado.