Data Analyst Junior · SQL · Python · Power BI
Convierto datos en decisiones de negocio con SQL, Power BI y estadística: análisis de e-commerce, dashboards de ventas, A/B tests y segmentación de clientes, siempre con datos reales y tests.
-444444?style=for-the-badge&logo=readdotcv&logoColor=white){kind=icon}
-444444?style=for-the-badge&logo=readdotcv&logoColor=white){kind=icon}
Buscando mi primer puesto como Data Analyst · Remoto o híbrido · Cádiz / Sevilla (España) · Español e inglés
Data Analyst formado en el bootcamp de Data Analyst e IA de Upgrade Hub. Vengo del sector dental (higiene bucodental, laboratorio y diseño CAD/CAM), donde aprendí a trabajar con precisión, control de calidad y trato con el cliente. Hoy aplico ese rigor a los datos: cada proyecto que publico usa datos reales, documenta sus limitaciones y se puede probar en vivo.
- SQL: CTEs, funciones de ventana (
LAG,RANK,NTILE), análisis de cohortes y controles de calidad de datos, en DuckDB y SQLite. - Python para análisis: Pandas y NumPy para limpieza, transformación y análisis exploratorio (EDA).
- Business Intelligence: Power BI con modelo en estrella, DAX (año anterior, acumulados, objetivos) y Power Query, con las cifras validadas contra SQL.
- Estadística y experimentación: A/B testing con intervalos de confianza, bootstrap y enfoque bayesiano; segmentación RFM y valor de vida del cliente (CLV).
- Visualización y storytelling: dashboards interactivos en Streamlit y gráficos que responden a una pregunta de negocio concreta.
- Machine learning aplicado: modelos de clasificación y de previsión con scikit-learn, siempre comparados con un baseline y validados por fecha.
- Ingeniería analítica (dbt): modelos por capas (staging → marts), modelo en estrella, cargas incrementales, contratos de datos, tests y documentación con linaje.
- Pipelines de datos (ETL): ingesta desde APIs REST con caché y reintentos, y actualizaciones automáticas con GitHub Actions.
- Buenas prácticas: Git, tests con pytest, integración continua con GitHub Actions, documentación clara y resultados reproducibles.
| Proyecto | Problema de negocio y resultado | |
|---|---|---|
| 1. Steam Launch Radar Proyecto final · Python · scikit-learn · Power BI · RAG · Next.js |
¿Va bien el lanzamiento de un juego? De los datos a una app real: con las reseñas de los primeros días estima las del primer mes y si son muchas o pocas para su género. 3.019 lanzamientos reales y validación por fecha: cuando el día 7 avisa de que un juego va «por debajo», acierta el 95 %. Incluye asistente RAG y panel de Power BI. | Demo ▶ Vídeo |
| 2. Olist en SQL SQL · DuckDB · window functions |
¿De dónde sale el crecimiento de un e-commerce y qué lo frena? 11 consultas SQL sobre 97.905 pedidos reales (cohortes, recompra, Pareto, logística): solo el 3 % de los clientes repite y un retraso de más de una semana hunde la nota de 4,3 a 1,7. | Hallazgos |
| 3. Contoso Retail en Power BI Power BI · DAX · Power Query · SQL |
¿Cómo van las ventas de una cadena de tiendas frente al año anterior y al presupuesto? Informe de 5 páginas con 28 medidas DAX sobre 224.000 ventas: 2025 cae un 7,5 %, se queda en el 85,7 % del objetivo y el ticket medio baja un 35 % desde 2018. | Capturas |
| 4. Segmentación RFM y CLV Python · Pandas · SciPy · modelos de CLV |
¿A qué clientes cuidar, recuperar o dejar? 10 segmentos RFM sobre 5.852 clientes reales y valor de vida con BG/NBD + Gamma-Gamma programados desde cero y validados en 6 meses no vistos (compras con un 2 % de error). Lista priorizada de 713 clientes en riesgo. | Análisis |
| 5. A/B test de marketing Python · SciPy · statsmodels · estadística |
¿Funcionan los anuncios? Experimento con 588.101 usuarios: +43 % de conversión (IC 95 % +30 % a +58 %), confirmado con bootstrap, enfoque bayesiano y regresión logística. Solo el 30 % de las compras se deben a los anuncios y el 72 % de los usuarios no responde a la campaña. | Análisis |
| 6. Citi Bike con dbt dbt · DuckDB · SQL · GitHub Actions |
¿Dónde se acumulan las bicis de un sistema de bici compartida y qué frena la demanda? Pipeline dbt de 14 modelos sobre 972.000 viajes reales con hecho incremental, contrato de datos y 61 tests: 9 estaciones acumulan ~240 bicis cada mañana laborable y la lluvia fuerte resta un 35 % de los viajes. | Docs y linaje |
Otros proyectos (previsión de energía solar, churn de jugadores, pipelines de APIs y asistentes con RAG) en el portafolio.
| Área | Herramientas |
|---|---|
| Análisis y programación |      |
| Bases de datos |      |
| Business Intelligence |     |
| Visualización y apps |     |
| Estadística |    |
| Machine learning e IA |    |
| Automatización y herramientas |     |
- Bootcamp de Data Analyst e IA · Upgrade Hub · mayo–octubre de 2026
- Técnico Superior en Prótesis Dentales · Escuela Esprohident · 2018–2020
- Técnico Superior en Higiene Bucodental · Cesur · 2013–2014
Mi primer puesto como Data Analyst Junior, en remoto o híbrido desde España, preferiblemente en tecnología, e-commerce o videojuegos.
Junior Data Analyst (SQL · Python · Power BI) open to remote roles. Highlights: Steam Launch Radar (capstone: ML model, RAG assistant and Power BI dashboard in a live app), an e-commerce analysis in SQL, a Power BI sales dashboard with 28 DAX measures, RFM segmentation with a lifetime-value model, an A/B test of 588k users and a dbt pipeline on 972k bike-share trips. All use real data and the last five have tests, CI and an English summary. CV in English.