📊 Proyecto RappiPlus: De datos a decisiones de negocio
📊 Proyecto RappiPlus: De datos a decisiones de negocio
Embedded Files
RappiPlus es un servicio de suscripción dentro del ecosistema de delivery que busca incrementar la frecuencia de compra y el valor generado por usuario.
🧠 Descripción del proyecto
🧠 Descripción del proyecto
En este proyecto se desarrolló un análisis end-to-end para evaluar el desempeño del servicio, integrando datos de pedidos, catálogo, marketing y comportamiento de usuarios.
El objetivo fue transformar datos crudos en insights accionables que permitieran responder preguntas clave del negocio: rentabilidad, conversión, retención e impacto de cambios en producto.
🎯 Objetivos del análisis
Validar la calidad y confiabilidad de los datos
Evaluar la rentabilidad del negocio (revenue, costos, profit)
Identificar puntos de abandono en el funnel de conversión
Analizar la retención de usuarios mediante cohortes
Medir el impacto de cambios en producto mediante experimentación A/B
Comunicar resultados mediante un dashboard ejecutivo
📂 Fuentes de datos
📂 Fuentes de datos
Orders → pedidos, ingresos y descuentos
Catalog → costos de productos
Marketing → inversión por canal y país
Events → comportamiento de usuario (funnel)
Users & Activity → retención y cohortes
Experimentos → resultados de A/B testing
🔍 Proceso de análisis
CALIDAD DE DATOS (PYTHON)
Limpieza de nulos, duplicados e inconsistencias
Validación de montos (revenue vs cálculo esperado)
Estandarización de variables categóricas
Generación de datasets limpios para análisis
✔️ Resultado: dataset confiable para toma de decisiones
ANÁLISIS DE RENTABILIDAD
Revenue total: $51.8M
Costos: $43.0M
Inversión en marketing: $2.87M
Profit: $5.86M
📌 Insight:
El negocio es rentable, pero con márgenes ajustados, lo que sugiere oportunidades en optimización de costos y marketing.
FUNNEL DE CONVERSIÓN (SQL)
Se construyó el recorrido completo del usuario desde visita hasta compra
Identificación del mayor punto de abandono
📌 Insight:
Mayor drop-off en etapa de checkout (~13%)
Posible fricción en el proceso de pago
RETENCIÓN DE USUARIOS (COHORTES)
Retención estable entre 41% – 43% en primeras semanas
📌 Insight:
Buen nivel de retención inicial
Oportunidad en estrategias de engagement para largo plazo
EVALUACIÓN DE IMPACTO (A/B TESTING)
Test estadístico: Prueba Z de proporciones
Resultado: p-value = 0.416
📌 Insight:
No hay evidencia estadística de mejora en la conversión
El cambio en el checkout no genera impacto significativo
🖥️ 🟦 VISTA 1: OVERVIEW EJECUTIVO
Presenta una visión general del negocio a treavés de:
KPIs: Revenue, Profit, Marketing Spend
Evolución temporal de ingresos
Análisis por categoría de producto
👉 Permite entender rápidamente el estado del negocio.
🖥️ 🟦 VISTA 2: ANÁLISIS DETALLADO
Permite profundizar en el desempeño mediante:
Drill-through a nivel producto y orden
Identificación de productos más rentables
Segmentación por canal, país y categoría
👉 Facilita la identificación de causas y oportunidades.
🖥️ 🟦 VISTA 3: ANÁLISIS DE PRODUCTO (DEEP DIVE)
Permite identificar patrones como:
Productos con alta demanda pero bajo ticket
Variaciones de ingreso a lo largo del tiempo
Posibles problemas de pricing o estacionalidad
🚀 RECOMENDACIONES
Optimizar el flujo de checkout para reducir abandono
Evaluar ROI por canal de marketing
Implementar estrategias de retención a largo plazo
Diseñar nuevos experimentos con hipótesis más claras
Analizar pricing y costos para mejorar márgenes
🧠 Valor generado
🧠 Valor generado
Este proyecto demuestra la capacidad de:
Trabajar con datos reales y múltiples fuentes
Integrar Python, SQL y BI en un flujo completo
Traducir análisis técnico en decisiones de negocio
Comunicar insights de forma clara para stakeholders
ROL
Analista de Datos
HERRAMIENTAS
Python
Pandas
SQL
Estadistica (statsmodels)
Power BI
¿Quieres saber mas sobre el proyecto?
Visita el siguiente link a GitHub para ver el notebook completo del Proyecto
Page updated
Google Sites
Report abuse