Transformando Datos en Oportunidades STEM: Análisis de Demanda y Perfiles 2026 

Metodología (Business Intelligence):

Para escalar este impacto y ayudar a miles sin perder la calidad, construí una arquitectura robusta:

• Ingeniería de Datos (RPA & Python): Implementé robots en Power Automate para captar ofertas internacionales y usé Python para limpiar y estructurar los datos. Mi meta: que la información sea impecable para que nadie se quede fuera.

• Captación y Respuesta Humana: Mediante Google Forms y Google Apps Script, logré que cada inscrito reciba sus materiales al instante. La tecnología nos permite dar una bienvenida personalizada a escala masiva.

• Integración Cloud: Conecté Google Sheets con Power BI para que el sistema "viva" y se actualice solo. Así, podemos monitorear el crecimiento del talento en tiempo real.

• Business Intelligence (BI): Diseñé tableros dinámicos que no solo muestran números, sino que cuentan historias sobre hacia dónde se dirige el futuro del aprendizaje.

Insights claves :

Lo que los datos nos dicen sobre el futuro que estamos construyendo:

• Mujeres liderando el cambio: El 60,26% de los inscritos son mujeres. Estamos rompiendo la brecha de género en tecnología, demostrando que el talento femenino está listo para conquistar el mundo STEM.

• Caminos de Especialización: Con 716 interesados en Data Analytics, entendemos que el mundo pide analistas con propósito, guiando nuestra oferta educativa hacia lo que el mercado y los sueños de los alumnos demandan.

• Flexibilidad para Crecer: Identificamos que el 48% puede dedicar de 5 a 10 horas semanales. Diseñamos rutas de aprendizaje que se adaptan a la vida real de los estudiantes.

• Puentes al Empleo: Tenemos a más de 723 jóvenes listos para su primera oportunidad laboral. Los cursos no solo enseñan herramientas, ¡abren puertas a carreras profesionales!

Ficha Técnica:

• Rol: Ingeniería de Datos, Análisis de Mercado, Data Analytics y Data Visualization. 

• Herramientas: Power BI (DAX), Python (Colab), Power Automate (RPA), Google Apps Script.

• Impacto: +1,700 vidas conectadas en 21 países.

• Eficiencia: Reduje el 90% de la carga manual, permitiendo que el equipo se enfoque en lo humano mientras la tecnología se encarga del proceso.

Github: https://github.com/milagrosespinozacunya/Unlocking-STEM-Opportunities-with-Data

"Dominar la tecnología no es la meta, es el puente para que cada estudiante convierta sus sueños en realidad. En este proyecto, transformamos datos en oportunidades; porque los datos nos revelan el camino, pero el análisis con propósito es lo que realmente nos da el impulso para romper brechas."

ANÁLISIS DE BARRERAS DE ACCESO Y MOTIVOS DE RECHAZO - PRONABEC 2026 

Metodología (Business Intelligence):

Diseño de una arquitectura End-to-End en 4 fases:

1. Ingeniería de Datos (Python): Extracción de tablas complejas desde PDF usando pdfplumber y scripts de Fill-Down para recuperar datos perdidos.

2. Calidad de Datos (NLP): Aplicación de algoritmos de Procesamiento de Lenguaje Natural para corregir errores de digitación ("textos pegados") y normalizar 200+ motivos de rechazo.

3. Data Warehousing (SQL Server): Modelado de un Esquema Estrella (FACT_RECHAZOS y DIM_MOTIVOS) para optimizar el rendimiento.

4. Visualización (Power BI): Diseño de dashboard interactivo con enfoque de Data Storytelling.

Insights claves :

• Burocracia vs. Mérito: Beca 18 pierde al 55% de postulantes por trámites escolares (Certificados), mientras que Permanencia filtra por exigencia académica (61% por notas).

• Brecha de Gestión: Los hombres presentan una tasa de error 40% mayor en trámites documentales que las mujeres, revelando falta de soporte administrativo.

• Calidad de Datos: El algoritmo de NLP recuperó el 100% de registros corruptos en origen, logrando una auditoría sin pérdida de información.

Ficha Técnica:

• Rol: Data Engineer & BI Analyst 

• Herramientas: Python (Pandas, NLP), SQL Server, Power BI, DAX.

• Volumen: +16,000 Infracciones detectadas (Múltiples observaciones por postulante).  / 2 Convocatorias procesadas.

• Técnicas: ETL Pipeline, Data Cleaning, Star Schema Modeling, Machine Learning (Gender Prediction).

Github: https://github.com/milagrosespinozacunya/Pronabec-Data-Audit-Pipeline

Metodología (Business Intelligence):

 Se procesaron datos históricos del BCRP mediante un flujo de trabajo estructurado:

• Gestión de Datos (SQL): Extracción, limpieza y normalización de la data para asegurar la calidad de la muestra.

• Modelado de Datos: Diseño de un esquema estrella para cruzar variables temporales, geográficas y tipo de oferta.

• Visualización (Power BI): Desarrollo de un dashboard interactivo para el monitoreo de KPIs de precios y tendencias.

Insights de Mercado :

• Ciclos Económicos: Se detectó una contracción del mercado de ventas post-2016 (descenso de S/ 515k a S/ 355k promedio), señalando cambios en la capacidad adquisitiva de la demanda.

• Segmentación Socioeconómica: El análisis evidenció una marcada brecha entre la "Lima Moderna" (San Isidro/Miraflores) y la "Lima Periférica", definiendo perfiles de consumidor y tickets promedio diferenciados.

• Comportamiento de Alquileres: A diferencia de la venta, el mercado de renta mostró mayor estabilidad, sugiriendo resiliencia en este segmento frente a la volatilidad de precios de venta.

Ficha Técnica:

• Herramientas: SQL Server, Power BI, DAX.

• Habilidades: Análisis Cuantitativo, ETL, Market Segmentation.

• Fuente: Datos Abiertos del BCRP.

Github: https://github.com/milagrosespinozacunya/Departamentos-en-Lima/tree/main