1. El Desafío de Negocio

El objetivo principal fue analizar el comportamiento transaccional de los clientes para identificar patrones de compra conjunta no evidentes. La empresa necesitaba pasar de la intuición a una estrategia basada en datos para:

• Incrementar el ticket promedio.
• Diseñar promociones de productos combinados (bundling) más efectivas.
• Optimizar la distribución de productos en tienda (física o digital).

2. Metodología y Solución Técnica

El proyecto se ejecutó en tres fases clave, combinando análisis estadístico avanzado con inteligencia de negocios visual:

• Procesamiento de Datos (ETL): Limpieza y estructuración de datos transaccionales crudos utilizando Python (Pandas) para asegurar la calidad de la información.
• Modelado Algorítmico: Implementación del algoritmo Apriori (librería mlxtend) para la generación de reglas de asociación. Se calcularon métricas críticas para validar la fuerza de las relaciones:
  • Soporte: Frecuencia de aparición de los productos.
  • Confianza: Probabilidad condicional de compra.
  • Lift: La fuerza de la asociación más allá del azar (identificando relaciones verdaderamente relevantes).
• Visualización Interactiva: Desarrollo de un dashboard en Power BI que permite a los stakeholders filtrar reglas por categoría, fuerza de asociación y rentabilidad potencial.

3. Herramientas y Tecnologías

• Lenguaje: Python (Jupyter Notebook).
• Librerías: Pandas, Matplotlib, Mlxtend (Association Rules).
• Business Intelligence: Microsoft Power BI (Modelado de datos y DAX).
• Gestión: Análisis de Requerimientos Funcionales y Documentación de Insights.

4. Insights y Resultados Clave

Gracias al análisis de los datos (basado en el Informe de Conclusiones y el Notebook), se lograron identificar oportunidades concretas:

Toma de Decisiones: El entregable final permite al equipo de marketing simular escenarios y elegir qué productos promocionar juntos basándose en evidencia matemática y no en suposiciones.

Reglas de Asociación de Alto Valor: Se detectaron combinaciones de productos con un Lift superior a 1, indicando una fuerte correlación de compra que no estaba siendo explotada.

Estrategia de Bundling: Se propusieron nuevos paquetes de productos basados en la probabilidad estadística de compra conjunta, diseñados para aumentar la rotación de inventario.