Foto de Marisol Martinez

Data Analyst · Portfolio

Marisol
Martínez

"Datos. Interpretación. Poder."

Analista de Datos con curiosidad por descubrir las historias ocultas en los números. Con background en tecnología gubernamental, ERP y retail, entiendo los datos porque primero entendí los procesos detrás de ellos.
Me especializo en el ciclo completo: limpiar, transformar y visualizar datos para ayudar a los equipos a tomar mejores decisiones basadas en evidencia.

Python SQL Pandas Modelos Predictivos Excel Visualización de Datos
marisol.martinezpulgarin@gmail.com linkedin/marisolmtzp ↗
01

Movilidad urbana
y productividad económica en ciudades de Latinoamérica

El Banco Interamericano de Desarrollo (BID) busca identificar en qué ciudades de América Latina invertir en infraestructura de transporte para aumentar la productividad y el bienestar de la población. Para orientar esa decisión, este análisis busca responder tres preguntas clave:
¿Qué ciudades presentan alta congestión y baja productividad económica?
¿Cuáles muestran los mejores indicadores combinados (movilidad eficiente y economía fuerte)?
¿Qué variables parecen tener una relación más fuerte con el desarrollo urbano?

Qué hice: Crucé datos de tráfico de TomTom Traffic Index (datos de tráfico en tiempo real) con indicadores económicos de la OECD (PIB per cápita, desempleo y población) usando Python y Pandas. Limpié, uní y analicé ambas bases para obtener información útil para la toma de decisiones.
Resultado o aprendizaje: Identifiqué la correlación directa entre el retraso por congestión y la caída en el desempeño económico urbano.

Hallazgos Clave:
CIUDADES PRIORITARIAS PARA INVERSIÓN (metro, BRT, tráfico inteligente):
Lima [13,472USD/1,052min] — congestión severa, baja productividad
Bogotá [11,442USD/1,142min] — alta congestión + desempleo alto
Sao Paulo [14,703USD/1,729min] — megalópolis saturada
CDMX [21,111USD/2,833min] — mayor congestión de la región
Lima y Bogotá: intervención más urgente. Congestión alta + PIB bajo indican que la infraestructura vial está frenando la productividad y el bienestar.

Python Pandas NumPy Seaborn Matplotlib Jupyter Notebook
P1_img1 P1_img2 P1_img3
P2_img1 P2_img2 P2_img3
02

Análisis de Embudo y Retención
para Mercado Libre

Análisis del funnel de compras de Mercado Libre para entender en qué paso se observa la mayor caída porcentual de usuarios y cómo varía esta pérdida por país.

Qué hice: Usé SQL para mapear el embudo de conversión completo, identificar los principales puntos de fuga y evaluar la retención de usuarios por cohortes.
Analicé Tasa de Conversión entre cada etapa clave del "Embudo General", así como el "Embudo por País" del 01/01/2025 al 08/31/2025
También realicé análisis de Retención de Usuarios para entender qué tan bien retiene a los usuarios en el tiempo, comprender su tasa de retención en D7, D14, D21, D28 y cómo se comporta la retención agrupado por país.
Resultado o aprendizaje: Identifiqué en qué etapa del proceso se pierden usuarios y cómo se puede mejorar su retención a lo largo del tiempo.

Hallazgos Clave:
Funnel de Compras Caída crítica: select_item→add_to_cart (76.89%→11%). Posible fricción: precios poco claros, falta de reseñas o expectativa no cumplida. Resto del embudo estable. Uruguay = outlier positivo (0% abandono post-checkout); Paraguay, Ecuador y Colombia = 0% en purchase. Recomendaciones: revisar presentación/precios, investigar barreras de pago y envío, replicar modelo Uruguay.
Retención de Usuarios D7 sólido (~87%, consistente por país y cohorte), pero colapso progresivo: D7→D14 −30pts, D28 = 2–3%. Punto crítico universal: no es activación, es consolidación del hábito. Uruguay = mayor caída relativa en D7→D14 (−38pts); MX y BR mejor desempeño intermedio. Recomendaciones: onboarding 14 días, mostrar progreso en D6–D8, notificaciones personalizadas + loops hábito (detonador→rutina→recompensa).

SQL CTEs Análisis de Funnels Análisis de Cohortes Estadística Descriptiva Análisis de Journeys de Usuario
03

Análisis del desempeño
financiero con SQL

Entender en qué mercados de un hipermercado en el área de retail, se generan más ingresos y rentabilidad para decidir dónde invertir el próximo dólar de marketing.

Qué hice: Con datos de órdenes, productos, territorios y campañas, preparé un análisis que muestra prioridades de mercado, optimización de presupuesto y rentabilidad. Extraje, filtré y limpié datos con SQL. Calculé indicadores financieros clave: ingresos, costos, beneficio bruto, margen y ROI. Redacté un informe ejecutivo con visualizaciones y el método Contexto → Hallazgo → Implicación (C→F→I).

Resultado o aprendizaje: Identifiqué cuánto se está ganando por país y qué tan rentable es cada mercado considerando los gastos de marketing. Brindé implicaciones accionables para optimizar el presupuesto y rentabilidad.

Hallazgos Clave:
Rendimiento por Mercado: EE.UU. lidera en ingresos ($3.35M) y ROI (75.75%); Australia = 2° mercado ($2.53M, ROI 49.16%). Margen bruto similar en todos los mercados (41.75–44.76%): es el tamaño lo que define el beneficio absoluto. UK y Alemania gastan ~$2.3M en campañas con ROI bajo (20–22%); Canadá invierte $1.82M desproporcionado a su tamaño ($710K ingresos, ROI 17.43%). Recomendaciones: escalar inversión en EE.UU. y Australia; revisar y posiblemente reducir presupuesto en Canadá y Francia — verificar antes si son mercados entrantes con potencial.

SQL ETL KPIs EDA Storytelling de Datos CFI
P1_img1 SQL | ETL | KPIs | EDA | Storytelling de Datos | Informe CFI