Estudiante de Ingeniería en Gestión Empresarial en la UDEM, con gran interés en el análisis de datos y la inteligencia artificial aplicada. Perfil orientado a organizar, estructurar y analizar información para convertirla en decisiones más claras.
Motivado por el aprendizaje continuo, el trabajo en equipo y la mejora de procesos. Orientado en comprender por completo un problema antes de resolverlo, utilizando herramientas como Excel, Power BI y Python. Siempre busca la historia detrás de los números.
Educación
Otoño 2023 – Otoño 2027 (previsto)
Ingeniería en Gestión Empresarial
Universidad de Monterrey (UDEM) — Monterrey, México
Otoño 2020 – Primavera 2023
Bachillerato Multicultural
Universidad de Monterrey (UDEM) — Monterrey, México
Cómo pienso
Todo problema comienza con estructura; comprender los datos, definir qué medir y después elegir la herramienta adecuada. La prioridad es lograr un análisis claro y accionable, no solo correcto.
"Los datos cuentan una historia; el trabajo consiste en ayudar a las personas a escucharla"
Habilidades
Áreas de experiencia y herramientas
Power BI
Dashboards interactivos | Power Query | DAX | Modelado de datos | KPIs y visualización de datos | Limpieza de datos
Dashboards interactivos
Power Query
DAX
Modelado de datos
KPIs y visualización de datos
Limpieza de datos
Excel
| Fórmulas y funciones | Validación de datos | IF | Gráficas y dashboards | Solver | Ordenamiento y filtrado
ChatGPT | Claude | Gemini | Microsoft Copilot | DALL-E | Diseño e iteración de prompts
ChatGPT
Claude
Gemini
Microsoft Copilot
DALL-E
Diseño e iteración de prompts
SQL
SELECT | JOINs | GROUP BY | Filtrado y agregaciones
SELECT
JOINs
GROUP BY
Filtrado y agregaciones
Otras herramientas y plataformas
Microsoft Workspace | Dia | Google Workspace | Jupyter | Teams | Slack | Trello | Notion | Asana | Canva |
Microsoft Workspace
Dia
Google Workspace
Jupyter
Teams
Slack
Trello
Notion
Asana
Canva
Proyectos
Proyectos destacados
Imagen del proyecto (opcional)
Dashboard de Riesgo de Diabetes
Objetivo:
Dashboard interactivo de Power BI que analiza el riesgo de diabetes en 768 expedientes de pacientes, de los cuales 268 (34.9%) resultaron positivos. Creado para un contexto de salud (CHRISTUS Muguerza), convierte datos clínicos sin procesar en una vista clara y filtrable de quién presenta mayor riesgo.
Proceso:
- Filtros dinámicos por edad y embarazos, además de controles de rango para glucosa (0–199) e insulina (14–846), para aislar cualquier segmento.
- Tarjetas KPI para el total de registros y casos de diabetes, con una distribución de 34.9% con diabetes frente a 65.1% sin diabetes.
- Gráficas de tendencia de presión arterial, IMC y glucosa promedio en cinco grupos de edad, además de un ranking de casos por edad.
Hallazgos clave:
- La glucosa y la presión arterial alcanzan su punto máximo en el grupo de 50–59 años, mientras que el IMC promedio lo hace antes, entre los 40–49.
- Los casos de diabetes se concentran en pacientes menores de 30 años y disminuyen con la edad, lo que señala un segmento joven de riesgo que conviene monitorear.
Objetivo:
Dashboard interactivo de Power BI que analiza más de 8,820 millones de unidades vendidas en el mercado mundial de videojuegos entre 1980 y 2017, por plataforma, género, región y año. Resume décadas de datos de la industria en una sola vista de qué se vendió, dónde y cuándo.
Proceso:
- Filtros dinámicos por plataforma, región, género y año, con restablecimiento en un clic.
- Tarjetas KPI que muestran a los líderes principales: PS2 como plataforma líder, Nintendo como desarrollador principal y Acción como género dominante.
- Tendencia anual de ventas, ranking de los 10 juegos principales, desglose de géneros por región y gráfica regional de dona respaldada por un mapa mundial.
Hallazgos clave:
- Las ventas crecieron con fuerza desde mediados de los noventa y alcanzaron su máximo en 2008 (678 millones) antes de disminuir hacia 2017.
- Norteamérica generó casi la mitad de las ventas (49%), seguida de Europa (27%) y Japón (15%); Wii Sports (83 millones) fue el título más vendido.
Power BI | Modelado de datos | Diseño de dashboards
Objetivo:
Proyecto de aprendizaje automático no supervisado que agrupa 167 países mediante 9 indicadores socioeconómicos: mortalidad infantil, ingreso, esperanza de vida, PIB per cápita, inflación y otros. Convierte datos de desarrollo sin procesar en perfiles de países claros y basados en datos.
Proceso:
- Estandariza todas las variables con StandardScaler y selecciona k = 3 mediante el método del codo y la puntuación silhouette.
- Entrena un modelo K-Means y lo compara con agrupamiento jerárquico (aglomerativo) y DBSCAN.
- Valida los resultados con las métricas Silhouette, Davies-Bouldin y Calinski-Harabasz.
Hallazgos clave:
- Produce tres grupos interpretables: desarrollados/de altos ingresos (36 países), en desarrollo/de ingresos medios (84) y menos desarrollados/de bajos ingresos (47).
- K-Means logró la mejor separación general (el Calinski-Harabasz más alto); el grupo de bajos ingresos mostró cerca de 93 muertes infantiles por cada 1,000 frente a aproximadamente 5 en el grupo de altos ingresos.
Pronóstico del Tipo de Cambio MXN/USD — ARIMA vs LSTM
Objetivo:
Proyecto de series de tiempo que pronostica el tipo de cambio diario MXN/USD mediante dos enfoques: un modelo ARIMA clásico y una red neuronal LSTM. Utiliza datos de Banxico de 2016 a 2024 (aproximadamente 2,092 días hábiles) y compara el comportamiento de un modelo estadístico con uno de aprendizaje profundo, especialmente ante choques importantes.
Proceso:
- Ejecuta pruebas de estacionariedad (ADF y Phillips-Perron) y análisis de rupturas estructurales (Zivot-Andrews), fijando el orden de integración en d = 1.
- Ajusta un ARIMA(1,1,0), elegido por el BIC más bajo, y una LSTM apilada (128→64→32 con dropout y ventana de 60 días).
- Compara ambos modelos con horizontes de 30, 60 y 90 días.
Hallazgos clave:
- La LSTM logró el mejor ajuste general (R² 0.97, RMSE 0.19), mientras que ARIMA fue más preciso en el error punto a punto (MAE/MAPE).
- ARIMA superó ligeramente a la LSTM alrededor de cada choque estructural, y ambos tuvieron mayores dificultades durante la pandemia de 2020, lo que confirma que los eventos exógenos abruptos son los más difíciles de predecir.
Predicción del Rendimiento Estudiantil con Machine Learning
Objetivo:
Proyecto de aprendizaje automático supervisado que predice el rendimiento estudiantil (calificación final G3) en Matemáticas y Portugués, planteado como regresión (calificación exacta) y clasificación (Bajo / Medio / Alto). Se basa en 383 estudiantes del conjunto de datos Student Performance de UCI.
Proceso:
- Combina cuatro métodos de selección de variables (ANOVA F-test, RFE, L1-Logistic y Random Forest) y conserva las variables elegidas por tres o más métodos.
- Compara más de 20 modelos: lineales, basados en árboles, ensambles (Random Forest, Gradient Boosting, XGBoost y LightGBM), votación y redes neuronales (MLP), con GridSearch y validación cruzada.
- Evalúa R²/RMSE para regresión y accuracy/F1 para clasificación, además de realizar controles de sobreajuste.
Hallazgos clave:
- Gradient Boosting alcanzó 89.6% de exactitud (F1 0.89) al clasificar el nivel de rendimiento, y Extra Trees explicó R² 0.85 de la calificación final.
- En todos los modelos, las calificaciones previas (G1 y G2) y las reprobaciones anteriores fueron los predictores más importantes.
Se diseñó e impartió sesiones prácticas de Excel para niños, abordando cómo estructurar, organizar y realizar análisis básicos de información con herramientas digitales.
2023 - 2024
Asistente de Coordinación de Eventos
InstaFiesta
- Se apoyó la planeación y logística de eventos, dando seguimiento a cronogramas, materiales y necesidades operativas. Se organizó datos de clientes, eventos y ventas para mejorar el control interno. Se analizó patrones de ventas y pedidos para detectar tendencias y áreas de mejora.
2022 - 2023
Asociado de Ventas
My Planner
- Se gestionó ventas por Instagram de principio a fin, respondiendo consultas, dando seguimiento a pedidos y apoyando el cierre de ventas con atención personalizada. Se dio seguimiento y analizó pedidos, entregas e inventario para apoyar la toma de decisiones.
