Analítica y visualización

📐 Fundamento

Tipos de métricas:

KPIs típicos por tipo de negocio:

E-commerce / SaaS:

• MRR (Monthly Recurring Revenue).
• CAC (Customer Acquisition Cost).
• LTV (Customer Lifetime Value).
• Churn rate (% que cancela cada mes).
• NPS (Net Promoter Score).
• DAU/MAU (Daily Active Users / Monthly Active Users).

La Esquina Cloud (delivery):

North Star Metric:

Una métrica única que captura el valor que tu producto entrega.

• Spotify: tiempo escuchado.
• Airbnb: noches reservadas.
• La Esquina Cloud: pedidos completados con éxito.

Toda la organización se alinea en torno a mover esa métrica.

Funnel analysis — el viaje del usuario:

Visitas al sitio:    100,000
        ↓ 30% conversion
Carrito creado:       30,000
        ↓ 60% conversion
Iniciar checkout:     18,000
        ↓ 80% conversion
Pedido completado:    14,400

Tasa de conversión total: 14.4%
Mayor caída: visitas → carrito (70% pérdida)
→ Ahí está la oportunidad de mejora

📐 Fundamento

Principios (Edward Tufte, Stephen Few):

1. Maximizar el data-ink ratio: quitar todo lo decorativo (fondos, sombras, gradientes innecesarios).
2. El gráfico correcto para el dato correcto.
3. No usar 3D (distorsiona percepción).
4. Usar color con propósito, no decoración.
5. Permitir comparación (mismo eje, mismo scaling).

Elegir el gráfico correcto:

Gráficos a evitar:

• Pie charts con > 5 categorías — el ojo no compara ángulos bien.
• 3D anything — sesga la percepción.
• Gradientes y sombras — solo distraen.
• Demasiados colores — usar máx 4-5.

Layout de un dashboard ejecutivo:

┌─────────────────────────────────────────────────┐
│  Título  •  Período: Mayo 2026  •  [Filtros]    │
├──────────┬──────────┬──────────┬────────────────┤
│  KPI 1   │  KPI 2   │  KPI 3   │  KPI 4         │   ← Big numbers
│  $50K    │  1,240   │  18.5min │  4.7/5         │
│  ↑ +12%  │  ↓ -3%   │  ↓ -2min │  ↑ +0.2        │
├──────────┴──────────┴──────────┴────────────────┤
│  [Gráfico principal: tendencia 30 días]         │   ← Story principal
├──────────────────────┬──────────────────────────┤
│  [Top platillos]     │  [Mapa de zonas]         │   ← Detalles
└──────────────────────┴──────────────────────────┘

📐 Fundamento

Comparación de plataformas BI:

Setup de Metabase:

# Docker quick start
docker run -d -p 3000:3000 \
    -v metabase-data:/metabase.db \
    --name metabase metabase/metabase

Después: ir a http://localhost:3000, conectar a tu warehouse (PostgreSQL, BigQuery, etc.), y empezar a crear dashboards arrastrando.

Embedded analytics:

En lugar de un dashboard separado, embeber gráficos dentro de tu propia app.

// Embeber un dashboard de Metabase en tu app
import jwt from 'jsonwebtoken';

const payload = {
  resource: { dashboard: 1 },
  params: { user_id: currentUser.id }
};
const token = jwt.sign(payload, METABASE_SECRET, { expiresIn: '10m' });
const url = `https://metabase.la-esquina.com/embed/dashboard/${token}#bordered=true&titled=false`;

return <iframe src={url} width="100%" height="600" />;

Metabase, Looker, Mode, Holistics — todos soportan embedding.

📐 Fundamento

Un dashboard no es para "mostrar datos" — es para contar una historia.

Estructura típica de presentación de datos:

1. Contexto: ¿de qué hablamos? Período, métrica.
2. Resultado: ¿qué pasó? Magnitud y dirección del cambio.
3. Comparación: ¿vs qué? Mes pasado, año pasado, objetivo.
4. Causa: ¿por qué? Drill-down a las dimensiones que explican.
5. Acción: ¿qué hacemos? Recomendación concreta.

Ejemplo MAL:

"Las ventas en mayo fueron $50,000."

Ejemplo BIEN:

"Las ventas en mayo fueron $50,000, +12% vs abril y +25% vs mayo del año pasado, superando el objetivo del trimestre. El crecimiento vino principalmente de la categoría 'pupusas especiales' (+45% YoY) impulsada por la campaña de Día de la Madre. Recomendación: repetir la campaña en septiembre para Día del Padre."

Pirámide invertida (técnica de periodismo):

Conclusión más importante      ← arriba (first impression)
        ↓
Datos de apoyo
        ↓
Detalles, metodología          ← abajo (para quien quiera profundizar)

Anti-patrones comunes:

• Cherry picking: elegir el período/comparación que apoya tu narrativa preexistente.
• Eje truncado: el eje Y empieza en 50 en lugar de 0 → exagera diferencias.
• Correlation = causation: "las ventas subieron cuando lanzamos X" — pero hubo 5 cosas más que cambiaron.
• Sin baseline: "1000 usuarios nuevos" — ¿es bueno o malo? Sin contexto no significa nada.

📐 Fundamento

Ciclo de vida de un modelo ML:

[Datos]
   ↓
[Feature engineering]
   ↓
[Training]
   ↓
[Evaluación]                    ← Modelo entrenado
   ↓
[Deploy]                        ← API que sirve predicciones
   ↓
[Monitoreo]
   ↓
[Retraining]                    ← cuando degrada
   ↺

MLOps = DevOps + ML:

Aplicar prácticas de DevOps (CI/CD, IaC, monitoreo) al ML.

Componentes típicos:

Patrón: Feature Store:

Centraliza los features para que sean consistentes entre training y serving.

# Definir feature
@on_demand_feature_view(...)
def hora_del_dia():
    return ...

# Training: leer del feature store
training_df = feature_store.get_historical_features(...).to_df()
modelo.fit(training_df)

# Serving: leer del mismo feature store
features = feature_store.get_online_features(...)
prediccion = modelo.predict(features)

Sin feature store: training usa una versión, serving otra → "training-serving skew" → modelo da resultados peores en producción.

Drift detection — el modelo se degrada:

# Comparar la distribución de features en producción vs training
from scipy.stats import ks_2samp

stat, p_value = ks_2samp(features_training, features_production)
if p_value < 0.05:
    alert("Distribution shift detected: retrain model")

Causas comunes de degradación:

• Data drift: la distribución de inputs cambió (nuevos comportamientos de clientes).
• Concept drift: la relación input → output cambió (cambió el contexto del negocio).
• Adversarial drift: atacantes adaptan su comportamiento.