María Gabriela FigueraData & Ops · datos que generan valor
María Gabriela Figuera
ANALISTA DE DATOS · BI · OPERACIONES

Más de 15 años en operaciones de retail. Ahora los convierto en decisiones con datos.

Logística, inventarios, compras, ventas y control de costos, con Power BI, Python y Machine Learning.

Proyecto 01 · Sell In / Sell Out Cifras reales del proyecto
Controles de datos680 con error
Cifras del informe52/52recalculadas y cuadran
Modelo3 + 8hechos y dimensiones
Error del pronóstico de ventas (WAPE, unidades; menos es mejor)
Método del informe15,9 %
Año anterior22,7 %
Promedio plano29,3 %
Página Ventas diarias del informe de Power BI, abril 2026, con códigos anonimizados

Áreas de experiencia

Donde aprendí el negocio antes de analizarlo.

01

Logística y distribución

Recepción, despacho y movimiento entre tiendas.

02

Inventario y almacén

Conteos, quiebres de stock y reposición.

03

Compras y proveedores

Importaciones, costo puesto y lead time.

04

Ventas y gestión comercial

Sell out por marca, tienda y vendedor.

05

Finanzas y costos

Márgenes, conciliaciones y auditoría.

Proyectos

Cada proyecto tiene su propia página con la pregunta de negocio, el método, los resultados y los límites.

Gráfico de la brecha de trazabilidad: producción de Venezuela frente a compras registradas por otros países, 2003-2025
10 · Ingeniería de datosPublicado

Venezuela Oil Intelligence · El petróleo venezolano con datos públicos

¿Qué pasó con el petróleo venezolano cuando el país dejó de publicar sus datos? Reconstruyo 36 años de comercio con lo que declaran sus compradores (UN Comtrade) y lo cruzo con producción (EIA) y precios (Banco Mundial, OPEP). Los compradores registraban el 59–74 % de la producción hasta 2018 y solo el 2 % en 2022: el petróleo dejó de ser trazable. El pronóstico acertó la producción de octubre de 2026 con un 3 % de diferencia y proyecta un 2027 más prudente que las metas oficiales.

Python · APIs REST · statsmodels · Plotly · Streamlit
Pantalla Plan de compras 2027 de Fragrance Intelligence
09 · BIPublicado

Fragrance Intelligence · BI de fragancias en retail de belleza

¿Qué le dicen 2 años de Sell In / Sell Out a la gerencia? App de 7 pantallas: un Resumen gerencial que escribe solo las alertas y el plan de acción, y un Plan de compras 2027 por marca y por mes. Para vender ~2.333 unidades en 2027 hay que comprar 1.321, y 638 deben llegar antes de diciembre. Hallazgos 2026: venta +17,8% y margen de 46,3% a 52,0% aun con la marca líder cayendo 23%; 37 de los 50 perfumes más vendidos sin stock antes de diciembre; el mismo SKU hasta 79% más caro según la vía de abastecimiento.

Python · SQL (DuckDB) · R · Streamlit · Plotly
Página Inventario del informe de Power BI
01 · BIPublicado

Sell In / Sell Out en retail de lujo

Modelo estrella en Power BI con ventas, compras e inventario anonimizados. Inventario reconstruido, punto de reorden por marca y pronóstico probado contra la realidad.

Python · Power BI · DAX · Power Query
Ver el caso completo
Resumen ejecutivo de Target 2025 en la aplicación de análisis financiero
08 · FinanzasPublicado

Aplicación de análisis financiero de retail con datos de la SEC

¿Qué cadena convierte mejor su inventario en efectivo? Estados financieros de Walmart, Target, Costco, Best Buy y Dollar General (10-K, 2019-2025) en una app de 8 módulos. Target cierra 2025 con un ciclo de caja de -1,5 días: sus proveedores financian el 102,6 % de su inventario.

Python · SQL (DuckDB) · API de la SEC · Streamlit · Plotly
SmartAudit AIAuditoría de precios con IA
02 · Machine LearningPublicado

SmartAudit AI: auditoría de precios en relojería y joyería

App que estima el precio esperado de cada producto con un Random Forest (R² 0,75) y marca en verde, amarillo o rojo las desviaciones y los productos vendidos sin margen, para Finanzas y Comercial.

Python · SQL · scikit-learn · Streamlit · Render
Página Clientes del tablero en Looker Studio
06 · BIPublicado

Clientes y vendedores en Looker Studio

¿Quién compra y cuántos vuelven? Segmentación RFM, retención por cohorte trimestral y ranking de vendedores con ticket promedio, sobre las mismas ventas anonimizadas. El 11 % de los clientes explica el 78 % de las ventas.

Python · Pandas · Looker Studio · Google Sheets
Abrir el tablero interactivo
Página Tendencia y estacionalidad del informe de Power BI
07 · BIPublicado

Resultado por tienda, tendencia y estacionalidad

¿Qué tiendas aportan y cuándo conviene comprar? Conclusión automática en DAX, resultado de cada tienda después de gastos y una página que separa la tendencia de la temporada. 6 de 9 tiendas cubren su gasto estimado.

Power BI · DAX · Narrativa dinámica
Ver el caso completo
Próximamente
03 · Ingeniería de datosEn construcción

De un respaldo SQL a un modelo analítico

Restaurar la base de datos de una tienda de electrodomésticos y llevarla a un modelo estrella. ¿Qué productos, tiendas y meses dejan el margen?

SQL Server · Docker · Python · Pandas
Próximamente
04 · AppsPróximamente

Conciliación de inventario: sistema contra toma física

Una app que compara el stock del sistema con el conteo físico y devuelve las diferencias valoradas y un plan de conteo cíclico.

Python · Pandas · Streamlit
Próximamente
05 · Apps e IAPróximamente

Costeo de joyería con el precio del oro

Costo y precio sugerido de cada pieza con el precio del oro del día, desde el teléfono.

Python · API pública · Streamlit

Habilidades técnicas

Lo que uso en los proyectos de esta página.

BI y análisis

Power BI · DAX · Power Query · SQL · Excel avanzado

Data Science y ML

Python · R · Pandas · NumPy · Scikit-learn · PyTorch · Streamlit

Gestión de datos

ETL · calidad de datos · anonimización · catálogos de productos

ERP y WMS

Experiencia con ERP y sistemas de almacén en retail

Formación

Data Science & Machine Learning

4Geeks Academy · 320 horas

T.S.U. en Contaduría Pública

Instituto Universitario de Gerencia y Tecnología (IUGT)