¡Vaya, veo que eres tan curioso/a como yo!
¡Hola! Soy Cristina, una entusiasta del descubrimiento y la exploración. Déjame llevarte por un emocionante viaje de conocimiento y aventura dentro de un laberinto de información, donde cada número esconde una historia, se revelarán conexiones sorprendentes y los secretos mejor guardados del pasado y el futuro.
¿Estás listo/a? Entonces, acompáñame, navega por la web y disfruta del viaje.
sábado, 18 octubre 2025 12:17 pm
Proyecto 1
Análisis de un restaurante
Introducción
En un contexto gastronómico en Nueva York, un restaurante de cocina internacional ha enfrentado desafíos en cuanto a la satisfacción de sus clientes tras tres meses de operación. Los propietarios buscan comprender la percepción y rentabilidad de sus platos mediante el análisis de datos.
1. Diseño del proyecto
Primero, es fundamental comprender el propósito del proyecto para identificar las palancas pertinentes y sus KPI’s. Para ayudarnos plantearemos una serie de cuestiones necesarias para filtrar y determinar qué datos son esenciales y cuáles son prescindibles para alcanzar los objetivos establecidos.
En nuestro caso, el objetivo es investigar la respuesta de los clientes hacia los platos ofrecidos y proporcionar recomendaciones estratégicas para mejorar la experiencia culinaria y la rentabilidad del restaurante. Para ello vamos a hacer un análisis de los clientes, precios e ingresos obtenidos.
Estas preguntas proporcionarán una base sólida para el análisis y las recomendaciones estratégicas que se planean realizar:
¿Cuál es el número total de clientes?
¿Cuál es la tendencia de consumo a lo largo del tiempo según la fecha registrada?
¿Qué plato ha generado más ingresos durante el período registrado?
¿Qué tipo de cocina es más popular?
¿Cómo se distribuyen los ingresos por mes? ¿Hay algún mes que destaque?
¿Qué plato tiene el precio más alto? ¿Hay alguna tendencia en los precios de los platos a lo largo del tiempo?
¿Existe alguna correlación entre el tipo de plato y su precio?
2. Análisis de los ficheros
Esta primera toma de contacto proporciona una comprensión inicial de la información disponible y ayuda a planificar los siguientes pasos en el análisis, es lo que se conoce como proceso de ETL.
Para ello cargamos los archivos y examinamos sus columnas para entender qué tipo de información contienen, el tipo de datos y evaluar la calidad de estos para verificar si hay nulos, duplicados, atípicos o inconsistencias que nos llevarán a descartar dichas variables. Finalmente creamos un único dataframe que utilizaremos para el futuro análisis y lo guardaremos en una base de datos.
En nuestro caso, tenemos 2 archivos en formato csv. Order_details que contiene información sobre el consumo de los clientes a través de las siguientes columnas order_details_id, order_id, order_date, order_time e item_id. Y menu_items que muestra características de los platos como el menu_item_id, item_name, category y price. Observamos que ambos se pueden cruzar a través de item_id, por lo que esta variable será nuestra referencia para más adelante hacer una apilación horizontal.
Transformaciones:
– La tabla menu_items tiene todos los tipos de datos correctos y no tiene nulos. No hay que hacer cambios. Únicamente modificaremos el nombre de las columnas.
– En la tabla order_details si hay que hacer cambios. El order_date aparece como tipo object y debe ser tipo datetime, además vamos a separar la fecha en columnas. El tipo order_time también aparece como object y debe ser datetime y además vamos a seprar la hora de las abreviaturas AM y PM para la cual crearemos una nueva variable. El item_id es un float pero debe ser un integer para posteriormente poder hacer el merge. Por tanto vamos a cambiar 3 variables. También cambiaremos el nombre de las columnas.
Además, la variable item_id contiene 137 valores nulos, así que como estos representan un porcentaje pequeño y no podemos saber que plato pidieron esos comensales y por tanto no vamos a saber los ingresos, la mejor opción sería eliminarlos. Pero antes de eso, creamos un dataframe secundario únicamente con esos clientes para hacer un análisis.
Por último, construiremos el dataframe principal integrando las tablas y crearemos la variable ingresos como la multiplicación entre price y 1, ya que es el ingreso por comensal.
3. Análisis de los dataframe
Exploramos ambos dataframe’s por separado con la máxima granularidad respecto a fecha y hora, tipo de cocina y platos. Con el objetivo de dar repuesta a las preguntas que nos habíamos planteado anteriormente, encontrar correlaciones entre las variables y patrones de comportamiento.
4. Interpretación de resultados
A continuación tienes un video donde se exponen los principales insights obtenidos y recomendaciones para poder implementar acciones estratégicas.
O si prefieres puedes descargar el informe completo aquí:
5. Visualización
La visualización sirve para representar la información de manera gráfica y comprensible, lo que facilita la exploración, comprensión y comunicación de los datos. En nuestro caso se ha realizado con Tableau.
En el siguiente enlace podéis acceder al dashboard realizado:
IR AL DASHBOARD
