Proyecto de portafolio · Python + IA (datos ficticios)

De datos de campañas a decisiones que suben el ROAS

Nota de transparencia: "EcoClean Hogar" es una empresa ficticia, usada para construir de punta a punta esta plataforma de analítica y predicción de Google Ads. No es un cliente real — es el mismo tipo de trabajo técnico que aplico sobre cuentas reales.

Plataforma de analítica y predicción para campañas de Google Ads, construida en Python con Machine Learning y visualización 2D/3D.

El problema que resuelve

Los reportes de Google Ads dicen qué pasó. No dicen qué va a pasar. Cuando el análisis se queda en una hoja de cálculo, siempre hay una fuga:

• La campaña ineficiente que sigue recibiendo presupuesto por costumbre.
• El cruce que nadie hace a mano: CTR vs. CPC vs. ROAS al mismo tiempo.
• La decisión de escalar gasto basada en intuición, no en un modelo entrenado con los propios datos.
• El dataset que crece (10K, 1M filas) y el Excel que ya no aguanta.

Qué hace la plataforma: medir, ver y predecir

KPIs — panel ejecutivo en consola

dashboard.py calcula CTR, CPC, CPA, ROAS, costo, conversiones e ingresos agregados, y ofrece un menú para disparar cualquier gráfico.

Visualización — 10 gráficos 2D/3D

graficos3d.py: scatter3D, heatmap, funnel, treemap, sunburst y más — cada uno cruza variables que un Excel no cruza.

Predicción IA — conversiones futuras

modelo_ads.py entrena una red neuronal (MLPRegressor) que predice conversiones a partir de impresiones, clics, CTR, CPC y costo.

Cómo funciona: de un dataset a una predicción, en 4 pasos

1. Datos: se carga el dataset — 300, 10.000 o 1.000.000 de filas, mismas columnas, mismo código sin modificar.
2. KPIs: se agregan las métricas (CTR, CPC, CPA, ROAS, costo, conversiones, ingresos), listas en el panel ejecutivo.
3. Visualizar: se cruzan variables — 10 gráficos 2D/3D bajo demanda, por campaña, canal, dispositivo, hora o fecha.
4. Predecir: el modelo estima conversiones con una red neuronal entrenada con los datos reales del cliente, y reporta R² y MSE.

Stack técnico: todo corre local, sin nube ni APIs externas

• Python 3 — lenguaje base de toda la plataforma.
• Pandas / NumPy — carga, limpieza y agregación de los datasets (300 a 1M filas).
• Matplotlib — gráficos estáticos para el panel ejecutivo y reportes.
• Plotly — las 10 visualizaciones interactivas 2D/3D.
• Scikit-Learn — red neuronal (MLPRegressor) que predice conversiones.
• OpenPyXL — lectura de los datasets .xlsx sin depender de una base de datos.

Resultados: el modelo probado en tres escalas

El dataset de 1.000.000 de filas se muestrea a 50.000 para mantener el entrenamiento rápido, sin tocar el código.

Cómo trabajo

• Documento de arquitectura que fija objetivo, alcance y reglas antes de escribir código.
• Código modular: IA, gráficos y panel ejecutivo en archivos separados, cada función con una sola responsabilidad.
• Funciona igual con 300, 10.000 o 1.000.000 de filas — probado en las tres escalas.
• 100% local: sin base de datos, sin API externa, sin nube — control total de los datos del cliente.