Taller Power BI - Análisis de Ventas

🧪 Taller 1: Limpieza y Análisis de Datos de Ventas 2017 en Power BI

🎯 Objetivo:

Asumir el rol de analista de datos en una empresa de e-commerce y construir un informe visual sobre el comportamiento de ventas, trabajando con datos crudos y desordenados.

📁 Archivos Base:

  • Archivo 1: sales2017_raw.csv

🧩 Etapas del Proyecto:

  1. Obtención y transformación de datos: Limpieza, conversión y formateo.
  2. Modelo de datos: Relaciones, tipos de datos y enriquecimiento.
  3. Visualización: Creación del dashboard final.

🔧 Paso a paso:

  1. Abrir Power BI Desktop.
  2. Ir a Inicio > Obtener datos > Texto/CSV y seleccionar sales2017_raw.csv.
  3. Haz clic en Transformar datos para abrir Power Query Editor.
  4. Eliminar filas vacías o que no contengan datos válidos.
  5. Promocionar la tercera fila como encabezado si es necesario (menú "Usar la primera fila como encabezado").
  6. Renombrar columnas según correspondan: Order ID, Order Date, Product ID, Sales, Quantity, Region, etc.
  7. Eliminar columnas irrelevantes o duplicadas.
  8. Corregir tipos de datos: fechas como "Fecha", números como "Decimal".
  9. Aplicar filtros para descartar valores atípicos si existen.
  10. Cargar datos en el modelo de Power BI.

📊 Visualizaciones sugeridas:

  • 📈 Gráfico de líneas: Ventas mensuales.
  • 📊 Gráfico de barras: Ventas por categoría o región.
  • 🧾 Tarjetas con KPIs: Total ventas, total ganancias, número de pedidos.
  • 🗺️ Mapa geográfico: Ventas por ubicación (si se cuenta con datos geográficos).
  • 🎯 Segmentadores (slicers): Cliente, fecha, categoría.

💡 Medidas DAX a implementar:

Total Ventas = SUM('sales2017_raw'[Sales])
Total Ganancias = SUM('sales2017_raw'[Profit])
Margen (%) = DIVIDE([Total Ganancias], [Total Ventas])

🧠 Preguntas de análisis:

  • ¿Cuál fue la región con mayor volumen de ventas?
  • ¿Qué productos generaron más ingresos?
  • ¿Qué patrones temporales se observan en las ventas?
  • ¿Las promociones (si están marcadas) tuvieron efecto?

¡Recuerda que no se trata solo de hacer gráficos bonitos, sino de contar una historia con los datos!

Comentarios

Publicar un comentario

Entradas más populares de este blog

Taller: Storytelling con el Mercado de Analistas de Datos Taller en Google Colab: Storytelling con el Mercado de Analistas de Datos Objetivo: Analizar el dataset de Kaggle sobre ofertas laborales para analistas de datos y construir una historia visual con hallazgos clave. 🔗 Paso 1: Accede a Google Colab Conoce a Alex, un joven apasionado por los datos. Ha decidido convertirse en analista de datos y quiere explorar el mercado laboral para entender dónde postularse y qué habilidades necesita. 1. Ingresa a https://colab.research.google.com . 2. Crea un nuevo notebook. 3. Cambia el nombre a: Storytelling_AnalystJobs . 📥 Paso 2: Cargar el dataset Alex encontró un interesante dataset de Kaggle con miles de ofertas laborales para analistas de datos. Ahora quiere cargarlo en su notebook para comenzar su análisis. 1. Descarga el archivo CSV desde Kaggle . 2. Sube el archivo a tu notebook usando: from google.colab ...
Leer más

Taller - Dashboard en Python

Taller - Dashboard en Python (Google Colab) 📈 Taller: Creación de Dashboard Interactivo en Python con Datos de Recursos Humanos 🌟 Objetivo: Aprenderás a construir un dashboard de análisis de Recursos Humanos usando Google Colab y librerías de visualización interactivas como Plotly . Al finalizar, generarás un archivo HTML con todas tus gráficas. 🔹 Instrucciones paso a paso: Sube el archivo RRHH.xlsx a tu entorno de Google Colab. Ejecuta el siguiente bloque para instalar las librerías necesarias: !pip install pandas plotly openpyxl seaborn matplotlib Carga el archivo Excel: import pandas as pd df = pd.read_excel("RRHH.xlsx") df.head() Limpieza de datos y corrección de tipos: Convertir fechas: df["Fecha_Contratacion"] = pd.to_datetime(df["Fecha_Contratacion"], errors='coerce') Reemplazar valores nulos o erróneos: # Reemp...
Leer más