Este proyecto aplica un enfoque data-driven para apoyar la decisión del Sr. Juan sobre cuál de sus cuatro tiendas vender. Se analizan múltiples dimensiones del rendimiento de cada tienda, usando Python y herramientas de análisis de datos para ofrecer una recomendación basada en indicadores clave (KPIs).

• 🎯 Objetivo del Proyecto
• 🧠 Habilidades y Herramientas Aplicadas
• 🗂️ Gestión del Proyecto con Trello
• 📁 Estructura del Proyecto
• 📈 Visualizaciones Destacadas
• 🧪 Instalacion y Ejecucion
• 🛠️ Instalacion de dependencias
• ▶️ Como ejecutar el proyecto
• 📦 Principales Dependencias
• 🛠️ Posibles Problemas
• ✅ Recomendación Final
• 📬 Contacto https://github.com/NellyCN/alura-store/blob/main/README.md#%EF%B8%8F-posibles-problemas

Brindar al Sr. Juan una base cuantitativa sólida para decidir cuál de sus tiendas vender y así liberar capital que pueda reinvertir en un nuevo negocio. Se evaluaron las siguientes métricas por tienda:

- Facturación total por tiendas. - Categorías más populares (por cantidad y facturación). - Evaluación promedio de clientes. - Productos más y menos vendidos. - Costo promedio de envío.

• Python 3.10
• Google Colab
• Pandas, Numpy, Matplotlib y Seaborn para análisis y visualización de datos.
• Data Wrangling: limpieza y transformación de datos para obtener variables clave.
• Análisis de desempeño por KPIs.
• Interpretación de insights de negocio.
• Toma de decisiones basada en datos (enfoque data-driven).

Un enfoque data-driven implica que todas las decisiones están fundamentadas en el análisis de datos objetivos. En este caso:

• La decisión sobre qué tienda vender se basa en KPIs claros.
• No se realizan suposiciones sin respaldo numérico.
• La recomendación final está alineada con métricas de desempeño.

Para organizar y monitorear el avance de este proyecto se utilizó Trello con una estructura basada en metodología Kanban.
Se dividió el trabajo en listas: Herramientas, Backlog, En Desarrollo, Pausado y Consluido, facilitando un flujo claro de tareas y prioridades.

📌 Vista del tablero utilizado:

📂 alura-store/
│
├── 📄 README.md
├── 📊 informe_final.ipynb (Google Colab)
├── 📊 Informe_final.md
├── 📈 analisis_datos_alura_store.ipynb
├── 📂 data/
|    └── tienda_1.csv
|    └── tienda_2.csv
|    └── tienda_3.csv
|    └── tienda_4.csv
└── 📁 images/     ← Gráficos generados desde Colab.
    └── img.png

Este proyecto fue desarrollado y ejecutado en Google Colab, no se requiere instalación local.

Puedes optar por estas dos opciones, sigue los pasos que siguen:

1. Abre el siguiente enlace:

   👉 Ver análisis en Google Colab

2. Asegúrate de tener sesión iniciada en tu cuenta Google.

3. Ejecuta las celdas secuencialmente para reproducir todo el análisis y las visualizaciones.

✅ Requisitos Previos

Asegúrate de tener instalado:

• Python 3.8+
• pip
• Jupyter Notebook (opcional).

pip install pandas numpy matplotlib seaborn

1. Clona este repositorio:

git clone https://github.com/NellyCN/alura-store.git
cd alura-store

2. Abre el notebook analisis_datos_alura_store.ipynb con Jupyter o Colab:

• Opción 1: Sube el archivo a Google Colab

• Opción 2: Ejecuta en Jupyter:

jupyter notebook

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

⚠️ Nota: Las librerías ya vienen preinstaladas en Google Colab, por lo que no necesitas configurarlas si usas esa plataforma.

Luego de realizar un análisis integral, que se detalla en informe_final.md, se recomienda vender la Tienda 4, considerando que:

• Tiene la facturación más baja.
• No lidera en ninguna categorías estratégica.
• Tiene menor satisfacción del cliente.
• Aunque su costo de envío es el más bajo, no compensa su bajo rendimiento general.

🎯 Recomendación complementaria: Reinvertir el capital liberado en negocios con mayor potencial o fortalecer las tiendas con mejor desempeño (Tiendas 1 y 3).

Si tienes alguna pregunta o sugerencia, no dudes en contactarme:

• 👤 Proyecto desarrollado por: Nelly C.N.
• 📫 Conecta conmigo en LinkedIn
• 📁 Portafolio: Visita mi Github
• 📧 Escríbeme a njanet03@gmail.com