Portafolio

Cómo la IA y las soluciones basadas en datos pueden mejorar tu negocio

Problemas reales, resueltos con datos e IA. Mira cómo poner a trabajar tus propios datos, e IA donde rinde, hace que un negocio funcione mejor.

Waze Cargo

Machine learning

Una previsión de congestión portuaria con machine learning para importadores y exportadores chilenos. Entrenada con unos veinte millones de registros aduaneros, predice la carga mensual de cada puerto con un año de antelación a partir de su propio historial, suma el riesgo de que el puerto cierre por marejadas e indica qué puerto usar para cada mercancía.

registros aduaneros de importaciones y exportaciones. Cada uno lleva su código HS, así la previsión se separa por mercancía.
20M
puertos, importaciones y exportaciones, con previsión mes a mes para los próximos 12 meses.
23
de precisión en lo que va de 2026. Comparamos la previsión con los envíos reales de enero a mayo.
91.5%
de precisión en San Antonio, que mueve el 57% de las importaciones marítimas de Chile. Cuanto más movimiento tiene el puerto, mejor es la previsión.
96.6%
Construido con
  • Python
  • SQL
  • pandas
  • NumPy
  • scikit-learn
  • LightGBM
  • PostgreSQL
  • AWS
  • GitHub Actions
  • React
  • Leaflet
  • Recharts
  • Tableau
El mapa de riesgo de demora

Vista de importación, capa combinada · 23 puertos en ranking

Waze Cargo: la vista nacional. Un mapa de Chile con los puertos coloreados según su riesgo de demora, junto a un panel que ordena 23 puertos por congestión ajustada por clima, con San Antonio el más alto, con un 78 %, y Coquimbo el más bajo.

Cada puerto en su posición real, coloreado según su congestión prevista. San Antonio mueve el 57% de las importaciones marítimas del país y es el que más se satura, por eso la respuesta tan a menudo es otro puerto.

El año de un puerto, por adelantado

Valparaíso, importaciones · previsión de congestión, 2026

Waze Cargo: Valparaíso seleccionado. Previsión mensual de congestión para 2026 frente al rango histórico del propio puerto, con abril como el mes más tranquilo, con un 21 %, y julio el de más carga, con un 55 %, y debajo las mercancías que mueven su tráfico.

La carga prevista mes a mes frente al historial del propio puerto, para que quien planifica vea los meses tranquilos y el pico antes de reservar.

El clima, mes a mes

San Antonio · vehículos y partes · capa de clima

Waze Cargo: un solo puerto. San Antonio seleccionado, con su riesgo climático mes a mes en horas de cierre y la marejada que lo provoca, y debajo la previsión de congestión a doce meses para vehículos y partes frente al volumen de envíos.

Las horas que el puerto cierra por marejadas en cada mes de un año típico, sobre la previsión de una mercancía, que es justo la pregunta que se hace un importador.

Exportaciones, y una opción mejor

Arica · semillas oleaginosas · vista combinada

Waze Cargo: la vista de exportación. Arica seleccionado para semillas oleaginosas, con su riesgo climático estacional y una previsión mensual de envíos y congestión, y una nota de que San Antonio es el primero para esta mercancía, con un 48 % de congestión.

También para exportadores: puntúa cada puerto para la mercancía elegida y avisa cuando otro es la mejor ruta.

Alma Secret

IA · Integración de APIs · CRM

Alma Secret, una marca española de dermocosmética, lanzó esta campaña en almasecret.cl y quería que hiciera algo más que atraer visitas al sitio. Ahora una clienta se hace un selfie con su teléfono y recibe una lectura de su piel con IA y una rutina personal de tres productos del propio catálogo de la marca, con reglas de seguridad para embarazo y piel sensible incluidas. Cada resultado llega al CRM de la marca, así el seguimiento es personal y cada venta se puede rastrear hasta el análisis que la originó. El propio equipo de la marca lo gestiona en el día a día, sin tocar código.

condiciones de la piel leídas en un solo selfie.
13
productos en su rutina personal.
3
datos guardados en el CRM por cada análisis, listos para el seguimiento.
58
Construido con
  • JavaScript
  • Node.js
  • Cloudflare
  • APIs REST
  • Make.com
  • GoHighLevel
La experiencia, de principio a fin

Selfie, mapa de la piel, puntuaciones y la rutina, tal como los ve la clienta · 40 segundos

El rostro está generado con IA, no es el de una clienta.

people_counter

Visión por computador

Conteo de aforo en vivo para bares y locales de Barcelona, donde superar el aforo autorizado significa una multa. Una cámara y una Raspberry Pi cuentan cada segundo a las personas de la sala con un modelo de visión por computador, muestran la cifra y el pico de la noche en una pantalla que el personal ve, y pueden alimentar un cartel, un registro o una alerta. El vídeo se procesa en el propio dispositivo y nunca se guarda ni se envía a ningún sitio, así que ninguna imagen de los clientes sale del local.

fotogramas de vídeo guardados o enviados fuera del local.
0
segundo entre conteos, así la cifra en pantalla se mantiene al día.
1
cámara sirve: una webcam, una cámara IP o un vídeo grabado.
Cualquier
Construido con
  • Python
  • YOLOv8
  • OpenCV
  • Raspberry Pi
Lo que ve la cámara

Una terraza de bar, cada persona enmarcada y contada · escena simulada

people_counter en una terraza de bar simulada en Barcelona de noche: veintiocho personas, cada una en un recuadro verde numerado, con un total de 28 en la esquina.

Una escena simulada, no el local de un cliente: las detecciones y el total muestran cómo el contador marca lo que ve.

Lo que ve el personal

El panel de 16×2 que controla el contador, en la barra

PEOPLE: 47 PEAK: 52 Source: rtsp://cam-01 Uptime: 04:12:38 FPS: 11.4

Dibujado a partir del panel que genera la versión para Pi. También puede controlar una pantalla LCD real en la barra, o enviar el conteo a un cartel o a un registro.

Melus Grez Propiedades

Web · Panel de administración

Una corredora de propiedades en Santiago y Pichilemu cuyas propiedades vivían en portales que diluían su marca y le cobraban cada contacto. Ahora tiene su propio sitio: solo sus propiedades, cada consulta llega por WhatsApp con el código de la propiedad ya en el mensaje, y un panel que gestiona desde el teléfono.

Construido con
  • JavaScript
  • React
  • Cloudflare
  • SQL
  • Leaflet
  • APIs REST
La primera pantalla

Marca, propiedad destacada y buscador, sin hacer scroll

Melus Grez Propiedades: la portada entregada. Una portada arquitectónica oscura con el logotipo y la navegación, el titular «Propiedades que se eligen con calma», una ficha destacada de LBA-007 a UF 27.800 con cuatro dormitorios en un terreno de 620 m², y un buscador para comprar o arrendar por zona, tipo y dormitorios.

Los precios van en UF con su equivalente en pesos actualizado a diario, y el mapa muestra una ubicación aproximada para no publicar nunca la dirección del propietario.

Servicio de datos de vuelos

Trabajo de máster · Infraestructura de datos

Construido sesión a sesión durante un trimestre en el módulo de infraestructura del máster, sobre algo más de mil archivos en bruto de datos reales de seguimiento de aeronaves. No es trabajo para un cliente y se presenta como lo que es, pero es donde se aprendieron, a la vista, la arquitectura de capas medallion, la orquestación y la integración continua que usan los pipelines de clientes.

Construido con
  • Python
  • FastAPI
  • Airflow
  • AWS
  • MinIO
  • Parquet
  • dbt
  • DuckDB
  • PostgreSQL
  • MongoDB
  • Neo4j
  • Docker
  • GitHub Actions
Cómo se mueven los datos

Ingesta, capas, modelo y servicio: un solo DAG de principio a fin

AIRFLOW · TASKFLOW DAG ADS-B feed FastAPI Bronze Silver Marts 1,000+ rawfiles Pydanticboto3 · s3fs object storeas landed Parquetpartitioned dbt onDuckDB PostgreSQLMongoDBNeo4j SQLAlchemyaggregationsCypher GITHUB ACTIONS EN CADA PUSH Ruffpytest · 62Docker Buildx

Bronze y silver son las capas medallion: los archivos en bruto llegan intactos para poder repetir un parseo fallido, y la capa Parquet es la que lee todo lo que viene después. Todo corre sobre Docker Compose.