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.
01
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
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
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
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
También para exportadores: puntúa cada puerto para la mercancía elegida y avisa cuando otro es la mejor ruta.
02
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.
03
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
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
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.
04
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
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.
05
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
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.