Este repositorio documenta mi proceso de aprendizaje y práctica de SQL trabajando con PostgreSQL, Python y Power BI.
Cada carpeta contiene un mini-proyecto práctico, con queries, notebooks o reportes según corresponda.
- Queries básicos en SQL (SELECT, WHERE, JOIN, GROUP BY).
- Dataset: Chinook DB (tienda de música).
- Objetivo: identificar el Top 10 de canciones más vendidas.
- Conexión de PostgreSQL ↔ Python (SQLAlchemy + Pandas).
- Análisis con DataFrames y gráficas en Matplotlib.
- Objetivo: generar un mini dashboard de:
- Ventas totales por país.
- Evolución mensual de ventas.
- Ranking de clientes top.
- Análisis de retención de clientes (cohortes) con SQL (CTEs + funciones de fecha).
- Construcción de métricas de churn % y retención %.
- Visualización en Power BI: heatmap de cohortes.
- Objetivo: medir la permanencia de clientes y abandono mes a mes.
- Uso de funciones de ventana: ROW_NUMBER, RANK, DENSE_RANK.
- Ranking de clientes por país, global y con empates.
- Running total de ventas acumuladas por mes.
- Top artistas más vendidos por país.
- Visualización de resultados en Power BI con tablas, gráficos y dashboards.
- Simulación de un sistema de registro estadístico de quejas.
- Dataset ficticio de 10,000 registros (2019–2024) generado con Faker.
- Almacenamiento y análisis en PostgreSQL.
- Detección de anomalías normalizadas por población.
- Dashboards dinámicos en Power BI (mapa, heatmap, comparativas anuales).
- Simulación de clientes y créditos personales con Faker.
- Almacenamiento en PostgreSQL (
credito_demo). - Análisis de morosidad por segmentos (ingreso, edad, empleo) en SQL.
- Desarrollo de un modelo exploratorio de scoring (regresión logística) en Python.
- PostgreSQL 17
- VS Code
- Python 3.13 + Pandas, SQLAlchemy, Matplotlib
- Power BI Desktop
- Project 7: queries de SQL avanzado (LAG, LEAD, comparaciones históricas).