[Creating] Mediterranean brew
[Creating] Mediterranean brew

[Creating] Mediterranean brew

Resumen ejecutivo

Mediterranean Brew es un caso de análisis de negocio construido a partir de datos simulados que representan la operativa financiera y logística de una cafetería local entre los años 2010 y 2024.

El objetivo principal de este proyecto ha sido replicar las condiciones reales de una pequeña empresa tradicional que opera sin estructura analítica, con el fin de demostrar cómo un enfoque basado en datos puede mejorar la toma de decisiones estratégicas, reducir fugas de rentabilidad y proporcionar claridad operativa sin necesidad de herramientas complejas.

Para ello, se ha desarrollado un flujo completo de trabajo que abarca desde la limpieza de datos y la normalización de fuentes (incluyendo errores en los datos originales), hasta la creación de visualizaciones, métricas clave y una serie de conclusiones accionables que podrían implementarse fácilmente en un entorno real.

Este proyecto toca seis áreas críticas del negocio:

  1. Ventas: evolución, estacionalidad, impacto de restricciones logísticas (rotura de stock) en la facturación real.
  2. Inventario: correlación con ventas perdidas, eficiencia operativa.
  3. Personal: análisis del coste laboral acumulado, evolución por año, impacto en rentabilidad.
  4. Préstamos: montos adquiridos, estructura de repagos, tensión financiera generada.
  5. Retiradas del dueño: análisis de impacto directo en el flujo operativo, excesos por encima del beneficio neto.
  6. Flujo de caja: combinación de todas las variables anteriores para entender la salud financiera global.

El caso se presenta en dos niveles:

  • Una versión ejecutiva orientada a propietarios de negocio o perfiles no técnicos, centrada en decisiones, resultados y propuestas claras.
  • Una versión técnica que incluye código (Python), gráficos generados, estructura de carpetas, documentación y notebooks, accesible a través de GitHub y Kaggle.

Este análisis demuestra que incluso en negocios pequeños, la aplicación de pensamiento estructurado y herramientas accesibles puede generar claridad donde antes solo había intuición. La finalidad es que este proyecto sirva como ejemplo replicable para otros negocios tradicionales que operan sin control de datos ni estrategia de optimización.

Objetivos del análisis

El análisis desarrollado para Mediterranean Brew tiene como objetivo principal demostrar cómo una estructura de datos básicos — bien analizada, depurada y conectada — puede proporcionar a una empresa tradicional herramientas reales para:

  1. Tomar decisiones financieras con criterio y previsión, no con intuición.
  2. Detectar ineficiencias operativas y financieras que erosionan la rentabilidad, como retiradas excesivas, repagos mal planificados o roturas de stock.
  3. Medir el impacto real de las decisiones del día a día en el rendimiento anual del negocio.
  4. Crear un sistema mínimo de control que permita al dueño entender, actuar y anticiparse sin necesidad de herramientas complejas o software caro.

Objetivos específicos por área

Ventas

  • Evaluar la estacionalidad y evolución de las ventas a lo largo de los años.
  • Detectar el impacto de la limitación de stock en las ventas perdidas y el potencial no capturado.

Inventario

  • Identificar tendencias de rotura de stock y su relación con los picos de demanda.
  • Detectar patrones de desabastecimiento crónico que requieren optimización logística.

Préstamos y repagos

  • Analizar el equilibrio entre la financiación externa y la capacidad de repago.
  • Medir el peso financiero del endeudamiento en el flujo operativo real.

Retiradas del dueño

  • Cuantificar las retiradas acumuladas frente al beneficio neto del negocio.
  • Identificar periodos donde las retiradas superan la rentabilidad, provocando tensión de caja.

Coste laboral

  • Analizar el coste total por empleado y su evolución.
  • Evaluar la eficiencia relativa del gasto en personal respecto al ingreso generado.

Resultado operativo global

  • Unificar variables clave en una visualización comprensible que permita responder: “¿Está este negocio realmente ganando dinero o simplemente sobreviviendo?”

Metodología

  • Revisión y limpieza de datos (errores comunes, formatos, duplicados)
  • Unificación de fuentes
  • Análisis exploratorio
  • Visualización
  • Extracción de insights
  • Propuestas concretas de acción

El enfoque utilizado en el análisis de Mediterranean Brew sigue una lógica estructurada, replicable y realista, similar a la que se aplicaría en un proyecto de análisis de datos para una pequeña empresa sin sistemas internos avanzados.

Se compone de seis etapas diferenciadas que permiten ir desde datos en bruto hasta conclusiones estratégicas aplicables:

  1. Revisión y auditoría inicial de los datos
    • Evaluación del contenido de los archivos .csv originales.
    • Detección de inconsistencias, errores de formato, datos duplicados o faltantes.
    • Análisis de estructuras de datos incoherentes o incompatibles.
    • Clasificación por área funcional: ventas, inventario, personal, finanzas.
  2. Limpieza y normalización
    • Conversión de fechas, formatos numéricos, etiquetas inconsistentes.
    • Eliminación o corrección de registros erróneos.
    • Creación de versiones limpias y trazables de los datasets.
    • Preparación para análisis: agregaciones, filtrado por rangos de tiempo y segmentación.
  3. Análisis exploratorio y conexión entre variables
    • Análisis independiente por tabla/dominio para entender patrones internos.
    • Cruce de datos entre fuentes (por ejemplo, ventas vs. inventario, préstamos vs. repagos).
    • Visualización inicial de tendencias (años pico, caídas abruptas, estacionalidades).
    • Generación de hipótesis e interpretación cualitativa sobre anomalías.
  4. Visualización y modelado básico
    • Creación de gráficos de líneas, barras, áreas y mapas temporales para mostrar:
      • Evolución de ventas
      • Coste laboral total vs. unidades vendidas
      • Impacto de retiradas del dueño
      • Estructura de deuda y esfuerzo de repago
      • Uso de métricas combinadas: beneficio real ajustado, ratio stock/ventas, etc.
  5. Síntesis y extracción de insights
    • Consolidación de observaciones clave en lenguaje comprensible para perfil no técnico.
    • Reducción del análisis a los 5–6 hallazgos con mayor impacto potencial.
    • Conexión directa entre dato → decisión → acción.
  6. Entrega de resultados
    • Versión ejecutiva en Notion con:
      • Narrativa clara
      • Visuales interpretadas
      • Conclusiones aplicables
    • Versión técnica en GitHub (y opcionalmente Kaggle) con:
    • Notebooks comentados
    • Código limpio y modular
    • Datos estructurados

Gráficos clave

Conclusiones y recomendaciones

Tecnologías y herramientas usadas

  • Python (Pandas, Matplotlib, Seaborn)
  • Excel
  • Notion
  • GitHub

Enlaces