Soy Ingeniero de Datos con una mirada multidisciplinaria: combino ingeniería, análisis geoespacial y acústica para transformar datos complejos en información que suena bien y genera impacto real.
Tengo experiencia en el desarrollo de pipelines de datos escalables, procesamiento en tiempo real (Kafka, Spark Streaming) y orquestación en la nube (AWS, GCP). Me apasiona la limpieza, estructura y narrativa detrás de los datos: desde el ETL hasta la visualización final.
Como Ingeniero de Datos, diseño sistemas que capturan, procesan y transforman información en conocimiento útil.
He aplicado la ciencia de datos en contextos donde la información no solo se analiza, sino que se escucha.
Mi enfoque combina ingeniería, análisis espacial y creatividad para construir soluciones que interpretan la realidad con precisión y propósito.
Pipeline de streaming para detectar anomalías en niveles de ruido según normativas chilenas (DS 594). Procesa datos en tiempo real con alertas y dashboards.
→ Python, Kafka, InfluxDB, Grafana
🎯 Logro: Procesó 1M registros en <1 min con latencia de 100ms.
ETL automatizado que extrae datos de CoinGecko, calcula volatilidad y predice tendencias. Almacena en un data warehouse con dashboards interactivos.
→ Python, Airflow, PostgreSQL, Streamlit
🎯 Logro: Pipeline ETL completo y funcional.
Pipeline para analizar datos acústicos, extrayendo frecuencias y visualizando patrones en un data lake. Genera dashboards en Tableau.
→ Python, Spark, AWS S3, Tableau
🎯 Logro: Procesó 5GB de audio con Spark en <5 min.
Pipeline ETL para analizar 12,282 listados de Airbnb en Santiago, Chile (27/12/2024), enfocándose en 22 barrios con al menos 20 listings. Examina precios, ocupación, rentabilidad y ratings. Incluye mapas de calor interactivos y dashboards en Looker Studio.
→ Python, Pandas, Geopandas, Folium, PostGIS, Looker Studio
🎯 Logro: Desarrollo de un pipeline ETL que analizó 12,282 listados de Airbnb en Santiago, generando mapas interactivos con 95% de cobertura de 22 comunas y optimizando la calidad de los datos mediante imputación de ratings por barrio, identificando oportunidades de inversión en barrios como Las Condes (~$7.91M CLP/año) y La Cisterna (~57% ocupación).