Colección de casos de negocio y manuales de referencia desarrollados durante el Bootcamp de Data Analytics en Neoland (mayo – julio 2026). De pandas puro a storytelling de negocio: cada caso empieza con una pregunta real y termina con recomendaciones accionables, no con una tabla suelta.
Autor: Borja Mora Méndez · Madrid, 2026
La mayoría de ejercicios de Python de bootcamp son un notebook con celdas de código y un
print() al final. Aquí no.
Cada caso de la carpeta de análisis exploratorio sigue la misma disciplina: contexto de
negocio primero (sin mencionar código todavía), preguntas concretas que alguien de
dirección haría de verdad, limpieza de datos justificada (no solo dropna() porque sí), y un
cierre con recomendaciones accionables y limitaciones honestas del análisis.
Lo que encontrarás aquí:
- 4 casos de negocio en sectores distintos: comercial, educación, seguros/salud y restauración — todos con storytelling completo y visualización.
- 4 manuales de referencia (Matplotlib, NumPy, y 2 de Pandas) con formato pedagógico: explicación → analogía → código → error común → aplicación profesional → ejercicio.
- Decisiones de limpieza siempre justificadas: por qué imputar y no eliminar, por qué 0 y no la media, qué hacer con una división entre cero.
Python 3.10 · pandas · NumPy · Matplotlib · Seaborn
| # | Caso | Por qué destaca |
|---|---|---|
| 1 | Riesgo cardiovascular en una aseguradora | Caso de negocio completo con argumentación (no solo cálculo) sobre si segmentar precios por riesgo es defendible, y con qué variables. |
| 2 | Hábitos y rendimiento académico | Panel de 6 visualizaciones (histogramas, scatter, heatmap, boxplot, pairplot) construido progresivamente a partir de la misma tabla de correlación. |
02-Python/
│
├── 01-analisis-exploratorio/ 4 casos de negocio
│ ├── 01-analisis-ventas-empleados/ Servicios · ¿la edad predice el rendimiento?
│ ├── 02-habitos-rendimiento-estudiantes/ Educación · hábitos vs. nota de examen
│ ├── 03-riesgo-salud-pacientes/ Seguros · perfil de riesgo cardiovascular
│ └── 04-propinas-restaurante/ Restauración · pricing y turnos de personal
│
└── 02-guias-referencia/ 4 manuales de estudio
├── 01-matplotlib/ 10 tipos de gráfico + cheat sheet
├── 02-numpy/ Arrays, broadcasting, agregación
├── 03-pandas-limpieza-datos/ Pipeline completo sobre dataset "sucio"
└── 04-pandas-numpy-fundamentos/ Teoría + caso guiado paso a paso
Cada carpeta de caso incluye: notebook.ipynb, su dataset (si aplica) y un README.md con
el hallazgo clave y qué técnica se practica.