Prueba técnica

Data Analyst / Data Scientist

Este repositorio contiene la resolución de una prueba técnica basada en un dataset de solicitudes de compensaciones/comisiones de clientes (requests.xlsx).

El objetivo principal es limpiar y preparar los datos, realizar un análisis exploratorio y generar algunas visualizaciones básicas.

---

Contenido del repositorio

• data/requests.xlsx
  Fichero original con las solicitudes (239.400 registros y 13 columnas).

• Script / notebook principal donde se realiza:

  • Carga y exploración del dataset.
  • Limpieza y transformación de datos.
  • Análisis exploratorio (EDA).
  • Visualizaciones.

• archivo.xlsx
  Fichero resultante tras la limpieza y transformación del dataset original.

---

Objetivos de la prueba

1. Exploración inicial de los datos

   • Carga del fichero requests.xlsx con pandas.
   • Revisión de tipos de datos, valores nulos y estadísticos básicos.
   • Identificación de columnas clave:
     • Booking
     • Request date
     • Requested by
     • Authorized by
     • Department
     • Currency
     • Amount
     • Reason
     • Reason 2
     • Status
     • CustomerShortname
     • CustomerRegion
     • Amount COMGES in EUR

2. Limpieza y estandarización

   • Duplicados

     • Identificación de reservas duplicadas por Booking y Amount:
       • Ejemplos: 100/1200589, 100/1239393.
     • Eliminación de duplicados manteniendo la primera aparición.

   • Renombrado de columnas

     • Eliminación de espacios en nombres de columnas para facilidad de uso en código:
       • Request date → Request_date
       • Authorized by → Authorized_by
       • Amount COMGES in EUR → Amount_COMGES_in_EUR
       • etc.

   • Corrección de nulos en Authorized_by

     • Detección de filas con Authorized_by = NaN.
     • Revisión por región (CustomerRegion) para intentar inferir el aprobador.
     • Al no existir patrón claro, se opta por eliminar esas filas.

   • Corrección de correos electrónicos

     • Validación de formato de correo mediante expresión regular.
     • Identificación de casos sin @hotelbeds.com (ej. user69hotelbeds.com).
     • Aplicación de una función change_email para corregirlos:
       • Inserción del carácter @ antes de hotelbeds.

   • Moneda y cambio a EUR

     • Revisión de la columna Currency y detección de valores erróneos (ej. UDS, CYN, KWR).
     • Creación de un diccionario de tipos de cambio (exchange_rates).
     • Conversión de Amount a EUR con una función convert_to_eur.
     • Normalización:
       • Amount pasa a estar en EUR.
       • Currency se fuerza a "EUR" en todo el dataset.

   • Tratamiento de Reason y Reason_2

     • Revisión de valores nulos en Reason:
       • Detección de casos concretos con cliente CLIENT113 y Reason_2 = "CANCELLATION WAIVE".
       • Se observa que, para este mismo cliente y tipo de Reason_2, la Reason es mayoritariamente "CANCELLATIONS".
       • Decisión: imputar los NaN de Reason como "CANCELLATIONS".
     • Estandarización de valores en Reason:
       • Conversión a formato título (.str.title()), unificando:
         • "OTHERS" → "Others"
         • "BOOKING_OPERATIONAL_ISSUE" → "Booking_Operational_Issue"
         • etc.
     • Tratamiento de Reason_2:
       • Sustitución de nulos por "Unknown".
       • Normalización de texto con .str.title().

   • Eliminación de Amount_COMGES_in_EUR

     • Detección de 8 valores nulos.
     • Decisión: eliminar la columna completa al no ser necesaria tras la conversión de Amount a EUR.

   • Conversión de tipos

     • Conversión de Request_date a tipo datetime:
       • df['Request_date'] = pd.to_datetime(df['Request_date']).

3. Análisis exploratorio (EDA)

   • Distribución de tipos de cancelación (Reason)

     • Conteo de valores y gráfico de barras:
       • Others es la categoría dominante (más de 230k registros).
       • Resto de categorías con volúmenes mucho menores:
         • Booking_Operational_Issue
         • Booking_Technical_Issue
         • Cancellations
         • Rate_Error
         • Operational Issues.

   • Distribución de importes (Amount)

     • Boxplot para detectar:
       • Rango típico de gastos.
       • Existencia de outliers (p.ej. importes muy elevados cercanos a 300.000).

   • Cancelaciones por región (CustomerRegion)

     • Gráfico de barras:
       • Mayor número de solicitudes en Region 1, seguida de Region 2 y Region 3.
       • Region 4 y Region 5 con menor volumen.

   • Evolución temporal de solicitudes

     • Agrupación por Request_date y representación en gráfico de líneas:
       • Picos claros de volumen en determinadas fechas.
       • Visión global de la evolución diaria de solicitudes.

   • Usuarios que más solicitan (Requested_by)

     • Cálculo de frecuencia por correo.
     • Top 10 solicitantes:
       • user23@hotelbeds.com destaca muy por encima del resto (más de 200k solicitudes).
       • Resto de usuarios con un número de peticiones muy inferior.

---

Resultados principales

• Dataset final: 239.395 registros y 12 columnas completamente limpias, sin valores nulos.
• Moneda unificada en EUR para facilitar comparativas y análisis.
• Correos y motivos (Reason, Reason_2) estandarizados y listos para modelado o análisis posterior.
• Identificación de patrones:
  • Dominancia de la categoría Others en Reason.
  • Concentración de solicitudes en:
    • Determinados usuarios (Requested_by).
    • Determinadas regiones (Region 1 y Region 2).
  • Picos temporales de solicitudes, útiles para análisis de carga u operativa.

---

Requisitos

• Python 3.10+ (recomendado)
• Dependencias principales:
  • pandas
  • numpy
  • openpyxl
  • matplotlib
  • seaborn

---

Ejecución

1. Clonar el repositorio: git clone <URL_DEL_REPO>
2. cd <NOMBRE_DEL_REPO>
3. Crear entorno virtual (opcional, pero recomendado):
   • python -m venv .venv
   • source .venv/bin/activate # En Windows: .venv\Scripts\activate

Instalar dependencias: pip install -r requirements.txt

---

Estructura de datos final

Columnas del dataframe limpio (df):

• Booking (object): identificador de reserva.
• Request_date (datetime64[ns]): fecha de la solicitud.
• Requested_by (object): email del solicitante (formato validado).
• Authorized_by (object): email del aprobador (sin nulos).
• Department (object): departamento (en este caso, siempre "Sales").
• Currency (object): moneda, normalizada a "EUR".
• Amount (float): importe de la solicitud en EUR.
• Reason (object): motivo principal de la solicitud (cancelación, error, etc.).
• Reason_2 (object): motivo detallado / subcategoría.
• Status (object): estado de la solicitud (Applied, Removed, Requested, etc.).
• CustomerShortname (object): identificador abreviado del cliente.
• CustomerRegion (object): región del cliente (Region 1–Region 5).

Autor

• Nombre: Yanelis Serrano Taylor
• Rol: Data Analyst / Full Stack Web
• Contacto: yanelis@adalab.es