Patrones Lab es un laboratorio de análisis de datos aplicado a fenómenos cotidianos y reales.
El repositorio reúne proyectos independientes construidos a partir de datos públicos, con foco en detectar patrones, describir comportamientos y comunicar los hallazgos con su contexto.
El objetivo es plantear preguntas, preparar datos, construir análisis claros y generar resultados visuales.
01 · Análisis de Vuelos en las Islas Baleares   Análisis de tráfico aéreo en España con datos públicos de AENA, con foco en volúmenes, patrones por aeropuerto y diferencias entre categorías. Python Data Storytelling Aviación Data Analysis BI Entrar al proyecto Leer en LinkedIn |
02 · Análisis del Alojamiento Airbnb en Londres Análisis exploratorio de Airbnb en Londres para comparar precios, tipos de alojamiento, disponibilidad, estancias mínimas y diferencias entre barrios. Python Data Storytelling Airbnb Data Analysis BI Entrar al proyecto Leer en LinkedIn |
03 · Análisis de Viajes en Taxi en Chicago  Análisis de viajes de taxi en Chicago para estudiar duración, demanda, distribución geoespacial y patrones operativos. Python Data Storytelling Taxi Data Analysis BI Geoespacial Entrar al proyecto Leer en LinkedIn |
04 · Modelo ML · Airbnb London Modelo de clasificación con regresión logística para identificar anuncios relativamente caros o baratos dentro de cada tipo de alojamiento. Python Airbnb Data Analysis Data Science Machine Learning Clasificación Regresión logística Modelo supervisado Entrar al proyecto Leer en LinkedIn |
05 · Dashboard Looker · Taxi Trips Chicago Dashboard interactivo en Looker Studio para explorar viajes de taxi en Chicago, indicadores operativos, patrones horarios y recorridos pickup-dropoff. Looker Studio Taxi Data Analysis BI Dashboard Entrar al proyecto Ver documentación |
06 · Modelo Machine Learning · Goles Esperados (xG)  Modelo de regresión logística para estimar la probabilidad de gol de cada tiro con datos públicos de StatsBomb, validación por partidos y aplicación al Mundial Qatar 2022. Python Data Storytelling Fútbol Data Analysis BI Data Science Machine Learning Regresión logística Modelo supervisado Clasificación Entrar al proyecto |
07 · Probabilidades en el Fútbol · Peligro Esperado (xT) Modelo probabilístico de Peligro Esperado en el fútbol con datos públicos de StatsBomb. Se estima la probabilidad de gol en las próximas 5 jugadas. Python Data Storytelling Fútbol Data Analysis BI Data Science Entrar al proyecto Leer en LinkedIn |
08 · Modelo ML · Detección de Fraude Clustering no supervisado con K-means para la detección de fraudes con tarjetas de crédito. Machine Learning Python Clustering SPSS Fraude K-means Modelo no supervisado Data Science Entrar al proyecto Ver en Python |
09 · Modelo ML · Detección de Fraude Clasificación supervisada mediante regresión logística para la detección de fraude con tarjeta de crédito. Machine Learning Python Clasificación SPSS Fraude Regresión logística Modelo supervisado Data Science Entrar al proyecto Ver en Python |
10 · Modelo ML · Detección de Fraude Clustering no supervisado con DBSCAN para identificar posibles fraudes con tarjeta de crédito. Machine Learning Python Clustering Fraude DBSCAN Modelo no supervisado Data Science Entrar al proyecto |
11 · Estadísticas del Mundial 2022: Radar de Percentiles Análisis de estadísticas del Mundial 2022 con datos públicos de StatsBomb, orientado a resumir rendimientos individuales y comparar jugadores mediante radar de percentiles. Python Data Storytelling Fútbol Data Analysis BI Data Science Entrar al proyecto Leer en LinkedIn |
12 · Análisis Geoespacial de los Viajes en Taxi Análisis geoespacial de viajes de taxi en Chicago, orientado a detectar zonas de mayor actividad, recorridos urbanos y concentración territorial de la demanda. Python Data Storytelling Taxi Data Analysis BI Geoespacial Entrar al proyecto Leer en LinkedIn |
13 · Dashboard en Power BI · Spotify Charts  Dashboard interactivo en Power BI sobre Spotify Charts para analizar streams, rankings, tendencias temporales y distribución territorial de la música. Power BI Spotify Dashboard Data Analysis BI Data Storytelling Entrar al proyecto |
14 · Dashboard en Power BI · Análisis de Gastos Informe interactivo en Power BI para analizar gasto con proveedores, evolución mensual, distribución por categorías, ahorro y distribución geográfica. Power BI DAX Dashboard Data Analysis BI Data Storytelling Entrar al proyecto |
15 · Simulación de Montecarlo · Predicciones para el Mundial 2026 Simulación de un millón de escenarios del Mundial 2026 con ratings Elo para estimar probabilidades de alcanzar semifinales, disputar la final y consagrarse campeón. Python Fútbol Data Science Data Analysis Data Storytelling Simulación Entrar al proyecto Leer en LinkedIn |
16 · Redes Neuronales · Daños en Eventos Meteo Modelo de clasificación para estimar daños económicos en eventos meteorológicos, comparando una regresión logística con una red neuronal. Python Data Analysis Data Science Machine Learning Modelo supervisado Clasificación Regresión logística Redes Neuronales Entrar al proyecto |
17 · Análisis Geoespacial de Airbnb en Londres Análisis geoespacial de precios Airbnb en Londres mediante distancia al centro, barrios y métricas de vecindad geográfica. Python Data Storytelling Airbnb Data Analysis Geoespacial KNN Entrar al proyecto |
18 · Simulación de Montecarlo · Predicciones para LaLiga 2026/27 Simulación de un millón de escenarios de LaLiga 2026/27 con ratings Elo para estimar probabilidades de los resultados más importantes del campeonato. Python Fútbol Data Science Data Analysis Data Storytelling Simulación Entrar al proyecto |
19 · Predicciones Champions League 2026/27 Modelo de goles con distribución Poisson para calcular fuerza en ataque y defensa de cada equipo, combinado con la Simulación de Montecarlo para estimar probabilidades del campeonato. Python Fútbol Ciencia de Datos Análisis de Datos Data Storytelling Simulación Poisson Entrar al proyecto |
Cada carpeta corresponde a un caso independiente e incluye:
- datos crudos, procesados y/o agregados
- notebooks con análisis reproducible
- visualizaciones estáticas e interactivas
- documentación breve del caso
- archivos auxiliares de exportación o publicación
Los datos originales provienen de fuentes oficiales y públicas.
Por razones de tamaño y naturaleza de los archivos, los datos crudos completos no siempre se incluyen en el repositorio.
En su lugar, se publican versiones procesadas, agregadas o derivadas, junto con la documentación necesaria para reproducir el análisis a partir de la fuente original.
Cada proyecto documenta:
- el origen de los datos
- el período analizado
- las transformaciones aplicadas
Este repositorio forma parte del proyecto Patrones Lab, con contenidos visuales y explicativos publicados también en LinkedIn, Instagram y X.
El código y los análisis están disponibles con fines educativos y exploratorios.