Fabián Medina
Gestor de Proyectos | Analista de Datos | Inteligencia de Negocios
Gestor de Proyectos | Analista de Datos | Inteligencia de Negocios
Soy Gestor de Proyectos y Analista de Datos, Ingeniero de Telecomunicaciones, con experiencia en gestión de servicios de TI, análisis de información y mejora continua. Combino conocimientos técnicos y de gestión para optimizar procesos y apoyar la toma de decisiones. También cuento con habilidades para coordinar iniciativas y analizar indicadores de desempeño.
Experiencia en gestión de proyectos, procesos y servicios de TI, seguimiento de KPI y SLA, y aplicación de buenas prácticas ITIL. Manejo herramientas ITSM como ServiceNow y Remedy, así como Jira y Confluence para la gestión de incidentes,problemas, cambios, requerimientos y proyectos.También tengo experiencia en el seguimiento de actividades y avances.
Utilizo Python, SQL, Power BI, Tableau, Pandas, NumPy y Excel para realizar procesos ETL, análisis exploratorio, modelado de datos y creación de dashboards. Transformo datos en información clara, indicadores relevantes y hallazgos accionables que contribuyen a la mejora continua, el monitoreo del desempeño y la toma de decisiones basadas en datos.
Mi perfil integra gestión de proyectos, servicios de TI y análisis de datos, conectando las necesidades del negocio con soluciones orientadas a resultados. Combino el análisis técnico con una visión de gestión para identificar oportunidades, optimizar procesos y generar valor para las organizaciones.
Exploratory Data Analysis (EDA) to identify churn patterns, key drivers, and high-risk customer segments to support retention strategies.
Ver proyecto
Exploratory Data Analysis (EDA) of over 9,900 retail sales records to identify sales patterns, profitability, customer segments, regional performance, and temporal trends using Python.
Ver proyecto
Simulation of a mobile network using 100,000 call records from a company, generated with Python to analyze traffic, KPIs, network congestion and failures.
Ver proyecto
Data analysis of an online grocery store to identify purchasing patterns, top-selling products, and customer behavior.
Ver proyecto
Analysis of call center operators to identify inefficiencies in missed calls, waiting times, and overall call handling performance.
Ver proyecto
Exploratory analysis of video game sales data to identify success patterns, popular genres, and the most profitable platforms.
Ver proyecto
Exploratory analysis of taxi trip data to identify demand patterns, peak activity hours, and the most frequently visited areas.
Ver proyectoAnálisis exploratorio de datos (EDA) de más de 9.900 registros de ventas minoristas de 2014 a 2017. El análisis mostró un crecimiento sostenido en ventas y ganancias, con 2017 como el año de mejor desempeño, mientras que Tecnología fue la categoría líder. La región Oeste registró el mayor desempeño y el segmento Consumidor representó la mayor proporción de ventas y ganancias. También se identificó estacionalidad hacia el final del año, con noviembre como el mes más destacado.
Simulación y análisis exploratorio de más de 99.000 registros de llamadas móviles utilizando Python para evaluar el rendimiento de la red y la calidad del servicio. El análisis comparó las tecnologías 3G, 4G y 5G mediante KPI clave de telecomunicaciones, incluyendo CSSR, tasa de llamadas caídas y tasa de congestión. 5G alcanzó la mayor tasa de llamadas exitosas (84,97 %), mientras que 3G presentó mayores niveles de llamadas caídas y congestión. El proyecto también exploró el tráfico de llamadas, la utilización de estaciones base y el rendimiento de la red para apoyar el monitoreo y el análisis basado en datos.
Análisis exploratorio de datos (EDA) de más de 53.900 registros de llamadas del servicio de telefonía virtual CallMeMaybe para identificar operadores ineficientes a partir de las llamadas perdidas, los tiempos de espera y la actividad de llamadas salientes. El análisis clasificó 177 operadores como ineficientes y 113 como eficientes, utilizando métricas comparativas de desempeño y umbrales estadísticos. Las pruebas U de Mann–Whitney confirmaron diferencias estadísticamente significativas en el tiempo promedio de espera y las tasas de llamadas perdidas entre ambos grupos. Los resultados respaldan la capacitación focalizada, la redistribución de cargas de trabajo y las mejoras operativas.
