Este proyecto analiza el ecosistema transaccional de una aplicación FoodTech, enfocándose en mapear el Customer Journey y evaluar el impacto de un rediseño global de la interfaz de usuario (cambio de tipografía).
Se implementó un entorno de pruebas A/A/B con un pipeline de datos de alto rendimiento y arquitectura de software modular para garantizar rigor estadístico y conclusiones libres de sesgos.
- Fuga Crítica (Drop-off): Se detectó que el 38.1% de los usuarios abandona la app en el instante en que debe transicionar de la pantalla inicial al catálogo de ofertas. Este es el cuello de botella que frena el crecimiento de ingresos.
- Retención Transaccional: El flujo inferior es extremadamente sano. El 81.3% de quienes ven las ofertas pasan al carrito, y el 94.7% concreta la compra.
- Veredicto del A/A/B Test: A través de un Z-Test de Proporciones con penalización algorítmica (FWER - Bonferroni), se comprobó con un 95% de confianza que la nueva tipografía no genera ningún impacto estadísticamente significativo. Recomendación: Descartar el cambio estético y enfocar los recursos en UI/UX en la primera pantalla.
Este proyecto demuestra un flujo de trabajo moderno y eficiente ("Agentic Workflow"), donde el Analista dirige la estrategia y la lógica de negocio, mientras orquesta agentes de IA para optimizar su código y producir una implementación técnica robusta.
- Dirección & Lógica (Analista): Definición de hipótesis, selección de frameworks estadísticos (Proporciones Z, Bonferroni) e interpretación de resultados de negocio.
- Ingeniería & Escalabilidad (IA Agent): Refactorización del código base, optimización para PyArrow y modularización de scripts en
src/para entornos de producción.
Este enfoque permite combinar la profundidad analítica humana con la velocidad y rigor algorítmico del desarrollo de software automatizado.
| Herramienta / Librería | Función Analítica y Arquitectónica |
|---|---|
| Python 3.12+ | Lenguaje base del ecosistema. |
| Pandas 3.0+ | Manipulación de datos (Copy-on-Write activado para máxima eficiencia). |
| PyArrow | Motor backend para Pandas garantizando inferencia y velocidad C++. |
| Scipy & Statsmodels | Motores estadísticos para Z-Test de proporciones. |
| Plotly & Seaborn | Renderizado estético y narrativo de gráficos de conversión. |
aab_testing_statistical_analysis/
├── data/
│ ├── processed/ # Datos limpios y estructurados (Parquet). Se generan localmente.
│ └── raw/ # Dataset original inmutable crudo (CSV provisto en el repo).
├── notebooks/
│ └── aab_test_app_analysis.ipynb # Storytelling ejecutivo
| └── data_cleaning_pipeline.py # Pipeline de limpieza de datos
├── src/
│ ├── data/ # Scripts de limpieza de datos (data_cleaning.py, run_cleaning.py)
│ ├── features/ # Lógica central (ab_testing.py, eda_metrics.py, funnel_metrics.py)
│ └── visualization/ # Gráficos estáticos e interactivos (eda_charts.py, funnel_charts.py)
├── .gitignore # Exclusiones del repositorio
├── environment.yml # Entorno virtual estricto (Conda)
├── requirements.txt # Entorno virtual estricto (Pip)
├── LICENSE # Permisos MIT
└── README.md # Documentación maestra
Puedes clonar este repositorio y ejecutar el pipeline garantizando total compatibilidad en las dependencias usando tanto Conda como Pip.
Primero, clona el repositorio:
git clone https://github.com/IsaacEx/aab-testing-optimized-pipeline.git
cd aab-testing-optimized-pipelineOpción A: Usando Conda (Recomendado)
# Crear entorno aislado con dependencias exactas
conda env create -f environment.yml
conda activate aab_testing_appOpción B: Usando Pip estándar
# Crea tu entorno virtual y actívalo
python -m venv venv
source venv/bin/activate # En Windows usa: venv\Scripts\activate
# Instala el stack del proyecto
pip install -r requirements.txtEste proyecto está bajo la Licencia MIT (Ver el archivo LICENSE para los detalles legales completos).
Creador e Investigador Analítico: Isaac Esteban Martínez Ortega (Business & Data Analyst Consultant).
