Ship Performance Analytics

Proyecto de analítica de rendimiento económico y operativo de viajes marítimos, usando un dataset público y un dashboard interactivo construido en Looker Studio. El objetivo es apoyar la toma de decisiones sobre rentabilidad, costos y eficiencia energética de una flota.

Contexto

Las operaciones de shipping implican altos costos operativos y exposición a factores externos como clima, rutas y estacionalidad. Este proyecto analiza viajes de una flota para responder preguntas clave, como:

• ¿Qué barcos y viajes son más o menos rentables?
• ¿Cómo impactan los costos operativos en el margen de cada viaje?
• ¿Qué tan eficiente es energéticamente cada barco?
• ¿Existen patrones estacionales o por condiciones climáticas que afecten el desempeño?

Dataset

• Origen: dataset público de rendimiento de viajes marítimos (Kaggle).
• Archivo original: data/ship_performance_raw.csv.
• Archivo preparado/modelado (opcional): data/ship_performance_model.csv.

Campos principales (no exhaustivo):

• Revenue_per_Voyage_USD: ingresos por viaje en USD.
• Operational_Cost_USD: costos operativos totales por viaje en USD.
• Efficiency_nm_per_kWh: millas náuticas por kWh consumido.
• Identificadores de barco, fechas, rutas y condiciones climáticas.

El detalle completo de campos y tipos está en docs/data_dictionary.md.

KPIs principales

Definiciones resumidas (detalle completo en docs/kpi_definitions.md):

• Profit_Per_Voyage

  • Fórmula: Profit_Per_Voyage = Revenue_per_Voyage_USD - Operational_Cost_USD.
  • Uso: medir la rentabilidad económica de cada viaje.

• Operational_Cost_USD

  • Campo original del dataset, utilizado como referencia de estructura de costos.

• Res_Prof/Cost

  • Fórmula: Res_Prof/Cost = Profit_Per_Voyage - Operational_Cost_USD.
  • Uso: cuantificar la diferencia entre el beneficio del viaje y la estructura de costos.
  • Nota: este KPI es menos estándar; se explica su interpretación en docs/kpi_definitions.md.

• Avg_Energy_Efficiency

  • Fórmula: promedio de Efficiency_nm_per_kWh para el nivel de agregación analizado (barco, ruta, periodo).
  • Uso: evaluar la eficiencia energética de la flota.

Flujo de trabajo

1. El dataset original se almacena en data/ship_performance_raw.csv.
2. En notebooks/01_data_preparation.py se realiza la preparación básica y se genera data/ship_performance_model.csv.
3. En notebooks/02_kpi_calculation.py se calculan los KPIs de negocio y se genera data/ship_performance_with_kpis.csv.
4. El archivo enriquecido se conecta a Looker Studio como fuente del dashboard.
5. En dashboard/screenshots.md se documentan las páginas del dashboard con capturas de pantalla.

Dashboard en Looker Studio

• Enlace al dashboard:
  • Ship Performance Dashboard

Páginas principales:

• Home / Introducción: contexto del proyecto, objetivos de análisis y explicación de la narrativa del dashboard.
• Resumen general: visión global de rentabilidad, costos y eficiencia por barco y periodo.
• Análisis por categorías: comparación por tipo de barco, ruta, u otras dimensiones clave.
• Impacto climático: relación entre condiciones climáticas y performance económico y energético.
• Patrones estacionales: análisis de variaciones por mes, trimestre u otras ventanas temporales.
• Detalles específicos: tabla de detalle a nivel viaje para análisis granular.
• Glosario: definiciones de métricas, KPIs y términos técnicos usados en el dashboard.

Capturas de ejemplo se encuentran en dashboard/screenshots.md.

Casos de uso

Ejemplos de preguntas que se pueden responder con el dashboard:

• ¿Qué barcos muestran menor Profit_Per_Voyage en el último año y qué viajes explican ese desempeño?
• ¿Qué rutas concentran los mayores Operational_Cost_USD y cómo afecta eso a la rentabilidad?
• ¿Cómo varía la Avg_Energy_Efficiency por barco y por temporada?
• ¿En qué condiciones climáticas se observa mayor caída en el margen de los viajes?
• ¿Qué viajes individuales presentan comportamientos anómalos (margen muy alto o muy bajo)?

Alcance y Limitaciones

• El dataset es estático, no se trata de un análisis en tiempo real.
• El dataset cubre un periodo acotado (06/2023 a 06/2024), por lo que las conclusiones se restringen a este intervalo únicamente.
• Las situaciones climáticas fueron agrupadas según la clasificación original del dataset, lo que puede simplificar la realidad operativa.
• No se incluyen métricas de emisiones, cumplimiento normativo ni utilización de capacidad, que son relevantes en operaciones reales de flota.
• El modelo no incorpora costos financieros, ni ingresos complementarios (por ejemplo, recargos o descuentos específicos), por lo que la rentabilidad es operativa, no total.

Cómo reproducir el proyecto

• 1. Clonar este repositorio: git clone https://github.com/mborrillo/ship-performance-analytics.git cd ship-performance-analytics
• 2. Colocar el dataset original en data/ship_performance_raw.csv (o seguir las instrucciones para descargarlo desde la fuente original).
• 3. Conectar el archivo resultante a Looker Studio y replicar la estructura de páginas descrita en dashboard/README_dashboard.md.

Licencia y créditos

• Los datos pertenecen a su fuente original (Kaggle).
• Parte de los textos descriptivos y glosario se elaboraron con ayuda de modelos de lenguaje IA, y han sido revisados manualmente antes de su publicación.