Día 1 — Tu primera tarea real

1Elena Torres:
2"Equipo, ya conocéis a tú. Esta semana va a empezar con una
3tarea de ingesta que María lleva pidiendo dos semanas. Te voy a asignar
4el ticket de la campaña de verano. Raúl, ¿le puedes explicar cómo
5funciona el repo?"
6
7Raúl Vega:
8"Sí, claro. Luego te mando un DM."
9
10Jorge Ruiz:
11"Bienvenido/a. Cuando tengas los datos de la campaña, avísame que
12necesito cruzarlos con los de retención."

Standup del equipo — tu primer contacto con la dinámica diaria

1╔══════════════════════════════════════════════════════════════╗
2║  TICKET: DATA-147                                            ║
3║  Título: Ingestar datos de campaña de verano de Marketing    ║
4╠══════════════════════════════════════════════════════════════╣
5║  Descripción:                                                ║
6║  María nos ha pasado los resultados de la campaña de         ║
7║  verano 2024 en CSVs. Necesitamos:                           ║
8║  1. Subir los archivos a la zona raw del lake (S3)           ║
9║  2. Validar que los datos están completos                    ║
10║  3. Dejar una tabla limpia en la zona silver                 ║
11║                                                              ║
12║  Prioridad: Alta                                             ║
13║  Asignado a: TÚ                                              ║
14║  Fecha límite: Miércoles                                     ║
15╚══════════════════════════════════════════════════════════════╝

Tu primer ticket real — la presión empieza con un deadline de 2 días

1María García  10:32 AM
2Holaaa! 👋 Bienvenido/a al equipo!
3Te he mandado un email con los CSVs de la campaña de verano
4Son 3 archivos: los clientes que participaron, las ventas durante
5la campaña, y los productos en promoción
6¿Me avisas cuando los tengas cargados? Es que tengo una presentación
7el jueves y necesito los números
8Graciaaas 🙏

María no pierde tiempo — la presión de negocio es real

1# explorar_campana.py — Tu primer script en FreshMart
2import pandas as pd
3
4# Cargar los 3 archivos de María
5clientes = pd.read_csv('datos/campana_verano_clientes.csv')
6ventas = pd.read_csv('datos/campana_verano_ventas.csv')
7productos = pd.read_csv('datos/productos_promo_verano.csv')
8
9print("=" * 60)
10print("CLIENTES DE LA CAMPAÑA")
11print("=" * 60)
12print(f"Filas: {len(clientes):,}")
13print(f"Columnas: {list(clientes.columns)}")
14print()
15print(clientes.info())
16print()
17print(clientes.head())
18print()
19print("Nulos por columna:")
20print(clientes.isnull().sum())
21print()
22print(f"IDs únicos: {clientes['cliente_id'].nunique():,}")
23print(f"IDs totales: {len(clientes):,}")
24print(f"→ Posibles duplicados: {len(clientes) - clientes['cliente_id'].nunique():,}")

Siempre empieza explorando: .info(), .head(), .isnull().sum()

1# Explorar el CSV de ventas — aquí es donde está el CAOS
2print("=" * 60)
3print("VENTAS DE LA CAMPAÑA")
4print("=" * 60)
5print(f"Filas: {len(ventas):,}")
6print(f"Columnas: {list(ventas.columns)}")
7print()
8print(ventas.dtypes)
9print()
10print("Primeras filas:")
11print(ventas.head(10).to_string())
12print()
13print("Nulos por columna:")
14print(ventas.isnull().sum())
15print()
16# Verificar el formato de fecha_compra
17print("Muestras de fecha_compra:")
18print(ventas['fecha_compra'].sample(10, random_state=42).values)
19print()
20# Verificar el formato de precio
21print("Muestras de precio:")
22print(ventas['precio'].sample(10, random_state=42).values)

El CSV de ventas revela el verdadero desorden: fechas mixtas y precios como string

1Raúl Vega  14:03 PM
2ey! perdona que no te he escrito antes
3he estado con lo del pipeline de inventario que lleva roto 3 días 😅
4mira, para subir cosas al lake:
5- el bucket es s3://freshmart-lake/raw/
6- la convención es raw/{fuente}/{tabla}/{año}/{mes}/{dia}/
7- hay un script en /scripts/upload_to_raw.py que te puede servir
8  (no sé si funciona, creo que lo hice hace 6 meses jaja)
9si te atascas dime!

Raúl: buen tipo, pero la ayuda viene con disclaimers

1# subir_a_raw.py — Simular la estructura del data lake en local
2import shutil
3from pathlib import Path
4from datetime import date
5
6# Configuración
7LAKE_ROOT = Path("freshmart-lake")
8FUENTE = "marketing"
9FECHA = date.today()  # 2024-09-16
10
11# Archivos de María
12archivos = [
13    "campana_verano_clientes.csv",
14    "campana_verano_ventas.csv",
15    "productos_promo_verano.csv",
16]
17
18for archivo in archivos:
19    # Nombre de la "tabla" = nombre del archivo sin extensión
20    tabla = archivo.replace(".csv", "")
21
22    # Estructura: raw/{fuente}/{tabla}/{año}/{mes}/{dia}/
23    destino = (
24        LAKE_ROOT / "raw" / FUENTE / tabla
25        / str(FECHA.year) / f"{FECHA.month:02d}" / f"{FECHA.day:02d}"
26    )
27    destino.mkdir(parents=True, exist_ok=True)
28
29    # Copiar el archivo ORIGINAL sin tocar
30    shutil.copy(f"datos/{archivo}", destino / archivo)
31    print(f"✓ {archivo} → {destino}")
32
33print("\n✅ Todos los archivos subidos a raw (sin modificar)")

Simulamos la estructura del lake en local — la convención es lo importante

1Jorge Ruiz  16:47 PM
2Hola, ¿ya tienes los datos de la campaña en el lake?
3Necesito cruzar los clientes de la campaña con nuestra tabla de
4segmentación. En concreto necesito saber: de los 15K clientes en la
5campaña, ¿cuántos son "premium" (más de 6 pedidos en los últimos
63 meses)?
7¿Puedes prepararme un CSV con: cliente_id, nombre, segmento,
8pedidos_ultimos_3m?
9No es urgente-urgente pero si puedes tenerlo para mañana por la
10mañana me salvas.

Jorge pide un cruce — educado pero con deadline implícito

1Tú  17:02 PM
2Elena, Jorge me ha pedido un cruce de clientes de la campaña con
3segmentación. ¿Lo priorizo sobre el ticket DATA-147 o primero
4termino la ingesta?
5
6Elena Torres  17:08 PM
7Primero termina la ingesta y la validación. Lo de Jorge lo puedes
8hacer mañana por la mañana, no debería llevarte más de 1h si ya
9tienes los datos en el lake.
10Buen criterio preguntando antes 👍

Siempre consulta antes de cambiar prioridades — Elena te lo reconoce