EN

Solutions Engineering · Product Data Analytics · Forward Deployment

Ideas que acabaron en código.

Una selección de productos, sistemas de datos y PoCs. Algunos incluyen repositorio público. ¿Te despierta curiosidad algún proyecto privado? Escríbeme y te cuento más.

Contáctame ↓

Talktor

Un tutor de inglés para conversaciones cortas por voz o texto con feedback estructurado.

¿Qué se resuelve?

Practicar un idioma por tu cuenta es fácil; saber qué corregir, no tanto. Muchas herramientas interrumpen constantemente la conversación o devuelven comentarios demasiado genéricos para mejorar en el siguiente intento.

¿Cómo?

Una interfaz en Next.js simplifica la práctica por voz o texto, mientras FastAPI y WebSockets gestionan la conversación en tiempo real. OpenAI se ocupa de la voz y el análisis, y PostgreSQL guarda las sesiones para dar contexto al feedback y poder repetir la práctica.

Agentic PoC Framework

Una base full stack reutilizable para construir PoCs con agentes de código.

¿Qué se resuelve?

Una PoC puede construirse rápido y aun así resultar imposible de continuar una semana después. Los comandos quedan en el historial de un terminal, las decisiones no se documentan y los agentes de código no tienen suficiente contexto para modificar el proyecto con seguridad.

¿Cómo?

Una base reutilizable con FastAPI y Next.js empaqueta la aplicación con Docker y ofrece comandos predecibles mediante Make. Los tests y la CI protegen los cambios; los ADRs, runbooks e instrucciones acotadas explican cómo funciona el sistema y hasta dónde puede actuar cada agente.

Batch, streaming y dbt sobre GCP

Implementación de un data warehouse sencillo y escalable desde cero para empezar con data analytics, batch y streaming.

¿Qué se resuelve?

Una empresa recibe parte de sus datos de forma continua y otra parte en ficheros programados. Cuando ambos caminos se construyen por separado, la información puede llegar tarde, contarse dos veces o dar respuestas distintas según el dashboard.

¿Cómo?

Pub/Sub y Dataflow procesan los eventos según llegan, mientras Cloud Storage cubre las cargas batch. Ambos caminos convergen en BigQuery, donde dbt genera modelos consistentes; Composer orquesta el flujo y Looker Studio consume la capa de reporting. Los servicios gestionados de GCP permiten reproducir la plataforma sin mantener infraestructura innecesaria.

E2E Shop PipeDash

Un pipeline de comercio desde los datos de origen hasta dashboards de ventas, clientes e inventario.

¿Qué se resuelve?

Los datos de ventas, clientes e inventario suelen llegar desde sistemas distintos y en momentos diferentes. Sin un recorrido fiable, los informes no coinciden y los equipos dedican más tiempo a cuadrar cifras que a decidir qué hacer con ellas.

¿Cómo?

AWS Lambda y S3 reciben y almacenan los datos de origen; Glue y Airflow preparan y coordinan el procesamiento, y Snowflake sirve como capa analítica. Varias validaciones detienen los datos incompletos antes de que lleguen a un dashboard de Tableau centrado en ventas, clientes y stock.

Una capa conversacional para dbt

Un sistema de retrieval que aporta a agentes LLM el contexto de un proyecto dbt real.

¿Qué se resuelve?

Un proyecto grande de dbt contiene mucho conocimiento útil, pero está repartido entre modelos, dependencias, configuración y documentación. Un asistente genérico no puede responder bien si no entiende esas relaciones y puede proponer con demasiada seguridad cambios que rompan el proyecto.

¿Cómo?

El sistema analiza el repositorio y extrae relaciones entre modelos y convenciones del proyecto para guardarlas en ChromaDB. Un flujo RAG recupera solo el contexto relevante para varios agentes especializados, mientras Streamlit ofrece una interfaz sencilla sin enviar todo el código al modelo en cada consulta.

Análisis de reseñas de clientes

Una aplicación para analizar sentimiento, temas y patrones en reseñas de clientes.

¿Qué se resuelve?

Las reseñas de clientes contienen quejas repetidas, peticiones y señales positivas, pero leerlas una por una no escala. Además, cada persona escribe de forma distinta, por lo que un simple recuento de palabras puede ocultar los patrones realmente útiles.

¿Cómo?

Un pipeline de limpieza normaliza el texto antes de combinar sentimiento, análisis de temas y embeddings para agrupar opiniones relacionadas. Los resúmenes opcionales con LLM convierten esos grupos en hallazgos legibles y una aplicación Streamlit permite que una persona no técnica explore la evidencia.

Framework de A/B testing

Un flujo reutilizable para diseñar, validar y analizar experimentos.

¿Qué se resuelve?

Un test A/B puede mostrar una mejora convincente y aun así llevar a una mala decisión. Una muestra pequeña, grupos desbalanceados o una prueba estadística inadecuada pueden hacer que una variación normal parezca un cambio real en el producto.

¿Cómo?

El flujo en Python comprueba primero el diseño de la muestra y la calidad de los datos para después elegir el test adecuado. Junto a la métrica principal muestra intervalos de confianza y resultados por segmento, de forma que la conclusión incluya la incertidumbre y qué grupos explican el cambio.

Flujo de forecasting

Un flujo que compara baselines, modelos estadísticos y machine learning.

¿Qué se resuelve?

Un modelo de forecasting complejo no es automáticamente útil. Si se compara mal contra los datos históricos, puede parecer preciso y fallar justo en el siguiente periodo, además de costar mucho más de mantener que un baseline sencillo.

¿Cómo?

El flujo revisa la serie temporal, establece baselines simples y los compara con modelos estadísticos y de machine learning. La validación walk-forward reproduce cómo habría funcionado cada predicción en la práctica, y el stacking solo se contempla cuando la mejora medible compensa la complejidad adicional.

eduardoalmazang.com

Un portfolio ligero, mantenible y seguro que facilita descubrir mi trabajo y contactar conmigo.

¿Qué se resuelve?

Después de varios años pagando herramientas de hosting empaquetadas como Hostinger, quería un portfolio que hiciera bien una sola cosa: presentar mi trabajo con claridad y facilitar el contacto conmigo, sin cargar con una plataforma pesada, licencias recurrentes ni mantenimiento innecesario.

¿Cómo?

Sustituí la plataforma con licencia por un sitio estático en Astro, TypeScript y CSS, desplegado en Cloudflare Pages. El contenido bilingüe, los recursos locales, las comprobaciones automatizadas y unas cabeceras de seguridad restrictivas mantienen la web rápida, barata y sencilla de mantener, sin añadir backend ni una aplicación cliente.

  • Astro
  • TypeScript
  • CSS
  • Cloudflare Pages
  • GitHub Actions
  • Content Security Policy
Repositorio privado +

Repositorio privado +

Privado por diseño.

Este repositorio se mantiene privado para no publicar detalles sensibles de seguridad. ¿Te interesa cómo está construido? Escríbeme y estaré encantado de contártelo.

Contáctame ↓

Chop It!

Una aplicación que conecta recetas, nutrición, menús semanales y listas de compra.

¿Qué se resuelve?

Planificar las comidas implica conectar varias decisiones: qué cocinar, qué ingredientes hacen falta y cómo encaja la semana a nivel nutricional. Cuando recetas, menús y listas de compra viven por separado, mantenerlos coherentes se convierte en trabajo manual repetitivo.

¿Cómo?

Una interfaz en Next.js conecta ingredientes, recetas y planes semanales, calcula los macronutrientes y convierte el plan en una lista de compra práctica. FastAPI modela el flujo y PostgreSQL guarda los datos. Docker Compose ejecuta esta demo independiente, extraída de LifeHub, con datos ficticios y sin configurar una cuenta.

Portfolio Analytics

Una aplicación basada en Excel para explorar patrimonio, inversiones, inmuebles y objetivos financieros.

¿Qué se resuelve?

Una hoja de finanzas personales es flexible, pero resulta más difícil de explorar cuando se acumulan años, activos y cálculos. Comparar rentabilidades, entender la distribución del patrimonio o seguir objetivos exige una vista coherente sin abandonar el Excel que ya contiene la información.

¿Cómo?

La aplicación previsualiza y valida un libro XLSX antes de aplicar cambios y normaliza sus registros en PostgreSQL mediante FastAPI. Next.js y Recharts muestran patrimonio, distribución, rentabilidades, benchmarks y proyecciones de objetivos. Una demo con Docker Compose utiliza registros financieros ficticios y mantiene el análisis en local.

Portfolio Lab

Una plataforma de backtesting que compara aportaciones dinámicas con una estrategia DCA de importe fijo.

¿Qué se resuelve?

Invertir una cantidad fija de forma periódica es sencillo, pero deja una pregunta abierta: ¿mejoraría el resultado si las aportaciones se adaptaran al mercado? Comparar estrategias de forma justa requiere simulación histórica, el mismo presupuesto y una referencia clara.

¿Cómo?

Un backend en FastAPI simula estrategias DCA que ajustan el momento y el importe de las aportaciones mediante indicadores como RSI y medias móviles. Next.js y Recharts comparan los resultados con un DCA estándar, con PostgreSQL para persistencia y Docker para reproducir el entorno. La plataforma evalúa la hipótesis sin dar por hecho una rentabilidad superior.

LifeHub

Un hub modular privado para aplicaciones personales, APIs compartidas y orquestación de contenedores.

¿Qué se resuelve?

Las herramientas personales suelen crecer por separado: finanzas, planificación de comidas, notas y automatizaciones traen sus propias interfaces y necesidades operativas. Conectarlas después puede resultar más difícil que construirlas, especialmente cuando cada servicio sigue convenciones diferentes.

¿Cómo?

LifeHub parte de una API compartida en FastAPI y una interfaz común en Next.js, con Docker Compose coordinando aplicaciones y servicios independientes. Los comandos comunes, la documentación y las comprobaciones automatizadas facilitan ampliar el entorno. La arquitectura permite desarrollar módulos por separado y ofrecer una experiencia unificada; puedo explicar el proyecto privado bajo petición.

  • Next.js
  • FastAPI
  • PostgreSQL
  • Docker Compose
  • Python
Repositorio privado +

Repositorio privado +

Privado por diseño.

Este repositorio se mantiene privado para no publicar detalles sensibles de seguridad. ¿Te interesa cómo está construido? Escríbeme y estaré encantado de contártelo.

Contáctame ↓

GSP

Un sistema privado de monitorización y gestión automatizada de inversiones.

¿Qué se resuelve?

Seguir inversiones manualmente implica revisar condiciones de mercado, controlar posiciones y mantener decisiones coherentes a lo largo del tiempo. Cuando aumenta el número de activos, los scripts y hojas dispersos dificultan repetir el proceso y revisar qué ha ocurrido.

¿Cómo?

GSP combina flujos en Python para datos de mercado, análisis y gestión de inversiones, con notebooks para desarrollar y evaluar el enfoque. AWS forma parte del entorno operativo. El repositorio sigue siendo privado; el portfolio presenta su propósito y base técnica sin exponer operaciones, configuración ni detalles de las estrategias.

  • Python
  • AWS
  • Jupyter
Repositorio privado +

Repositorio privado +

Privado por diseño.

Este repositorio se mantiene privado para no publicar detalles sensibles de seguridad. ¿Te interesa cómo está construido? Escríbeme y estaré encantado de contártelo.

Contáctame ↓

¿Hablamos?

Un problema, una propuesta o solo ganas de hablar de datos: cualquiera de las tres es buena razón para escribirme.

Email ↗LinkedIn ↗
eduardoalmazang@gmail.com