Análisis y Proyección de Recursos en una ONG: Aplicando Modelos Predictivos para una Gestión Sostenible
Proyecto Final de Javier Alejandro Sotelo
Diplomatura de Ciencia de Datos con R y Python
En el ámbito del tercer sector, las organizaciones sin fines de lucro enfrentan el desafío constante de mantener la sostenibilidad de sus recursos financieros. En este contexto, la ciencia de datos se presenta como una herramienta clave para anticipar escenarios y tomar decisiones estratégicas.
Este fue precisamente el enfoque del proyecto de Javier Sotelo, contador público y egresado de la Diplomatura en Ciencia de Datos con R y Python del Instituto Data Science Argentina, quien desarrolló un modelo integral de análisis y proyección de recursos en una ONG, combinando estadística, modelado predictivo y visualización interactiva.
Etapa 1: Limpieza y transformación de datos (ETL)
El proyecto comenzó con un proceso ETL (Extracción, Transformación y Carga) a partir de dos bases de datos principales: Padrón y Liquidación.
Para ello, Javier aplicó Power Query y enriqueció las fuentes incorporando variables macroeconómicas, como el dólar histórico, y métricas internas, como delegaciones y matrículas. Esta integración permitió obtener una base consolidada y confiable para el posterior análisis.
Etapa 2: Análisis exploratorio y correlaciones clave
Mediante herramientas de visualización y análisis exploratorio de datos (EDA), el trabajo identificó relaciones significativas entre las variables, destacando una correlación del 80% entre el volumen de trabajo y los importes asociados.
Este hallazgo, validado mediante una regresión lineal y el test de Pearson, permitió comprender cómo los incrementos en las actividades laborales impactan directamente en los ingresos de la organización.
Etapa 3: Modelos predictivos aplicados (ARIMA y TBATS)
El núcleo del proyecto se centró en la proyección de recursos financieros, utilizando modelos de series temporales como ARIMA y TBATS.
Ambos modelos se entrenaron con datos históricos hasta diciembre de 2022 y se testearon con información real de 2023. Los resultados mostraron un comportamiento consistente con la hipótesis inicial: una disminución progresiva de los ingresos en el corto y mediano plazo.
El modelo TBATS demostró una precisión del 80%, con un margen de error del 20%, y una variación de apenas ±4% respecto a los valores reales ajustados. Esto valida su capacidad predictiva para planificar presupuestos futuros y tomar decisiones financieras informadas.
Etapa 3: Modelos predictivos aplicados (ARIMA y TBATS)
El núcleo del proyecto se centró en la proyección de recursos financieros, utilizando modelos de series temporales como ARIMA y TBATS.
Ambos modelos se entrenaron con datos históricos hasta diciembre de 2022 y se testearon con información real de 2023. Los resultados mostraron un comportamiento consistente con la hipótesis inicial: una disminución progresiva de los ingresos en el corto y mediano plazo.
El modelo TBATS demostró una precisión del 80%, con un margen de error del 20%, y una variación de apenas ±4% respecto a los valores reales ajustados. Esto valida su capacidad predictiva para planificar presupuestos futuros y tomar decisiones financieras informadas.
Etapa 3: Modelos predictivos aplicados (ARIMA y TBATS)
El núcleo del proyecto se centró en la proyección de recursos financieros, utilizando modelos de series temporales como ARIMA y TBATS.
Ambos modelos se entrenaron con datos históricos hasta diciembre de 2022 y se testearon con información real de 2023. Los resultados mostraron un comportamiento consistente con la hipótesis inicial: una disminución progresiva de los ingresos en el corto y mediano plazo.
El modelo TBATS demostró una precisión del 80%, con un margen de error del 20%, y una variación de apenas ±4% respecto a los valores reales ajustados. Esto valida su capacidad predictiva para planificar presupuestos futuros y tomar decisiones financieras informadas.
LinkedIn de Javier Alejandro Sotelo: https://www.linkedin.com/in/javieralejandrosotelo/
