Proyecto real anonimizado.<\/strong> El trabajo parti\u00f3 de una lista empresarial facilitada para un estudio de mercado. La aplicaci\u00f3n y el mapa se desarrollaron en Streamlit. No se publican empresas ni conclusiones del cliente.<\/p>\n<\/blockquote>\n El dataset maestro reun\u00eda 725 registros y decenas de campos: nombre, municipio, sector, tama\u00f1o, facturaci\u00f3n estimada, contactos, fuentes, confianza de identidad y estado de enriquecimiento.<\/p>\n Antes del an\u00e1lisis se normalizaron textos, tipos num\u00e9ricos, vac\u00edos y nombres de municipio. Tambi\u00e9n se conservaron el nombre original y el identificador de entrada para no perder trazabilidad.<\/p>\n Dos filas con nombres parecidos no son autom\u00e1ticamente la misma empresa. Una marca puede corresponder a varias sociedades y una sociedad puede aparecer con abreviaturas distintas. Por eso el proceso separ\u00f3 duplicado probable, identidad confirmada y conflicto pendiente.<\/p>\n Eliminar duplicados sin conservar esa decisi\u00f3n habr\u00eda reducido filas a costa de esconder posibles errores.<\/p>\n La aplicaci\u00f3n permiti\u00f3 explorar zona, sector, plantilla, facturaci\u00f3n, prioridad y calidad de contacto. Las variables de scoring no se presentaron como una verdad matem\u00e1tica, sino como una ayuda para ordenar la revisi\u00f3n.<\/p>\n Adem\u00e1s de la tabla principal, se incluyeron m\u00e9tricas de cobertura y calidad: cu\u00e1ntos registros ten\u00edan municipio, web, email o tel\u00e9fono; cu\u00e1ntos necesitaban revisi\u00f3n; y qu\u00e9 parte del dataset estaba suficientemente enriquecida.<\/p>\n El an\u00e1lisis geogr\u00e1fico se plante\u00f3 por municipio y zonas de concentraci\u00f3n. No se utilizaron coordenadas exactas cuando la fuente no las proporcionaba. Un heatmap puede sugerir una localizaci\u00f3n precisa que los datos originales nunca tuvieron.<\/p>\n La capa geogr\u00e1fica se almacen\u00f3 para no repetir geocodificaci\u00f3n en cada ejecuci\u00f3n. Esto hizo el informe m\u00e1s estable y reutilizable con nuevos datos.<\/p>\n Streamlit permiti\u00f3 entregar el an\u00e1lisis como una herramienta: el usuario pod\u00eda cambiar filtros, revisar candidatos y descargar la tabla resultante. La estructura qued\u00f3 preparada para incorporar nuevos CSV manteniendo el mismo proceso de limpieza y control de calidad.<\/p>\n Tambi\u00e9n se trabaj\u00f3 un acceso privado y la posibilidad de seleccionar distintos informes mediante identificador, de forma que la misma aplicaci\u00f3n pudiera servir a estudios separados.<\/p>\n El listado inicial se convirti\u00f3 en un dataset trazable y en una interfaz para explorar calidad, distribuci\u00f3n y prioridad. La ganancia no estuvo en un algoritmo que decidiera por el usuario, sino en reducir fricci\u00f3n para detectar errores y comparar segmentos.<\/p>\n Puede servir para informes internos y herramientas de an\u00e1lisis. Si el uso requiere muchos usuarios, permisos complejos o transacciones cr\u00edticas, conviene evaluar una arquitectura distinta.<\/p>\n S\u00ed, siempre que el esquema y las reglas de calidad est\u00e9n definidos. La reutilizaci\u00f3n depende menos del bot\u00f3n de carga que de haber documentado la transformaci\u00f3n.<\/p>\nEl trabajo empez\u00f3 limpiando, no dibujando mapas<\/h2>\n
![\"Informe](\"https:\/\/valnorsolutions.com\/blog\/wp-content\/uploads\/2026\/07\/eda-mapa-industrial-portada.png\")
Identidad y duplicados requieren criterio<\/h2>\n
De columnas t\u00e9cnicas a filtros comprensibles<\/h2>\n
![\"Proceso](\"https:\/\/valnorsolutions.com\/blog\/wp-content\/uploads\/2026\/07\/eda-mapa-industrial-proceso.png\")
El mapa no deb\u00eda exagerar la precisi\u00f3n<\/h2>\n
Una aplicaci\u00f3n reutilizable, no un informe cerrado<\/h2>\n
Qu\u00e9 se consigui\u00f3<\/h2>\n
Qu\u00e9 aprendimos<\/h2>\n
\n
Preguntas frecuentes<\/h2>\n
\u00bfStreamlit sirve para una aplicaci\u00f3n permanente?<\/h3>\n
\u00bfSe puede actualizar con un CSV nuevo?<\/h3>\n
\n