Apéndice B — Banco de Proyectos
Esta sección reúne diez propuestas de proyecto final para poner en práctica el ciclo completo del libro: entendimiento de negocio, construcción (o consumo) de un almacén de datos, EDA, preprocesamiento y modelado (Marco Metodológico de Minería de Datos).
Cada propuesta describe un problema de negocio real, uno o más datasets con los que arrancar, qué la hace desafiante (para que no se quede en un ejercicio de manual) y las consideraciones legales/éticas de scraping cuando aplican. Ningún dataset está atado a un proyecto: úsalo como punto de partida y ajusta el alcance con tu equipo durante la fase de entendimiento de negocio.
Antes de scrapear cualquier sitio. Revisa siempre el robots.txt y los Términos de Servicio del sitio, prefiere APIs oficiales o datasets ya compilados antes que scraping directo, respeta límites de tasa (rate limiting) si automatizas descargas, y nunca recolectes ni publiques datos personales identificables. Estas reglas se repiten en cada propuesta porque son no negociables, no porque cambien de un proyecto a otro.
1. Value bets en Liga MX
Problema de negocio. Una plataforma de apuestas o un boletín deportivo quiere detectar cuándo las casas de apuestas “se equivocan” al fijar los momios de un partido.
Dataset(s) sugerido(s).
- LigaMX Matches 2016–2024 (Kaggle) — resultados históricos de Liga MX.
- Historical Football Results/Betting Odds Data (Kaggle) — resultados y momios históricos multi-liga; revisa si incluye México o combínalo con el dataset anterior por fecha/equipos.
Qué lo hace desafiante. No existe una etiqueta de “value bet”: el equipo tiene que construirla comparando la probabilidad implícita del momio contra el resultado real observado. Exige pensar en calibración de probabilidades, no solo en accuracy.
Técnicas del curso que cubre. Reglas de asociación, clasificación, evaluación con métricas de negocio (ROI simulado, no accuracy).
Si decides scrapear momios en vivo en lugar de usar un dataset ya compilado, revisa el robots.txt del sitio de la casa de apuestas: muchas prohíben explícitamente el scraping en sus Términos de Servicio. Prefiere siempre una API pública o un dataset ya cerrado.
2. Priorización de contratos públicos sospechosos
Problema de negocio. Una ONG anticorrupción necesita priorizar qué licitaciones revisar a mano con recursos limitados.
Dataset(s) sugerido(s).
- Contratos y expedientes del sistema histórico de CompraNet — datos.gob.mx
- Datos Abiertos de las Unidades Compradoras (ComprasMX)
Qué lo hace desafiante. No existe ground truth de “corrupción”: el éxito se mide por qué tan útil es la priorización con recursos limitados, no por accuracy. Alto riesgo ético de falsos positivos (señalar a un proveedor honesto).
Técnicas del curso que cubre. Reglas de asociación, detección de anomalías, clasificación con datos débilmente etiquetados.
CompraNet/ComprasMX ya expone datos vía portal de datos abiertos — úsalo en vez de scrapear HTML. Si automatizas la descarga, respeta límites de tasa y guarda evidencia de la fecha de descarga, porque los datos se actualizan y corrigen con el tiempo.
3. Detección temprana de réplicas sísmicas anómalas
Problema de negocio. Protección Civil o un medio de análisis de riesgo quiere anticipar clústers de actividad sísmica inusual.
Dataset(s) sugerido(s).
Qué lo hace desafiante. Series de tiempo espaciales con eventos raros por definición; exige justificar el umbral de “anómalo” en términos que Protección Civil pueda entender y accionar.
Técnicas del curso que cubre. Clustering espacial, detección de anomalías, reglas de asociación (magnitud/profundidad/zona).
El SSN ofrece el catálogo en descarga directa (CSV/texto) sin necesidad de scraping. Si automatizas la descarga periódica, evita solicitudes masivas simultáneas al servidor.
4. Calidad del aire y “días de contingencia” en CDMX
Problema de negocio. SEDEMA o una app de salud pública quiere predecir y explicar picos de contaminación.
Dataset(s) sugerido(s).
- Índice de la Calidad del Aire — Portal de Datos Abiertos CDMX
- Red Automática de Monitoreo Atmosférico (RAMA) — Portal de Datos Abiertos CDMX
- Portal SIMAT / Dirección de Monitoreo Atmosférico — histórico por estación, incluye descargas en Excel.
Qué lo hace desafiante. Fuerte estacionalidad, correlación espacial entre estaciones y variables de tráfico/clima como confusores; distinguir correlación de causa real.
Técnicas del curso que cubre. EDA con series de tiempo, PCA, clustering de estaciones, detección de anomalías.
SIMAT tiene descarga directa por estación/año — no requiere scraping. Si combinas con datos de tráfico de terceros (p. ej. Waze), revisa los términos de uso de esa API antes de automatizar la extracción.
5. Fraude en reembolsos/transacciones fintech
Problema de negocio. Una startup fintech LATAM quiere reducir el fraude sin bloquear a usuarios legítimos.
Dataset(s) sugerido(s).
- PaySim — Synthetic Financial Datasets For Fraud Detection (Kaggle)
- IEEE-CIS Fraud Detection (Kaggle)
Qué lo hace desafiante. Desbalance de clases extremo (fraude <1%); obliga a discutir el costo asimétrico de falsos negativos vs. falsos positivos, no solo accuracy.
Técnicas del curso que cubre. Clasificación con clases desbalanceadas, detección de anomalías, evaluación con métricas apropiadas (recall, PR-AUC).
No aplica scraping: son datasets ya publicados en Kaggle. Verifica la licencia específica de cada dataset (algunas restringen uso comercial) antes de usarlo más allá del curso.
6. Segmentación de incidentes de inseguridad por alcaldía/colonia
Problema de negocio. Un observatorio ciudadano quiere apoyar decisiones de patrullaje con evidencia, no percepción.
Dataset(s) sugerido(s).
Qué lo hace desafiante. Dato sensible políticamente: exige comunicación responsable (evitar estigmatizar zonas) y separar tendencia real de subregistro/denuncia.
Técnicas del curso que cubre. Clustering geográfico/temporal, EDA con Gini/entropía por tipo de delito, reglas de asociación.
El SESNSP publica los datos en descarga directa — no requiere scraping. Si cruzas con datos socioeconómicos por colonia (INEGI), cuida el nivel de agregación para no exponer o inferir datos de personas identificables.
7. Reseñas falsas o manipuladas en e-commerce
Problema de negocio. Un marketplace (estilo Mercado Libre) quiere detectar reseñas fabricadas o campañas de reputación.
Dataset(s) sugerido(s).
- amazon_reviews_multi_es (Hugging Face) — reseñas de Amazon en español.
- Mercado Libre Data Challenge (Kaggle) — como fuente adicional de texto/metadatos de publicaciones.
Qué lo hace desafiante. No hay una etiqueta confiable de “reseña falsa”: el equipo debe operacionalizar señales indirectas (ráfagas temporales, texto genérico repetido, sentimiento desalineado con la calificación).
Técnicas del curso que cubre. Minería de texto, TF-IDF + sentimiento, detección de anomalías, clustering de patrones de escritura.
Prefiere datasets ya recolectados antes que scrapear Mercado Libre o Amazon directamente: ambos prohíben el scraping en sus Términos de Servicio y usan detección activa de bots. Si de todas formas construyes un dataset propio, hazlo solo con datos públicos ya visibles sin login, con retraso entre solicitudes, y sin recolectar datos personales de quienes escriben las reseñas.
8. Predicción de retrasos y saturación en el Metro/transporte público
Problema de negocio. Una autoridad de movilidad quiere anticipar la saturación de líneas y recomendar rutas alternas.
Dataset(s) sugerido(s).
- Afluencia diaria del Metro CDMX — Portal de Datos Abiertos CDMX
- Afluencia diaria de Metrobús CDMX — Portal de Datos Abiertos CDMX
Qué lo hace desafiante. Estacionalidad múltiple (hora, día, evento especial), datos con huecos y calidad heterogénea; el reto de negocio es “accionable en tiempo real”, no solo descriptivo.
Técnicas del curso que cubre. EDA con visualización temporal, clustering de patrones de demanda, detección de anomalías (incidentes atípicos).
El STC Metro y Metrobús publican afluencia en datos abiertos con descarga directa — no requiere scraping. Si agregas datos de Waze u otro proveedor externo, usa su API oficial de partners en vez de scrapear el mapa web: Waze prohíbe explícitamente el scraping de su plataforma.
9. Deserción escolar en educación media superior
Problema de negocio. Una Secretaría de Educación estatal quiere identificar estudiantes en riesgo antes de que abandonen.
Dataset(s) sugerido(s).
Qué lo hace desafiante. Etiquetas retrospectivas (se sabe quién desertó después de que ya pasó); exige pensar en qué variables están disponibles a tiempo para intervenir, no solo cuáles correlacionan.
Técnicas del curso que cubre. Clasificación, reglas de asociación, PCA/reducción de dimensionalidad, checkpoint de stakeholder realista (política pública).
La SEP publica estos indicadores agregados en descarga directa (no a nivel de estudiante individual) — no requiere scraping. Si buscas microdatos, usa solo bases públicas anonimizadas oficiales y nunca intentes reconstruir la identidad de estudiantes individuales.
10. Discurso de odio/polarización en debates electorales
Problema de negocio. Un medio de comunicación o una autoridad electoral quiere monitorear el tono del discurso público sin censurar.
Dataset(s) sugerido(s).
- HatEval — SemEval-2019 Task 5 (Hugging Face) — tuits en inglés y español anotados para discurso de odio contra inmigrantes y mujeres.
Qué lo hace desafiante. Ambigüedad lingüística fuerte en español (sarcasmo, regionalismos); exige justificar el umbral entre “polarizado” y “de odio”, con implicaciones éticas serias.
Técnicas del curso que cubre. Minería de texto, TF-IDF, sentimiento con dos métodos comparados, discusión ética explícita en la presentación final.
X/Twitter restringe fuertemente el scraping y el acceso gratuito a su API desde 2023 — usa el dataset académico HatEval en vez de scraping directo. Si de todas formas recolectas comentarios propios de otra fuente, anonimiza a los usuarios, no publiques el dataset crudo, y documenta el criterio ético de qué se considera “discurso de odio” antes de anotar datos.