Detección de Anomalías de Consumo Eléctrico en una Bodega de La Rioja
Visión general
De qué trata este proyecto.
Recibes 18 meses de lecturas de contadores inteligentes a granularidad de 15 minutos para 6 puntos de consumo, junto con el calendario de producción y temperatura ambiente. Limpia los huecos de datos (días con cortes), construye una EDA estructurada por punto de consumo y por franja horaria, aplica detección de anomalías sin supervisión (Isolation Forest + un baseline estadístico de z-score por franja) y entrega un informe operativo con cinco hallazgos respaldados por gráficos.
El Briefing
Lo que harás y lo que demostrarás.
Identificar cinco anomalías operativas de consumo eléctrico con suficiente respaldo cuantitativo para que el responsable de planta pueda actuar la semana siguiente.
Earning criteria — what you'll demonstrate
- Aplicar detección de anomalías no supervisada a series industriales
- Manejar huecos y artefactos típicos de contadores inteligentes
- Diferenciar anomalía estadística de anomalía operativa relevante
- Comunicar hallazgos cuantitativos a un perfil de planta no técnico
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosCientífico de Datos
Detectar señal en datos industriales sucios y convertirla en una recomendación operativa es trabajo cotidiano del científico de datos en industria.
Este proyecto afina
- anomaly-detection
- exploratory-data-analysis
- time-series-analysis
Ingeniero de Datos
Trabajar con lecturas de contadores a 15 minutos, huecos y resampling prepara el músculo de pipelines que un data engineer necesita.
Este proyecto afina
- data-wrangling
- python
- time-series-analysis
Ingeniero de Aprendizaje Automático
Pasar de un modelo no supervisado a una alerta operativa accionable es un ejercicio puente clásico hacia el rol de MLE en empresas industriales.
Este proyecto afina
- anomaly-detection
- python
- data-visualization