Conectando

Conectando con el servidor de operaciones...

Centro de Operaciones NYC 311

Analisis de eficiencia operacional -- Solicitudes 2024

OPS // P06

Data Analyst Portfolio: Project 06

Eficiencia Operacional NYC 311

Dashboard de analisis operacional sobre las solicitudes 311 de la Ciudad de Nueva York. Combina mineria de procesos, analisis estadistico de SLA y priorizacion Pareto para identificar cuellos de botella, evaluar el cumplimiento de tiempos de respuesta y guiar decisiones de mejora operativa a traves de 3.5 millones de registros del 2024.

El Reto

  • *Que agencias cumplen sus compromisos de tiempo de respuesta y cuales no?
  • *Donde se concentran los cuellos de botella en el flujo operacional?
  • *Que tipos de queja generan el mayor volumen y como priorizarlos?
  • *Existen patrones geograficos o estacionales en las solicitudes?

Por Que Este Enfoque

  • *Mineria de procesos revela el flujo real, no el teorico, de las operaciones.
  • *Pruebas estadisticas (z-test + Bonferroni) dan rigor a la comparacion entre agencias.
  • *Visualizaciones D3.js custom (Sankey, coropletico, gauge) permiten explorar datos complejos.
  • *Pipeline parquet + FastAPI mantiene 3.5M filas consultables en milisegundos.

Fuente de Datos

Fuente

NYC Open Data / Socrata API

Registros

~3.5 millones de filas

Periodo

Enero - Diciembre 2024

Dataset ID

erm2-nwe9

Limitaciones: datos gubernamentales con calidad variable. No todas las agencias tienen SLA definido (ej. NYPD, Parks). No se incluyen datos de costos operativos. Los tiempos de resolucion dependen de la fecha de cierre registrada, que puede no reflejar la resolucion real.

Contexto del Portafolio

01Insurance Claims Dashboard
Financial / Insurance

Siniestralidad, reservas y tendencias para una cartera de seguros.

Next.jsSQLPython
02E-Commerce Cohort Analysis
Product / Growth

Analisis de cohortes, retencion, RFM y LTV para e-commerce.

SQLPythonStreamlit
03A/B Test Analysis
Product / Growth

Pruebas A/B con enfoque frecuentista, bayesiano y secuencial.

RPythonNext.js
04Executive KPI Report
Business / General

Reportes automatizados de KPIs SaaS con deteccion de anomalias.

PythonNext.js
05Financial Portfolio Tracker
Financial / Analytics

Portfolio multi-activo con VaR, Monte Carlo y frontera eficiente.

PythonNext.jsRecharts
06Operational Efficiency
Business / Operations

Eficiencia operacional NYC 311 con mineria de procesos y SLA.

PythonNext.jsD3.js

Proyecto actual

Metodologia

Pipeline de Datos

  • -ETL en 3 etapas via Socrata API
  • -Limpieza y tipificacion de 3.5M registros
  • -Exportacion a parquet columnar

Analisis de SLA

  • -Pruebas z para comparacion de tasas
  • -Correccion de Bonferroni para comparaciones multiples
  • -Clasificacion de cumplimiento por agencia

Mineria de Procesos

  • -Diagrama Sankey de flujo operacional
  • -Deteccion de cuellos de botella
  • -Descomposicion de tiempos de resolucion

Pareto y Priorizacion

  • -Regla 80/20 por tipo de queja
  • -Scatter matrix de prioridad
  • -Analisis de concentracion por agencia

Como Navegar

Contexto: Contexto del proyecto, metodologia y como navegar el dashboard.
Resumen Ejecutivo: Veredicto SLA, KPIs principales y tipos de queja mas frecuentes.
Flujo de Procesos: Diagrama Sankey del flujo operacional y tiempos de resolucion.
Rendimiento por Agencia: Comparativa de eficiencia entre agencias con pruebas estadisticas.
Analisis Geografico: Mapa coropletico de solicitudes por codigo postal y municipio.
Tendencias y Estacionalidad: Series de tiempo, heatmaps y patrones estacionales.
Pareto y Prioridades: Diagrama de Pareto y matriz de priorizacion por volumen e impacto.
Proceso Tecnico: Notebooks Jupyter completos con el pipeline de analisis.

Retos y Aprendizajes

01

3.5M filas en el navegador

Procesamiento de 3.5 millones de registros requirio column pruning en parquet y agregacion en el backend para mantener tiempos de carga aceptables en Cloud Run.

02

D3.js custom vs librerias prefabricadas

Visualizaciones clave (Sankey, coropletico, gauge) necesitaban control total de layout e interaccion que Recharts no ofrecia. Se implementaron desde cero con D3.

03

Datos SLA nulos

Muchas agencias (NYPD, Parks) carecen de definicion de SLA en el dataset. Se implemento codificacion defensiva y se reportan como "Sin SLA definido" en vez de excluirlas.

04

Sparsity en heatmaps

El bucket "Otros" dominaba los heatmaps de tipo de queja. Se cambio a complaint_type sin agrupar, filtrando por top N, para revelar patrones utiles.

Stack Tecnologico

Data Pipeline

PythonpandasSocrata APIparquetscipy

Backend

FastAPIuvicornCloud RunGCS

Frontend

Next.jsReactD3.jsTailwind CSSRecharts

Definiciones Clave

SLA: Service Level Agreement: tiempo maximo comprometido para resolver una solicitud.
Mineria de Procesos: Tecnica para descubrir y analizar flujos de trabajo reales a partir de logs de eventos.
Principio de Pareto: El 80% de los efectos proviene del 20% de las causas. Se usa para priorizar tipos de queja.
Diagrama Sankey: Visualizacion de flujo donde el ancho de cada banda es proporcional al volumen que transporta.
Correccion de Bonferroni: Ajuste del nivel de significancia al hacer multiples pruebas estadisticas simultaneas.
Coropletico: Mapa donde las areas se colorean segun la intensidad de una variable (solicitudes por zona).
Tiempo de Resolucion: Dias transcurridos entre la apertura y el cierre de una solicitud 311.
Cuello de Botella: Etapa del proceso donde se acumula trabajo y se alarga el tiempo de resolucion.