RideFare: Pipeline ETL & Predicción de Precios con ML

Proyecto End-to-End de Ingeniería de Datos y Analytics simulando un entorno real de aplicaciones de transporte (tipo Uber/Lyft).

Arquitectura del Proyecto

Este proyecto transforma datos crudos en insights de negocio mediante una arquitectura de 3 etapas:

1. Pipeline ETL : Script de Python (etl_db.py) que extrae datos crudos (CSV con ~1.2 Millones de filas), limpia formatos inconsistentes y carga la data optimizada en una Base de Datos SQLite.
2. Integración SQL: Extracción de datos para análisis mediante consultas SQL complejas (JOINs) entre tablas de Viajes y Clima.
3. Machine Learning: Implementación de un modelo Random Forest Regressor para predecir la dinámica de precios.

Resultados y Desafíos de Ingeniería

1. Volumen y Limpieza de Datos

• Procesamiento: Se ingirieron 1.2M+ registros.
• Calidad: Tras el proceso de limpieza y cruce SQL, se consolidó un dataset final de ~600k viajes verificados.

2. Rendimiento del Modelo (Baseline)

• RMSE: $9.00 (Margen de error promedio).
• R² Score: 0.15 (Baseline).
• Análisis Técnico: La correlación baja indica que la Distancia y el Surge Multiplier son los factores dominantes. La data del Clima (unida por hora) añade complejidad/ruido, lo que sugiere la necesidad de datos climáticos más granulares (por minuto) para futuras iteraciones.

3. Visualización de Insights

Stack Tecnológico

• Lenguajes: Python, SQL.
• Librerías: Pandas, Scikit-Learn, SQLite3, Matplotlib/Seaborn, Plotly.
• Herramientas: Jupyter Notebook, VS Code.

Cómo Ejecutar

# 1. Clonar el repositorio
git clone https://github.com/TU_USUARIO/RideFare-ETL-Pipeline.git

# 2. Instalar dependencias
pip install pandas scikit-learn matplotlib seaborn plotly jupyter

# 3. Ejecutar el ETL (crea la base de datos)
python etl_db.py

# 4. Abrir el notebook de análisis
jupyter notebook RideFare_Analysis_Engineering.ipynb

---

Desarrollado por Samir Caizapasto - Estudiante de Ingeniería en Computación ESPOL