Introducción a Python para Supply Chain Analytics

Material de nivelación y práctica para un máster en Supply Chain Analytics. El objetivo es que alumnos sin experiencia previa puedan leer código Python simple y entender qué hace.

Pre-clase: nivelación asincrónica (~2 h)

1. Lecturas recomendadas

Está lleno en internet de material introductorio. Recomendaciones:

• En YouTube, buscá "Aprende Python - Curso completo para principiantes" en el canal freeCodeCamp Español. Solo necesitás ver los primeros 35–40 minutos (hasta variables y operadores).
• Python for Everybody — curso bien sencillo con material y videos. Con los primeros 10 capítulos es más que suficiente.

2. Notebook introductoria en Google Colab (45–60 min)

Hacé click para abrirla directo en tu navegador, sin instalar nada:

Solo necesitás una cuenta de Google. Ejecutá cada celda en orden con el botón ▶️.

Contenido: variables, listas, if, for, EOQ, pandas, y gráficos — todo con ejemplos de supply chain.

Notebooks de clase

Notebook	Tema	Nivel	Duración
python_intro_supply_chain.ipynb	Fundamentos de Python con ejemplos SCM	Introductorio	~90 min
Market_Basket_analysis.ipynb	Análisis de canasta (apriori, asociación)	Intermedio	~60 min
analisis_SUBE_2026.ipynb	Análisis predictivo de demanda de transporte (AMBA)	Intermedio-avanzado	~90 min
analisis_SUBE.ipynb	Análisis exploratorio de transporte público (legacy)	Intermedio	~45 min

🚆 Sobre el análisis de transporte (SUBE)

El notebook analisis_SUBE_2026.ipynb es una actualización completa de análisis de transporte público en el AMBA (2020–2026) que incluye:

• Parte 1: Ingesta de datos SUBE + tarifas reales + IPC + checkpoint en parquet
• Parte 2: Análisis descriptivo (Pareto, estacionalidad, tarifas nominal vs real)
• Parte 3: Modelo predictivo de viajes diarios de subte + elasticidades de precio + what-if

Para el contexto teórico completo (decisiones metodológicas, limitaciones, notas de modelado), ver docs/anexo_SUBE_2026.md.

Para documentación de datos (fuentes, schema, deflactación), ver data/analisis_sube/README.md.

Cómo correr un notebook localmente

1. Clonar el repo

git clone https://github.com/mstainoh/intro-python-analytics-scm.git
cd intro-python-analytics-scm

2. Crear un entorno virtual (recomendado)

python3 -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

3. Instalar dependencias

pip install pandas numpy matplotlib seaborn scikit-learn jupyter

Para el notebook de SUBE además:

pip install pyarrow

4. Lanzar Jupyter

jupyter notebook

Luego abrí el notebook que quieras desde la interfaz.

Estructura del repo

.
├── README.md                          # Este archivo
├── LICENSE
├── docs/
│   └── anexo_SUBE_2026.md            # Contexto teórico del modelo predictivo
├── data/
│   ├── analisis_sube/
│   │   ├── README.md                 # Diccionario de datos, fuentes
│   │   ├── precio_colectivo.csv
│   │   ├── precio_subte.csv
│   │   ├── precio_tren.csv
│   │   ├── ipc.csv
│   │   └── info.MD
│   ├── countries/
│   │   ├── countries.csv
│   │   └── countries.geojson
│   └── groceries/
│       └── Groceries_dataset.csv
├── notebooks/
│   ├── python_intro_supply_chain.ipynb
│   ├── Market_Basket_analysis.ipynb
│   ├── analisis_SUBE_2026.ipynb       # Nuevo: análisis predictivo completo
│   └── analisis_SUBE.ipynb            # Legacy
└── scripts/
    └── download_ipc.py

Licencia

MIT