Saltar al contenido
hg.Héctor GarridoCiencia de datos · Estadística · Ingeniería de datos

Diario técnico

Blog

Escribo sobre ciencia de datos aplicada, patrones de programación y aprendizajes construyendo productos analíticos.

Por Qué Implementé Tests Automáticos en Mi Portafolio (Django + React)

Este artículo explica la implementación de tests automáticos en un portafolio personal desarrollado con Django y React. Se detalla cómo se utilizan herramientas como `django.test`, `rest_framework.test`, Jest y `@testing-library/react` para asegurar la calidad del código tanto en el backend como en el frontend. Se describe la arquitectura de testing, integrada en el pipeline de GitHub Actions, garantizando que ningún código llegue a producción sin pasar las pruebas. El lector aprenderá sobre las estrategias de testing para modelos, APIs y componentes, así como el mockeo de servicios externos.

Portafolio RAG

Conectar un Formulario de Contacto con Gmail en Django + React

Este artículo técnico explica cómo conectar un formulario de contacto creado con React a Gmail utilizando Django. Se detalla la configuración de Django para enviar correos electrónicos a través de SMTP de Gmail, incluyendo la creación de una App Password para mayor seguridad. Aprenderás a configurar las variables de entorno necesarias, a implementar una vista en Django que envíe el correo electrónico al recibir un nuevo mensaje del formulario y a manejar errores en caso de que la configuración sea incorrecta. El flujo es sincrónico, ideal para sitios de bajo tráfico.

Portafolio RAG

Dominio Propio en Cloud Run: hectorgarrido.cl Paso a Paso

Este artículo detalla el proceso para configurar un dominio propio (`hectorgarrido.cl`) en Cloud Run, desde la compra del dominio en NIC Chile hasta la configuración del DNS. Aprenderás a crear una zona administrada en Cloud DNS, mapear el dominio a tu servicio de Cloud Run y actualizar los nameservers en el registrador del dominio. Se utiliza la herramienta `gcloud` para interactuar con Google Cloud y se explica la arquitectura DNS involucrada, permitiendo a los lectores tener control total sobre sus dominios y una integración fluida con Cloud Run.

Portafolio RAG

De Blog Personal a Portafolio Profesional: Por Qué y Cómo

Este artículo aborda la transformación de un blog personal en un portafolio profesional enfocado en data science y machine learning. Se describe cómo reestructurar la página principal (Home.js) para destacar habilidades, proyectos y experiencia relevante para reclutadores. Se discuten decisiones de diseño como la creación de una página `/projects` dedicada y la selección de proyectos clave. El lector aprenderá a priorizar la información, implementar un "hero section" con métricas verificables y mostrar un stack tecnológico visible, utilizando React y componentes MUI.

Portafolio RAG

data.table: El Motor Oculto Detrás de un Pipeline ETL Rápido

¿Cómo pasar de 8 minutos a menos de 2 en un pipeline de datos con 171 hojas de Excel? En este post, analizo la migración crítica del proyecto manageDW desde dplyr hacia data.table. Exploro por qué la manipulación in-place y la gestión eficiente de memoria permitieron procesar 2 millones de filas reduciendo el consumo de RAM de 4 GB a solo 800 MB. Una comparativa técnica sobre cuándo priorizar la legibilidad de la "gramática de datos" frente al rendimiento bruto en entornos de producción.

Data Warehouse SII

Random Forest + Raking: Cómo Estimar Datos Faltantes Respetando Totales Conocidos

¿Cómo lidiar con los datos censurados por confidencialidad en las estadísticas públicas? El SII de Chile utiliza asteriscos para proteger la privacidad en comunas con pocas empresas, rompiendo la coherencia jerárquica de los datos. En este post, exploramos cómo el proyecto manageDW resuelve este problema combinando la potencia predictiva de Random Forest con el rigor matemático del Iterative Proportional Fitting (IPF). Descubre cómo este algoritmo de 80 años de historia permite imputar valores faltantes asegurando que las sumas de las comunas coincidan exactamente con los totales provinciales y regionales.

Data Warehouse SII

Cómo Desplegar una App Shiny en la Nube con Neon y Cloud Run

De Localhost al Mundo: Desplegando Shiny con Docker, Cloud Run y Neon. ¿Cómo pasar un dashboard de R/Shiny de localhost a una URL pública con costo casi cero? En esta guía técnica de la v0.3.0, detallo la arquitectura serverless ideal para proyectos de datos: el uso de Neon para PostgreSQL escalable a cero, la contenedorización con Docker (optimizada para geo-dependencias) y el despliegue automatizado mediante GitHub Actions en Google Cloud Run. Una solución profesional para evitar los límites de shinyapps.io y la administración de servidores VPS.

Data Warehouse SII

¿Qué es un Esquema de Estrella? Modelado Dimensional para Datamarts Analíticos

De archivos Excel caóticos a un Data Mart profesional. Acompaña el proceso técnico de transformar los datos abiertos del SII (2005-2023) mediante el modelo dimensional de Ralph Kimball. Descubre cómo un Star Schema en PostgreSQL permite resolver jerarquías geográficas complejas, gestionar datos imputados por algoritmos y convertir consultas imposibles en SQL simple y eficiente. Una guía práctica sobre ingeniería de datos, normalización vs. desnormalización y el valor de la idempotencia en pipelines ETL.

Data Warehouse SII

Analítica derivada y validación del pipeline: más allá de los coeficientes

Este post muestra cómo pasar de coeficientes econométricos a evidencia interpretable para política pública mediante analítica derivada pre-computada. El pipeline calcula estacionalidad de márgenes, estimaciones aproximadas de bienestar del consumidor basadas en GIRF, tests de robustez del umbral con Hansen-Seo y benchmarks cross-seccionales entre productos y regiones. Además, introduce un “embudo de validación” que verifica la integridad de cada etapa antes de generar reportes, junto con una decisión de arquitectura clave: separar completamente cálculo estadístico y presentación para lograr reportes reproducibles, rápidos y auditables.

Tesis: Asimetrías de Precios

Estimación TVECM y funciones de impulso-respuesta generalizada

El núcleo econométrico del pipeline se materializa en la estimación masiva de modelos TVECM por serie, seleccionados automáticamente tras diagnósticos de integración y cointegración. El proceso explora una malla de especificaciones en paralelo, selecciona la mejor por BIC y traduce los coeficientes en dinámicas interpretables mediante GIRF bootstrap, permitiendo cuantificar y clasificar asimetrías en la transmisión de precios. Los resultados se almacenan estructuradamente en PostgreSQL y alimentan reportes automatizados, cerrando el ciclo desde limpieza de datos hasta evidencia empírica reproducible.

Tesis: Asimetrías de Precios

Dockerización y Cloud: del localhost al mundo

Containerizar un proyecto de investigación no es solo una decisión técnica, sino metodológica: garantiza reproducibilidad, simplifica la colaboración y permite escalar cómputo sin fricción. Este post muestra cómo un pipeline econométrico intensivo se empaqueta con Docker, se orquesta localmente con PostgreSQL y se ejecuta como batch en Google Cloud mediante Cloud Run Jobs, con dependencias separadas por capas, secretos gestionados externamente y un entrypoint flexible para distintos modos de ejecución.

Tesis: Asimetrías de Precios

Segmentación dinámica: por qué no se puede imputar a ciegas

El problema no era el modelo TVECM: eran los datos. Varias series mostraban ajustes imposibles porque hasta un 60 % de sus valores provenían de imputación Kalman aplicada a la serie completa. En este post explico por qué los filtros globales fallan y cómo un enfoque por mes calendario —detectando meses razonables, formando islas de continuidad, filtrando por densidad real y aplicando Kalman solo dentro de segmentos confiables— reduce la imputación promedio de ~35 % a ~15 % y evita estimar dinámicas económicas sobre señal sintética. Una lección práctica de ingeniería de series temporales: la imputación solo debe cerrar huecos cortos, nunca reemplazar la información.

Tesis: Asimetrías de Precios

Matching semántico: conectando mercados con Sentence-BERT

Un problema aparentemente trivial —emparejar el mismo producto entre precios mayoristas y minoristas de ODEPA— se convierte en un desafío real de integración de datos cuando no existen identificadores comunes y la nomenclatura difiere en granularidad, envases y variantes regionales. Este post muestra cómo un enfoque híbrido que combina normalización textual, embeddings semánticos multilingües y validación humana permitió aumentar en 55 % las series utilizables para estimar transmisión de precios, manteniendo una arquitectura R-Python desacoplada y reproducible.

Tesis: Asimetrías de Precios

ETL desde ODEPA: domesticando la API CKAN

La base pública de precios hortofrutícolas de la Oficina de Estudios y Políticas Agrarias expone millones de registros a través de CKAN, pero descargarlos íntegramente exige lidiar con paginación estricta, cambios silenciosos en el esquema y unidades de venta inconsistentes. Este post muestra cómo construir un loader robusto con reintentos y caching, normalizar presentaciones heterogéneas a $/kg y transformar los datos crudos en un star schema analítico en PostgreSQL listo para consulta masiva.

Tesis: Asimetrías de Precios

Del caos de scripts al pipeline: refactorizando 7 años de código

La recuperación de un proyecto econométrico abandonado durante siete años obligó a pasar de scripts monolíticos y datos dispersos a una arquitectura reproducible: paquete R documentado, pipeline numerado con dependencias explícitas, base PostgreSQL en esquema estrella y validación tipo embudo para detectar fallos. El resultado no fue solo código más limpio, sino un sistema ejecutable con un comando, auditable y preparado para escalar. Una historia práctica sobre aplicar disciplina de ingeniería de software al código académico.

Tesis: Asimetrías de Precios

De una tesis a un pipeline: la génesis de AsymmetryAnalysis

Una tesis de magíster iniciada en 2017 para estudiar la transmisión asimétrica de precios en el mercado agrícola chileno terminó, ocho años después, convertida en un pipeline reproducible de software: paquete R, base PostgreSQL, matching semántico y ejecución en la nube. Este post cuenta la evolución técnica del proyecto —de scripts académicos a ingeniería de datos— y cómo hoy permite estimar modelos TVECM en decenas de series producto-región.

Tesis: Asimetrías de Precios

Debugging react-snap en CI/CD: Cuando Puppeteer Se Niega a Terminar

Este artículo técnico detalla la resolución de problemas al usar react-snap en un entorno CI/CD, específicamente cuando Puppeteer no finaliza la pre-renderización. Se exploran tres causas principales: llamadas API pendientes que impiden que Puppeteer considere la página como inactiva, bucles infinitos de `requestAnimationFrame` que mantienen el thread principal ocupado y el crawling automático de react-snap que reintroduce rutas problemáticas. Aprenderás a diagnosticar y solucionar estos problemas, optimizando la configuración de react-snap para un pre-renderizado exitoso en CI/CD.

Portafolio RAG

Optimización de Rendimiento Frontend: Code Splitting, Pre-renderizado y Caché Docker

Este artículo técnico aborda la optimización del rendimiento frontend en una aplicación React, resolviendo problemas de carga inicial lenta y uso ineficiente de la caché. Se implementa *code splitting* con `React.lazy()` para reducir el tamaño del bundle inicial y se configura una estrategia de caché en Nginx para servir archivos estáticos de manera eficiente. Aprenderás a mejorar significativamente los tiempos de carga y la experiencia del usuario, optimizando tanto el código JavaScript como la configuración del servidor web.

Portafolio RAG

Mejoras al Motor RAG: Restricción de Contenido, Resiliencia y LaTeX

Este artículo técnico aborda tres problemas comunes en la implementación de un motor RAG (Retrieval-Augmented Generation). Primero, cómo evitar que el modelo responda con conocimiento general en lugar de basarse en el contexto recuperado. Segundo, cómo manejar errores transitorios de la API de Vertex AI para evitar cachear respuestas fallidas. Tercero, cómo mejorar la selección de fuentes relevantes. Se implementan restricciones en el prompt, lógica de reintentos con backoff exponencial y un sistema dinámico de selección de fuentes. El lector aprenderá técnicas para construir sistemas RAG más

Portafolio RAG