Match IT - Analizando el Futuro de IT

Constitución del proyecto

Datahunters IT

Septiembre 2024

---

Tabla de contenidos

1. Historial de versiones
2. Información del proyecto
3. Planificación del proyecto
4. Desarrollo del proyecto
5. Seguimiento y control
6. Cierre del proyecto

---

Historial de Versiones

Fecha	Versión	Autor	Organización	Descripción
18/08/2024	v.0.0	Equipo Datahunters IT	Datahunters IT	Creación de la documentación, asignación de roles.
20/08/2024	v.0.1	Equipo Datahunters IT	Datahunters IT	Creación de repositorios y entornos de trabajo.
26/08/2024	v.0.2	Equipo Datahunters IT	Datahunters IT	Diseño del logo y paleta de colores del proyecto.
30/08/2024	v.0.3	Equipo Datahunters IT	Datahunters IT	Investigación y recopilación de datos, detección de fuentes relevantes.
02/09/2024	v.0.4	Equipo Datahunters IT	Datahunters IT	Limpieza, transformación y carga (ETL) a base de datos MySQL.
08/09/2024	v.0.5	Equipo Datahunters IT	Datahunters IT	Análisis exploratorio de datos, gestión de valores atípicos y selección de atributos clave.
12/09/2024	v.0.6	Equipo Datahunters IT	Datahunters IT	Selección de los insights a mostrar en el tablero de Power BI, storytelling y desarrollo del tablero.
16/09/2024	v.0.7	Equipo Datahunters IT	Datahunters IT	Ajuste de parámetros para el modelo de Machine Learning y visualización de los datos.
18/09/2024	v.0.8	Equipo Datahunters IT	Datahunters IT	Desarrollo final del tablero en Power BI.

---

Información del Proyecto

Item	Descripción
Organización / Equipo	Datahunters IT
Proyecto	Match IT - Analizando el Futuro de IT
Fecha de Inicio	21/08/2024
Fecha de Cierre	19/09/2024
Cliente	NoCountry
Líder de Proyecto	Ezequiel Garcia
Project Manager	Daineth Dominguez

---

Planificación del Proyecto

Descripción del Proyecto

El proyecto "Match IT" tiene como objetivo analizar el mercado laboral de IT en Estados Unidos y Canadá. A través de un tablero interactivo en Power BI, los profesionales del sector podrán buscar empleos de IT según su ciudad de interés, posición de interés y presupuesto. En futuras fases, se incluirá la posibilidad de filtrar por habilidades (skills) requeridas.

Objetivo General

Proporcionar a los profesionales y empresas de IT una plataforma que facilite la búsqueda de oportunidades laborales, visualizando tendencias y predicciones basadas en datos reales.

Objetivos Específicos

1. Recopilación y Limpieza de Datos: Recolectar datos de ofertas laborales de múltiples fuentes de empleo en Estados Unidos y Canadá para el año 2024.
2. Análisis de Competencias y Habilidades: Identificar y categorizar las habilidades más demandadas en el sector, diferenciando entre hard y soft skills.
3. Desarrollo de un Modelo Predictivo: Utilizar técnicas de machine learning para anticipar tendencias emergentes en habilidades y competencias.
4. Visualización Interactiva: Crear un tablero en Power BI que permita a los profesionales de IT filtrar empleos según ubicación, puesto, presupuesto y, próximamente, habilidades.

Requerimientos del Proyecto

1. Entrega en un repositorio GitHub.
2. Documentación técnica y funcional completa.
3. Cumplimiento de los hitos acordados.
4. Tablero en Power BI accesible y fácil de usar.

---

Desarrollo del Proyecto

Fases del Desarrollo

1. Análisis y Diseño:

   • Identificación de requisitos clave y asignación de roles.
   • Definición del ciclo de vida del proyecto y creación de la estructura del repositorio.

2. Recopilación y Limpieza de Datos:

   • Extracción de datos de fuentes laborales y limpieza para eliminar duplicados e inconsistencias.
   • Creación de modelo ER en base de datos SQL.

3. Análisis Exploratorio de Datos:

   • Análisis de patrones y tendencias para identificar las habilidades más demandadas.

4. Desarrollo del Tablero Power BI:

   • Creación de visualizaciones interactivas que permitan a los usuarios filtrar por ciudad, posición y presupuesto.

5. Implementación del Modelo Predictivo:

   • Entrenamiento de modelos de machine learning para anticipar habilidades emergentes en el sector.

Tecnologías Utilizadas

• Python: Procesamiento de datos.
• Pandas, NumPy: Manipulación de datos y análisis estadístico.
• Matplotlib, Seaborn: Visualización de datos.
• MySQL: Base de datos relacional.
• Power BI: Tablero de visualización interactiva.
• Machine Learning: Predicción de habilidades emergentes.

---

Seguimiento y Control

Se realizará un seguimiento continuo del proyecto mediante la revisión de los avances y las pruebas de calidad en cada fase.

1. Pruebas Unitarias: Validación de los componentes individuales.
2. Pruebas de Integración: Asegurar la correcta interacción entre componentes.
3. Pruebas de Aceptación: Confirmar que el sistema cumple con los requisitos del cliente.

---

Cierre del Proyecto

El cierre incluye:

• Revisión final de todos los entregables.
• Presentación del tablero de Power BI a los interesados en el Demo Day.
• Documentación de lecciones aprendidas y oportunidades de mejora.

---

Instrucciones de Uso

1. Clona el repositorio desde GitHub:

   git clone <url-del-repositorio>
   

2. Crea un entorno virtual y activa el entorno:

   python -m venv venv
   source venv/bin/activate  # En Linux/Mac
   venv\Scripts\activate      # En Windows
   

3. Instala las dependencias necesarias:

   pip install -r requirements.txt
   
   

4. Accede al tablero de Power BI para comenzar a explorar las oportunidades laborales filtradas por ciudad, posición y presupuesto.

Proximos pasos

En la siguiente fase del proyecto, se recomienda:

• Evaluar los Modelos Predictivos:

  Los modelos de predicción implementados en esta primera etapa no alcanzaron la precisión esperada. Es necesario llevar a cabo un análisis exhaustivo de los resultados y revisar los supuestos iniciales.

• Ampliar la Base de Datos:

  Considerar la ampliación de la base de datos para mejorar las predicciones y aumentar la precisión de los modelos. Datos adicionales podrían mejorar significativamente la capacidad de los modelos para anticipar tendencias.

• Reevaluar los Algoritmos de Machine Learning:

  Revisar los algoritmos utilizados o probar enfoques alternativos para mejorar el desempeño y lograr resultados más precisos en las predicciones de habilidades emergentes.