Paso 1
Preguntar
qué quieren de verdad: lo que pidieron y lo que necesitan. A veces es un reporte que no sabían que necesitaban; a veces, ningún reporte.
Paso 2
Aprender el sistema
yo solo: las tablas, los campos, los joins, de dónde sale cada número. Después pregunto lo que todavía no cuadra.
Paso 3
Hacer el query y limpiar
los datos en SQL, y en Python cuando SQL ya no alcanza, con IA para ir más rápido. No me creo nada hasta checarlo contra la fuente.
Paso 4
Analizar
yo solo, con IA o sin ella, hasta que el número queda explicado y no nada más reportado. Si dos números que deberían ser iguales no lo son, busco cuál se movió.
Paso 5
Armarlo para que corra
como un dashboard que se pueda revisar hasta el renglón, o un pipeline que corre sin mí: programado en el warehouse, o uno chiquito en mi Mac. Y al final dejo escrito cómo funciona.3
Cómo trabajo, contado dos veces.
Analista de oficio, operador por necesidad, curioso por costumbre.1
Operaciones y analítica en Stripe, después de casi cuatro años en datos empresariales en F5. Aprendo el sistema, escribo el query, limpio los datos y armo lo que mantiene la respuesta al día. Uso IA y lo checo contra la fuente. Todo va contado dos veces: como lo diría una diapositiva y como pasó de verdad.
Tres casos, en corto
ResultadoYa se usa, y la planeación por segmento de ventas se guía por él.
Las metas por segmento de vendedores tenían que reflejar el desempeño pasado y lo que el negocio esperaba para adelante.
Un modelo con varias variables sobre el desempeño histórico y supuestos de negocio explícitos, con su dashboard, afinado con escenarios y con las preguntas de los stakeholders.
- Modelado
- Escenarios
- Dashboards
ResultadoCandidatos ordenados por nivel de confianza, para que una persona los revise.
Antes de una migración, las cuentas del CRM y los clientes del ERP no cuadraban, y revisarlos a mano no era realista.
Un pipeline por capas: primero nombres exactos y limpios, luego claves fonéticas y similitud fuzzy. Un identificador que los dos sistemas ya compartían resolvió muchos casos de entrada.
- SQL
- Python (con IA)
- Cloud warehouse
ResultadoLos errores se arreglan donde nacen, no se maquillan en el reporte.
Campos vacíos o mal capturados en el CRM descomponían los reportes que usa el liderazgo.
Pipelines diarios en SQL revisan los datos y arman la queue de seguimiento: quién tiene que actuar, en qué registro y con qué valor correcto. La gente sigue haciendo el contacto; con ingenieros me encargo de la automatización alrededor.
- SQL programado
- Salesforce
- Automatización
El trabajo de mis empleadores lo cuento en términos generales, sin cifras ni detalles internos.
- El trabajoLa parte manos a la obra: sistemas, queries, datos limpios, cosas que corren solas.
- TrayectoriaDónde lo he hecho, en breve.
- Fuera de horarioCaminatas, música y árboles, medidos con las mismas reglas.
- Este sitioLos pipelines detrás de esos números, y lo que nunca pueden publicar.
- LabQué está a medias ahorita, y qué tanto.
- Lo omitidoLo que no está en esta página, a propósito.
El trabajo
Analítica de punta a punta, de los datos crudos a dashboards listos para decidir.2
Las herramientas cambian, la secuencia no. Aquí va con una pregunta inventada, desde que te la piden hasta el proceso que corre cada semana.
Herramientas, más o menos en orden de qué tan seguido resuelven la preguntaUna conversación · SQL · Salesforce · Snowflake · Una hoja de cálculo · Dashboards · Python (con IA) · Pipelines de datos · Prototipos en React · Git · VS Code · Coding agents · Agentes de IA · Skills programadas
Trayectoria
Una trayectoria entre operaciones, análisis y calidad de datos.4
A&C Ops, Data Analyst- A&C Ops, Data Analyst
Abr 2026 — hoy
Stripe
En la prácticaAprendo los sistemas y armo lo que hace que los números corran. Dashboards que se pueden revisar hasta el renglón. Un workflow con IA, y con una persona que revisa, para las solicitudes que llegan. Pipelines diarios en SQL que cachan datos malos del CRM y dejan lista la queue de seguimiento, para que se arreglen en la fuente. Y un modelo de metas con varias variables que ya se usa para planear por segmento de ventas. La IA está en casi todo. Yo decido la pregunta, checo lo que regresa y doy el visto bueno.5
Business Analyst · Customer SuccessMar 2024 — Jun 2024
Advantive
En la prácticaEn un contrato corto armé y audité los reportes y dashboards de Salesforce con los que los líderes de Customer Success veían su desempeño, y arreglé los que estaban mal o iban lentos.6
Enterprise Data Management · Data Analyst I → IIJun 2022 — Abr 2026
F5
En la prácticaEmpecé con cambios de cuentas, cachando duplicados antes de que se crearan. Diseñé el proceso de solicitudes y el registro de SLA del equipo, y lo adoptaron como estándar. Aprendí SQL pidiendo acompañar a los analistas que sacaban los reportes; de ahí pasé a reporting de GTM y me subieron a Data Analyst II. Terminé en preparación de migraciones: cuadrar los registros entre sistemas antes de moverlos.7
Intelligence Intern (prácticas)Feb 2022 — Jun 2022
Endeavor México
En la prácticaEn las prácticas segmenté empresas, mantuve limpias las bases de prospectos y de encuestas, y analicé respuestas de encuestas para reportes de emprendimiento. Era el trabajo de datos que no luce, pero que está detrás de todo.8
Contabilidad · Aprendiz de Data AnalystAgo 2018 — hoy · despacho familiar
Penagos Mendoza y Asociados
En la prácticaEn el despacho contable de mi familia mantuve los datos operativos y contables, y armé reportes básicos en Excel y Power BI. Ahí apliqué lo que aprendía en la escuela con números de verdad.9 Además del trabajo de diario, llevo el sitio web del despacho familiar, su flujo de publicación y sus redes sociales. La IA ayuda con los borradores, pero una persona revisa todo antes de que salga.
Apéndice D: cómo está armado Penagos Mendoza (en inglés) →
Formación
- Business Intelligence · UPAEP
- Business Administration · City University of Seattle
- Coautor de “Text Mining Applied as Business Intelligence in the Tourism Industry”, De Gruyter, 2022. Léelo (en inglés) ↗
- También estoy en LinkedIn ↗10
Fuera de horario
Un programa de analítica personal, longitudinal y de varias fuentes.11
Camino, y mucho. Ahí pienso casi todo, y los árboles son casi todo lo que veo. Y como no me aguanto, empecé a llevar registros de las caminatas, la música y los árboles, con las mismas reglas que uso en el trabajo. A nadie le urgen estos números, así que son una prueba justa.
- Distancia
- 231.7km
- Pasos al día
- 11,459por día registrado
- +8% vs el año
- Maratones
- 5.5a paso de caminata
- Días registrados
- 30de 30
Los últimos 30 días, con los pasos al día frente al ritmo del año. Las rayitas son los últimos doce meses cerrados.
- Distancia
- 231.7km
- Pasos al día
- 11,459por día registrado
- +8% vs el año
- Maratones
- 5.5a paso de caminata
- Días registrados
- 30de 30
Los últimos 30 días, con los pasos al día frente al ritmo del año. Las rayitas son los últimos doce meses cerrados.
Registro 1
Caminatas
231.7 km en los 30 días al 30 de octubre12
La reglaTraduce el número a algo que una persona pueda imaginar.
Apéndice A: el registro completo de caminatas (en inglés) →Mis ocho álbumes más escuchados desde 2013. Entre más grande la portada, más reproducciones. Los álbumes de la cuenta compartida no se incluyen.
ViewsDrakeN.º 1, 351 reproducciones
ScorpionDrakeN.º 2, 328 reproducciones
In The Lonely HourSam SmithN.º 3, 308 reproducciones
PurposeJustin BieberN.º 4, 276 reproducciones
The HeistMacklemore & Ryan LewisN.º 5, 256 reproducciones
Grandes ÉxitosLuis MiguelN.º 6, 246 reproducciones
HomónimoLola ClubN.º 7, 245 reproducciones
Me RehúsoDanny OceanN.º 8, 240 reproducciones
Registro 2
Música
90,112 reproducciones desde 2013, una vez limpios los registros13
La reglaUn ranking sin su tamaño de muestra es decoración.
Apéndice B: el registro completo de escucha (en inglés) →Una marca por árbol vivo. Las angostas, con venas, son los cinco fresnos.
Registro 3
Árboles plantados
10 árboles que planté en los últimos dos años y siguen vivos14
La excepciónHay números que están aquí solo porque me gusta llevarlos.
Entonces, dos reglas: que el número se pueda imaginar y que diga de cuántos datos sale. Son los hábitos del trabajo, aplicados donde nadie me revisa.
Este sitio
Una plataforma de datos personal, automatizada y que pone la privacidad primero.15
Paso 1
Una fuente privada
Cada registro empieza en algún lugar que no publicaría crudo: un contador de pasos, una exportación de salud del teléfono, historiales de streaming, un log de scrobbles, las visitas del propio sitio.
Paso 2
La Mac mini recolecta
Collectors en una Mac mini siempre prendida leen las fuentes en vivo. Las dos exportaciones grandes, Apple Health y el historial de streaming, se leen una sola vez en mi Mac y se reducen a totales. Los registros crudos nunca salen de la línea punteada. Una exportación de Apple Music todavía viene en camino.
Paso 3
El validador revisa
Coverage, duplicados y freshness. Una corrida que no valida no cambia nada: se queda la última edición.
Paso 4
Solo cruzan totales
La puerta deja pasar resúmenes chicos a un archivo público. Nada más fino que un total.
Paso 5
La página
El archivo se sube y se despliega, y el sitio en vivo lo muestra. No hay ninguna suscripción de IA en el circuito.
| Registro | Fuente | Se publica | Actualizado |
|---|---|---|---|
| Escucha | Last.fm, cada semana, y una exportación del historial de streaming que leo en mi Mac; exportación de Apple Music pendiente | Top 20 de canciones, artistas y álbumes del mes y del año, más totales mensuales desde 2013; nunca una reproducción suelta | 31 oct 2026 |
| Caminatas | Fitbit a través de Google Health, solo lectura, y una exportación de Apple Health que leo en mi Mac | Pasos y distancia de ventanas recientes, más totales mensuales y anuales desde 2023; nunca un día ni una ruta | 30 oct 2026 |
| Visitas | Vercel Web Analytics, sin cookies | Visitantes, vistas, países, páginas y dispositivos, como conteos | 31 oct 2026 |
| Árboles | Un registro de siembra, llevado a mano | Cuántos de los árboles plantados en los últimos dos años siguen vivos, y cuántos son fresnos | a mano |
Los pipelines corren sin mí, esa es la idea. El de caminatas todavía me necesita de vez en cuando; está en la mesa de trabajo, más abajo.
Agentes de IA escriben la mayor parte del código; yo defino el sistema, sus límites, qué se publica y qué sale.16 Lo que más me tiene ocupado ahorita es orquestar agentes: varios conectados entre sí, y yo con las llaves, o sea, el repositorio, el acceso a las APIs y el sí final.
¿Te da curiosidad la data? También es pública.
Ver las analíticas de este sitio (en inglés) →Toma de decisiones aumentada con IA y con una persona en el circuito.17
Lab
Una cultura de experimentación continua.18
Obra en proceso
- En construcciónDecks y prototipos en HTML y React
Decks internos y prototipos chiquitos en HTML y React, y automatizaciones que llevo con ingenieros, donde la IA teclea buena parte. Lo que puedo enseñar vive en este sitio.
- En construcciónUna conexión de caminatas que dure
Todavía falta verificar la parte de Google del registro de caminatas, para que corra sin que yo tenga que reautorizarlo a mano.
- Más adelanteNotas
Textos cortos sobre cosas que se rompieron y con qué las arreglé, cuando haya suficientes.
Lo omitido
Transparencia radical.19
- Cada viñeta de cada trabajo
- Esta página guarda las fechas, los puestos y cómo trabajo. La versión larga está en LinkedIn.
- Métricas, sistemas y socios de los empleadores
- No me toca publicarlos. Lo de arriba se queda en cómo trabajo.
- Rutas, horarios y lugares de mis caminatas
- La distancia responde la pregunta que me interesa. Las rutas responden otra: dónde vivo.
- Frecuencia cardiaca, sueño y el resto del historial de salud
- El sitio nunca los recibe.
- Todo el historial de escucha
- Una selección ordenada ya es suficientemente honesta. El resto da pena.
- Dónde están los árboles
- Están muy bien sin visitas.
- Barras de habilidades
- Nadie ha sido 80% bueno en SQL.
- Un blog
- No tengo calendario de publicación y no voy a fingir que sí.