Tendencias de Consumo Global de Azúcar
De un dataset crudo de 60 años a un modelo analítico y un dashboard que leen la relación entre consumo, salud, economía y comercio.
- Rol
- Diseño de datos y BI
- Tipo
- Proyecto de data analytics
- Período de datos
- 1960 – 2023
- Herramienta
- Power BI
Contexto
Proyecto de data analytics de extremo a extremo sobre el consumo mundial de azúcar entre 1960 y 2023. A partir de un dataset público, construí el modelo de datos, el proceso de transformación (ETL) y un dashboard en Power BI para leer cómo se relacionan el consumo, la salud, la economía y el comercio.
Objetivo
Convertir un dataset crudo de seis décadas en un modelo analítico que permita responder cómo evoluciona el consumo de azúcar, de dónde proviene y cómo se relaciona con la salud (diabetes, obesidad), el precio, las políticas públicas (impuestos, subsidios) y el comercio internacional.
Dataset y alcance
Global Sugar Consumption Trends (1960–2023), publicado en Kaggle. Cobertura por país, continente y región, con variables de consumo, fuentes del azúcar, demografía, economía, salud y agricultura.
Ver dataset en KagglePreguntas que responde
Consumo y fuentes
- ·¿Cómo evoluciona el consumo per cápita y total a lo largo del tiempo?
- ·¿Qué peso tiene cada fuente: caña, remolacha y jarabe de maíz?
- ·¿Hay correlación con el consumo de alimentos procesados?
Salud
- ·¿Cómo se relaciona el consumo con la prevalencia de diabetes y la obesidad?
- ·¿Qué rol juega la urbanización en ese vínculo?
Economía y políticas
- ·¿Qué elasticidad precio-demanda se observa?
- ·¿Son efectivos los impuestos, subsidios y campañas educativas?
Comercio y producción
- ·¿Cómo se mueven las importaciones y exportaciones por país?
- ·¿Qué rol juegan el rendimiento de la caña y las condiciones climáticas?
Modelo de datos
Modelo relacional de 7 tablas en esquema estrella en torno a País y Año. Se trabajó con las tablas del origen sin necesidad de tablas puente, lo que simplificó toda la lógica DAX posterior.
Construcción en Power BI
Sobre el modelo construí el ETL en Power Query (normalización de unidades a toneladas y conversión de tasas) y una capa semántica de medidas DAX centralizada en una tabla de medidas. Separar el ETL de la lógica de negocio mantiene el dashboard limpio y reutilizable.
Ejemplos de medidas DAX
- ƒConsumo total promedio mundial
- ƒConsumo per cápita (con y sin filtro de país)
- ƒProducción por fuente: jarabe, remolacha y total
- ƒ% Diabetes y % Obesidad
- ƒCorrelación azúcar per cápita vs. prevalencia de diabetes
Qué demuestra
- →Modelar primero: un esquema estrella limpio evita tablas puente y simplifica todo el DAX posterior.
- →El valor no está en el dato crudo, sino en la capa semántica: medidas reutilizables que responden preguntas, no columnas sueltas.
- →Separar ETL (Power Query) de la lógica de negocio (DAX) hace el dashboard mantenible y auditable.