Este proyecto no empezó como una aplicación web. Empezó como un análisis en notebook, con datos reales sobre graduados universitarios en Argentina. La idea inicial era entender mejor cómo es la inserción laboral formal, pero con el tiempo se transformó en algo más grande.
Decidí llevar ese análisis a un producto completo. Así nació Castro Galante Analítica Universitaria, una aplicación full stack que permite explorar datos, cruzar variables y visualizar patrones de forma clara.
El problema que busca resolver
Existen muchos datos sobre educación y empleo, pero no siempre están disponibles de forma accesible o útil para analizarlos. En particular, entender qué pasa con los graduados universitarios después de egresar no es tan directo.
El proyecto se enfoca en responder preguntas concretas sobre empleo formal, salarios y diferencias según disciplina, género, región o tipo de institución.
Objetivo del sistema
El objetivo fue construir una herramienta que permita analizar el mercado laboral de graduados universitarios a partir de datos reales, con una experiencia de uso clara y flexible.
- Explorar tasas de empleo formal
- Analizar salarios promedio y medianos
- Comparar resultados por disciplina y región
- Detectar brechas entre distintos grupos
De notebook a aplicación full stack
El punto de partida fue un dataset de registros individuales enriquecido con un diccionario de categorías. A partir de ese análisis inicial, construí una API que encapsula toda la lógica de procesamiento y luego un frontend para consumirla.
La aplicación está dividida en dos partes bien definidas: backend en Python con FastAPI y frontend en React.
Backend: procesamiento y API
El backend está desarrollado en Python utilizando FastAPI. Se encarga de cargar los datos, procesarlos y exponerlos a través de endpoints REST.
El dataset principal se encuentra en formato CSV y se complementa con un archivo Excel que funciona como diccionario de categorías. Esto permite enriquecer los datos y trabajar con dimensiones como disciplina, región o género.
La lógica de negocio se organiza en servicios que calculan indicadores, agregaciones y rankings a partir de filtros dinámicos.
- Carga y limpieza de datos con Pandas
- Cálculos numéricos con NumPy
- Exposición de endpoints con FastAPI
- Servidor ASGI con Uvicorn
Endpoints principales
- KPIs globales del sistema
- Evolución temporal de empleo y salario
- Comparativas por gestión institucional
- Análisis por género y región
- Ranking de disciplinas por índice de oportunidad
- Comparador entre disciplinas
Todos los endpoints aceptan filtros combinables como año, disciplina, región, género o tipo de gestión, lo que permite consultas bastante flexibles.
Frontend: visualización e interacción
El frontend está desarrollado con React y Vite, utilizando Tailwind CSS para estilos y Recharts para la visualización de datos.
La interfaz está pensada como un dashboard interactivo donde todos los componentes responden a los filtros seleccionados.
- Dashboard principal con KPIs
- Gráficos de evolución temporal
- Comparativas por gestión y género
- Ranking regional
- Scatter plot de disciplinas
El estado y la obtención de datos se manejan a través de hooks personalizados, mientras que Axios centraliza las llamadas a la API.
El índice de oportunidad
Una parte importante del proyecto es la construcción de un índice propio que combina empleo formal y salario mediano. Este índice pondera ambos factores y permite ordenar disciplinas según su desempeño relativo.
La normalización se realiza sobre el subconjunto filtrado, lo que hace que los resultados sean comparables dentro del contexto seleccionado.
Tecnologías utilizadas
Backend: Python, FastAPI, Pandas, NumPy, Uvicorn
Frontend: React, Vite, Tailwind CSS, Recharts, Axios
Despliegue: Railway (backend), Vercel (frontend)
Desafíos
Uno de los principales desafíos fue estructurar el proyecto como un sistema real y no como un análisis aislado. También fue importante manejar correctamente los filtros combinados y asegurar consistencia en los cálculos.
Otro punto clave fue mantener una separación clara entre lógica de negocio y visualización.
Próximos pasos
- Autenticación de usuarios
- Vistas guardadas y favoritos
- Exportación de datos
- Mapas geográficos por provincia
- Generación automática de insights
- Migración a base de datos relacional
- Tests unitarios e integración
"Pasar de un análisis a un producto cambia completamente la forma de pensar el desarrollo."
- Carlos José Castro Galante
Este proyecto marca una diferencia clara respecto a trabajos más básicos. No se trata solo de analizar datos, sino de construir una herramienta que permita usarlos de forma concreta.