20 casos para conectar datos, automatizar análisis, visualizar patrones, crear modelos estadísticos y publicar resultados interactivos.
20 cases to connect data, automate analysis, visualize patterns, build statistical models, and publish interactive results.
R brilla cuando el análisis necesita rigor estadístico, visualización flexible y automatización reproducible. Estos casos muestran cómo pasar de una tabla aislada a un flujo analítico capaz de conectarse a bases de datos, APIs, mapas, modelos y aplicaciones web.
R shines when analysis requires statistical rigor, flexible visualization, and reproducible automation. These cases show how to move from an isolated table to an analytical workflow that connects to databases, APIs, maps, models, and web applications.
Consulta bases de datos corporativas directamente desde R sin exportar a Excel.
Query corporate databases directly from R without exporting to Excel.
library(DBI)
con <- dbConnect(odbc::odbc(),
dsn = "Warehouse", uid = "user")
data <- dbGetQuery(con, "SELECT * FROM students")Conéctate a sistemas externos para extraer datos en tiempo real.
Connect to external systems to extract real-time data.
library(httr2)
resp <- request("https://api.edu.gov") %>%
req_perform() %>%
resp_body_json()Extrae información automáticamente de directorios o páginas web estructuradas.
Automatically extract information from directories or structured web pages.
library(rvest)
url <- "https://school-list.com"
table <- read_html(url) %>%
html_node("table") %>%
html_table()Automatiza la actualización de hojas de cálculo colaborativas de tu equipo.
Automate the update of your team's collaborative spreadsheets.
library(googlesheets4)
sheet_data <- read_sheet("URL_SHEET")
sheet_append(sheet_data, data = new_records)Crea nuevas métricas evaluando varias condiciones al mismo tiempo usando case_when.
Create new metrics by evaluating multiple conditions simultaneously using case_when.
df <- df %>% mutate(status = case_when(
grade < 60 ~ "At Risk",
grade < 80 ~ "Median",
TRUE ~ "Excellent"
))Convierte formatos de reporte en bases de datos verticales para graficar fácilmente.
Convert report formats into vertical databases for easy plotting.
df %>% pivot_longer(
cols = starts_with("month"),
names_to = "period",
values_to = "enrollment"
)Une bases de datos aunque los nombres tengan errores ortográficos o variaciones.
Join databases even if names have spelling errors or variations.
library(fuzzyjoin)
stringdist_join(db1, db2,
by = "full_name",
max_dist = 2)Sustituye valores en blanco tomando automáticamente info de columnas de respaldo.
Replace blank values by automatically pulling info from backup columns.
df %>% mutate(email = coalesce(
personal_email,
work_email,
"no_contact@edu.com"
))Suaviza las fluctuaciones diarias para entender la tendencia real de los datos.
Smooth daily fluctuations to understand the real trend of the data.
library(slider)
df %>% mutate(avg_7d = slide_dbl(
sales, mean, .before = 7
))Convierte gráficos estáticos en vistas web con zoom y tooltips usando plotly.
Turn static charts into web views with zoom and tooltips using plotly.
library(plotly)
p <- ggplot(df, aes(x, y)) + geom_line()
ggplotly(p)Muestra la ubicación de escuelas o clientes en un mapa dinámico con Leaflet.
Show the location of schools or clients on a dynamic map with Leaflet.
library(leaflet)
leaflet(schools) %>% addTiles() %>%
addMarkers(~lng, ~lat, popup=~name)Visualiza la dispersión y medianas de múltiples grupos al mismo tiempo.
Visualize the spread and medians of multiple groups simultaneously.
ggplot(df, aes(campus, score)) +
geom_boxplot(fill="#5ee0a0") +
coord_flip()Identifica visualmente en qué días y horas se concentran más incidencias.
Visually identify which days and times have the highest concentration of incidents.
ggplot(df, aes(day, hour, fill=count)) +
geom_tile() +
scale_fill_viridis_c()Crea un modelo predictivo para estimar probabilidades de eventos binarios (Sí/No).
Create a predictive model to estimate probabilities of binary events (Yes/No).
model <- glm(dropout ~ .,
data = train, family = "binomial")
probs <- predict(model, test)Comprueba si existen diferencias significativas entre tres o más metodologías.
Check if there are significant differences between three or more methodologies.
res <- aov(score ~ method, data = df)
summary(res)
TukeyHSD(res)Genera diagramas que explican reglas predictivas de forma visual y entendible.
Generate diagrams that explain predictive rules in a visual, understandable way.
library(rpart)
fit <- rpart(risk ~ age + income, data = df)
plot(fit); text(fit)Proyecta la demanda o presupuestos a futuro basado en patrones históricos.
Project future demand or budgets based on historical patterns.
library(fable)
df %>% model(ETS(total)) %>%
forecast(h = "1 year")Usa Shiny para desplegar interfaces donde los usuarios filtren sus propios datos.
Use Shiny to deploy interfaces where users can filter their own data.
ui <- fluidPage(plotOutput("p"))
server <- function(input, output) {
output$p <- renderPlot(ggplot(df))
}Configura el envío de reportes procesados a directivos directamente desde tu script.
Configure sending processed reports to managers directly from your script.
library(blastula)
render_email("report.Rmd") %>%
smtp_send(to = "boss@company.com")Prepara tus rutinas analíticas para ejecutarse en segundo plano con PowerShell.
Prepare your analytical routines to run in the background with PowerShell.
# En la terminal de Windows (CMD/PowerShell):
Rscript.exe process_data.R --args "2026"