CASO DE ESTUDIO · DATA VIZ
Panel de análisis meteorológico
Datos meteorológicos en vivo e históricos convertidos en gráficos que la gente puede leer de verdad, con un modelo de previsión detrás.
- ROL
- Desarrollador full-stack
- DURACIÓN
- 10 semanas
- EQUIPO
- En solitario
- PLATAFORMA
- App web
IDENTIDAD DE PRODUCTO
WeatherLens
Mira la previsión completa.
01 · RESUMEN
Resumen del proyecto
TIEMPO DE DESARROLLO
10 semanas
Del pipeline de datos al panel público
TAMAÑO DEL EQUIPO
En solitario
Datos, backend y frontend
LOGRO CLAVE
92% de acierto
En previsiones de temperatura a un día
EL PROBLEMA
Las webs del tiempo muestran hoy y mañana, pero entierran el histórico. Comparar esta semana con el año pasado, o detectar una tendencia de tormentas, obligaba a descargar CSV en bruto.
EL ENFOQUE
WeatherLens ingiere datos de estaciones en vivo con un servicio FastAPI, guarda años de lecturas en MongoDB y los convierte en gráficos D3 con un modelo de previsión sencillo encima.
92%
de máximas a un día con un margen de ±1,5 °C
20 años
de histórico por ciudad, consultados en < 1 s
2 min
de la lectura de la estación al gráfico
02 · FUNCIONALIDADES
Qué hace
Condiciones en vivo
Temperatura, humedad, viento y presión actualizados cada dos minutos.
Gráficos de tendencia
Gráficos D3 interactivos de temperatura, lluvia y viento.
Comparativas históricas
Compara cualquier semana con la misma semana de años anteriores.
Alertas de tormenta
Avisos cuando cae la presión o se disparan las rachas de viento.
Modelo de previsión
Un modelo de regresión entrenado con el histórico local para las máximas del día siguiente.
Ciudades guardadas
Cambia de ciudad al instante y comparte un enlace a cualquier vista.
03 · PROCESO
Cómo se hizo
SEMANA 1–2
Descubrir
Evalué APIs meteorológicas y redes de estaciones por cobertura e histórico.
- Auditoría de fuentes
- Lista de gráficos deseados
SEMANA 3
Diseñar
Diseño del panel y sistema de gráficos pensado para la legibilidad.
- Prototipo en Figma
- Guía de gráficos
SEMANA 4–9
Construir
Ingesta con FastAPI, series temporales en MongoDB, modelo de previsión y frontend en React + D3.
- Pipeline de datos
- Panel
SEMANA 10
Lanzar
Lanzamiento público con Lisboa, Oporto y 18 ciudades más.
- Lanzamiento público
- 20 ciudades
04 · STACK TÉCNICO
Tecnologías
FRONTEND
- React
- D3.js
- TypeScript
BACKEND
- Python
- FastAPI
- APScheduler
DATOS
- MongoDB
- Time series
- Redis cache
MODELADO
- pandas
- scikit-learn
- OpenWeather API
ARQUITECTURA
App WeatherLens
React + D3
Servicio FastAPI
Ingesta, consultas, alertas
MongoDB
Lecturas en series temporales
APIs de estaciones
Observaciones en vivo
Modelo de previsión
scikit-learn
05 · APRENDIZAJES
Retos y aprendizajes
Huecos en los datos
RETO
Las estaciones se desconectaban y dejaban huecos en los gráficos.
RESULTADO
La interpolación con bandas de confianza mostró los valores estimados con honestidad.
Consultar 20 años rápido
RETO
Las comparativas históricas tardaban más de 8 segundos sobre las lecturas en bruto.
RESULTADO
Agregados diarios precalculados en MongoDB bajaron las consultas a menos de un segundo.
¿Te interesa este proyecto?
Te enseño encantado el código, las decisiones que hay detrás o cómo podría funcionar algo parecido para tu equipo.