DOZO.TECH | Systeme, die atmen

AI-Architektur zum Skalieren ohne KomplexitätIch verwandle manuelle Aufgaben in Lösungen, die von selbst operieren

Sehen Sie, wie ich arbeite Jetzt starten

Über Mich

Data Scientist

Daten + KI = Außergewöhnliche Ergebnisse

Ich bin Nicolás, ein Data Scientist mit Fokus auf betriebliche Effizienz. Ich kombiniere Datenanalyse, Automatisierung und KI mit der praktischen Perspektive von jemandem, der echte Unternehmen in Argentinien, Mexiko und Deutschland geleitet hat.

Meine Geschichte begann nicht in einem Datenlabor, sondern in Küchen, wo ich konkrete Probleme mit unmittelbarer Wirkung löste. Heute entwerfe ich KI-Lösungen, die Abläufe automatisieren, Entscheidungen beschleunigen und Zeit für das wirklich Wichtige freisetzen.

Ich habe Land, Branche und Sprache gewechselt. Von vorne anzufangen macht mir keine Angst, es fokussiert mich.

Data Scientist mit Fokus auf betriebliche Effizienz

+1200 Stunden

Praktische Ausbildung in Data Science, Python, SQL, BI, APIs und Automatisierung

+6 Jahre

Betriebserfahrung in Premium-Gastronomie, Prozessoptimierung

+15 Projekte

Automatisierte Abläufe, Dashboards, API-Integrationen und KI-Agenten

+30% Verbesserung

Effizienz durch Standardisierung und Automatisierung erreicht

WIE ICH ARBEITE

Digitale Mise en Place

Struktur vor Skalierung. Ordnung vor Automatisierung.

Große Datensysteme beginnen nicht mit Code—sie beginnen mit Klarheit. Mein Ansatz wendet Prinzipien des operativen Denkens und der Datenstrategie an, um verstreute Prozesse in zuverlässige, skalierbare Lösungen zu verwandeln.

Philosophie

Jeder Geschäftsprozess ist ein System. Und jedes System muss, bevor es automatisiert wird, zuerst:

Verstanden werden → Was passiert und warum?

Gemappt werden → Wo fließt der Wert—und wo geht er verloren?

Vorbereitet werden → Was muss standardisiert oder bereinigt werden?

Wiederaufgebaut werden → Wie kann es reproduzierbar, anpassungsfähig und reibungslos gemacht werden?

Wie eine Küche, die sich auf den Service vorbereitet, konzentriere ich mich auf die mise en place: Eingänge organisieren, saubere Abläufe gestalten und Systeme bauen, die von selbst laufen—mit minimalem Eingriff.

🔧 Meine Rolle in diesem System

Ich automatisiere nicht nur—ich architekturiere:

Engpässe durch Datenaudits erkennen

Schlüsselabläufe mit Graphenlogik und modularem Denken modellieren

Skalierbare Tools bauen: von Backend-Skripten bis zu Workflow-Engines

Rückverfolgbarkeit, Wartbarkeit und Geschäftsausrichtung sicherstellen

Ich liefere keine Dashboards—ich liefere einfachere Entscheidungen.

Ich automatisiere nicht um der Automatisierung willen—ich schaffe Klarheit im Maßstab.

Wo ich den größten Impact mit AI und Automatisierung erziele

Dies sind die Bereiche, in denen ich meine Fähigkeiten einsetze, um echte Engpässe zu lösen, Betriebskosten zu reduzieren und Entscheidungen mit Daten zu beschleunigen.

Operative Effizienz

Ich entwerfe Lösungen, die Prozesse standardisieren, operative Variabilität reduzieren und die Koordination zwischen Teams durch reproduzierbare und automatisierte Abläufe verbessern.

Reduzierung von Ausfallzeiten und bessere Ressourcenzuteilung

Tech Stack, mit dem ich normalerweise arbeite

PythonPostgreSQLFastAPIDocker

Analyse und Entscheidungsfindung

Ich transformiere Rohdaten in umsetzbare Erkenntnisse. Ich erstelle analytische Modelle, Pipelines und Dashboards, damit Entscheidungen mit Präzision und in Echtzeit getroffen werden.

Evidenzbasierte Entscheidungen, keine Annahmen

Tech Stack, mit dem ich normalerweise arbeite

PandasNumPyScikit-learnTensorFlow

Strategische Automatisierung

Ich automatisiere interne Abläufe (APIs, ETL, Reporting, Event-Trigger) mit Low-Code-Lösungen und reinem Code, wobei ich Wartbarkeit und Performance priorisiere.

Weniger operative Belastung und größerer Fokus auf hochwertige Aufgaben

Tech Stack, mit dem ich normalerweise arbeite

LangChainOpenAI APIPineconen8n

Projekte, die für sich sprechen

Erfolgsfälle, die die reale Wirkung von AI-Lösungen im Geschäft demonstrieren

Umsatzprognose-System für Restaurants

Machine Learning

Regressionsmodell, das Restaurantumsätze basierend auf demografischen, immobilien- und kommerziellen Daten vorhersagt. TFI-Dataset mit 137 Restaurants im Training und 100.000 im Test.

Prädiktives System, das Restaurants hilft, Standorte zu optimieren, Preise anzupassen und Investitionen basierend auf historischen Umsatzmustern und Umweltfaktoren zu planen.

Verwendete Technologien

PythonPandasScikit-learnXGBoostPostgreSQL

Demo testen

Chatbot für Reservierungsverwaltung

Automatisierung

Hybrides System, das lokale Absichtserkennung mit OpenAI kombiniert, um Reservierungen 24/7 zu verwalten. Erkennt automatisch Anfragen zu Menü, Öffnungszeiten, Verfügbarkeit und plant Termine ohne menschliches Eingreifen.

Reduziert OpenAI-Tokens um bis zu 70%, antwortet sofort auf grundlegende Begrüßungen und erzwingt Gesprächsabschluss in maximal 5 Runden. Erfasst automatisch Leads und plant Termine mit direktem Link.

Verwendete Technologien

LangChainOpenAI APIFastAPIReactPostgreSQL

FORSCHUNG & PROJEKTE

Forschungsportfolio

Machine Learning, Computer Vision und erweiterte Datenanalyseprojekte

🧠 Erweiterte ML-Projekt

Professionelles Machine Learning-Projekt mit erweiterter Datenvisualisierung

🌟 Hauptmerkmale

Implementierte Algorithmen

Klassifikation (Random Forest, SVM, XGBoost), Regression (Ridge, Lasso, Elastic Net), Clustering (K-Means, DBSCAN), Ensemble-Methoden

Verwendete Datensätze

Iris, Wine, Breast Cancer, Titanic, Heart Disease, California Housing, synthetisch

Erweiterte Techniken

Feature Engineering, Hyperparameter-Optimierung, Kreuzvalidierung, Interpretierbarkeit (SHAP, Feature-Importance)

Erzielte Ergebnisse

Durchschnittliche Genauigkeit 96,2%, Reproduzierbarkeit 100%, Testabdeckung 85%

🎯 Echte Anwendungsfälle

Praktische Anwendungen, bei denen dieses Projekt echten Wert generieren kann

🏥 Medizinische Diagnose (Brustkrebs)

🍷 Weinklassifikation

🚢 Überlebensvorhersage (Titanic)

❤️ Herzkrankheitserkennung

🏠 Immobilienpreisvorhersage

📊 Interaktive Visualisierungsgalerie

Algorithmusvergleich

Feature-Importance

ROC-Kurve

Konfusionsmatrix

🛠️ Tech Stack

PythonScikit-learnPandasPlotlyJupyterXGBoostLightGBMTensorFlow

📞 Projektlinks

Scrollen Sie, um mehr Inhalte zu sehen

Tech Stack

Technologien, die durch zertifizierte Kurse erlernt wurden

Technologien

Kategorien

Karrieren

68%

Durchschnitt

Data Science & Python

Karriere: Data Scientist mit Python

Python

Mittelstufe

Niveau85%

Grundlagen + Fortgeschritten

Data Science

Abgeschlossene Kurse:

Python-Grundlagen

Python: Comprehensions, Funktionen und Fehlerbehandlung

Python: PIP und virtuelle Umgebungen

Pandas & NumPy

Mittelstufe

Niveau85%

Datenmanipulation

Data Science

Abgeschlossene Kurse:

Datenmanipulation und -transformation mit Pandas und NumPy

Matplotlib & Seaborn

Mittelstufe

Niveau85%

Visualisierung

Data Science

Abgeschlossene Kurse:

Datenvisualisierung mit Matplotlib und Seaborn

Machine Learning & EDA

Anfänger+

Niveau60%

Explorative Analyse und statistische Modellierung

Data Science

Abgeschlossene Kurse:

Einführung in Machine Learning

Explorative Datenanalyse

Mathematik für Data Science: Deskriptive Statistik

Umgang mit fehlenden Daten: Erkennung und Exploration

Datenanalyse & BI

Karriere: Grundlagen für Analytik und Data Science

SQL

Anfänger+

Niveau60%

PostgreSQL angewendet

Data Analysis

Abgeschlossene Kurse:

Praktischer SQL-Kurs

PostgreSQL angewendet auf Data Science

Business Intelligence

Mittelstufe

Niveau80%

BI-Prinzipien

Data Analysis

Abgeschlossene Kurse:

Business Intelligence: Nutzen und Chancenbereiche

Datenvisualisierungsprinzipien für Business Intelligence (2021)

Automatisierung & AI

Karriere: Arbeitsumgebung für Data & AI

N8N

Anfänger+

Niveau50%

RPA und Hyperautomatisierung

Automation

Abgeschlossene Kurse:

N8N-Kurs

AI-Agenten

Anfänger+

Niveau50%

AI-Agenten

Abgeschlossene Kurse:

AI-Agenten-Kurs

Bubble (No-Code)

Anfänger+

Niveau60%

No-Code-Apps

Automation

Abgeschlossene Kurse:

No-Code-Apps mit Bubble: Datenbank und Grundstruktur

🚀 Entwicklungs-Roadmap

Fase 1

Grundlagen

Konsolidierung von Wissen in Python, SQL und BI, essentiell für jeden Data Scientist.

Abgeschlossen

2022-2025

Fase 2

AI & Automatisierung Spezialisierung

Anwendung von Data Science Fähigkeiten zur Entwicklung greifbarer Geschäftslösungen, fokussiert auf Automatisierung und künstliche Intelligenz, unter Verwendung von Tools wie AI-Agenten, n8n und generativen Modellen.

In Bearbeitung

2025

Fase 3

Nächste Stufe: AI-Agenten Architekt

Übergang vom Data Scientist zum Experten für AI-Agenten Architektur. Vertiefung des Wissens im Aufbau und der Orchestrierung von AI-Agenten (RAG, MCP), Beherrschung von Vektordatenbanken, Entwicklung von Multi-Agenten-Systemen und Aufbau von generativen AI-Lösungen für spezifische Geschäftsbereiche.

Geplant

2026

Lernprozesse und Automatisierung

Umsetzbare Ideen, keine leeren Versprechen. Echte Geschichten über Automatisierung, Effizienz und technische Entscheidungen, die wirklich funktioniert haben.

Recibí insights semanales sobre automatización y eficiencia.