🛒 E-Commerce Product Intelligence Pipeline

Computer Vision · NLP · SQLite · Python
Pipeline end-to-end que analiza productos e-commerce mediante clasificación visual zero-shot (CLIP) y extracción de atributos con NLP, construyendo una base de datos estructurada con características inferidas automáticamente.

---

Pipeline Overview

Dataset (100 laptops) ──► Imágenes generadas con PIL
                                     │
                     ┌───────────────┴───────────────┐
                     ▼                               ▼
              CLIP ViT-B/32                    NLP + Regex
           Tipo · Color · Foto            Marca · RAM · CPU
           (zero-shot, sin                Pantalla · Segmento
            fine-tuning)                  Sentiment Analysis
                     │                               │
                     └───────────────┬───────────────┘
                                     ▼
                             SQLite — 3 tablas
                          products · vision_features
                              nlp_features
                                     ▼
                          Dashboard (9 visualizaciones)

---

Stack técnico

Capa	Tecnología
Entorno	Google Colab (GPU T4)
Vision	OpenAI CLIP ViT-B/32 — PyTorch
NLP	HuggingFace Transformers · nlptown/bert-base-multilingual-uncased-sentiment · Regex
Data	NumPy · pandas · PIL/Pillow
Storage	SQLite3
Visualización	Matplotlib

---

Dataset

100 laptops con datos de mercado reales: marcas comerciales (Asus, HP, Dell, MSI, Lenovo, Apple, Samsung, Acer), rangos de precio por segmento, especificaciones técnicas (RAM, CPU, storage, pulgadas) e imágenes generadas proceduralmente con PIL diferenciadas por segmento de mercado.

Segmento	N	Precio promedio
Mid-range	72	~$900
Gaming	16	~$1,400
Premium	9	~$1,500
Budget	3	~$350

---

Módulos del pipeline

1. Generación de imágenes (PIL)

Imágenes sintéticas por segmento con paleta de color diferenciada: negro azulado (Gaming), grafito (Premium), azul corporativo (Mid-range), verde (Budget). Cada imagen incluye forma de laptop, acento de color y texto con specs.

2. Computer Vision — CLIP Zero-Shot

Clasificación sin fine-tuning usando similitud coseno entre embeddings de imagen y texto. Tres dimensiones de análisis:

• Tipo de producto (12 categorías: gaming laptop, ultrabook, tablet, monitor, etc.)
• Color predominante (7 categorías)
• Estilo fotográfico (5 categorías)

Confianza media: 44.8% — esperada para imágenes sintéticas sin fine-tuning.

3. NLP

• Regex estructurado: extracción de marca, RAM, storage, CPU, pulgadas de pantalla desde el título
• Sentiment analysis multilingüe (BERT): posicionamiento de mercado (Gaming / Premium / Mid-range / Budget)
• Keywords: gaming, touch, convertible, refurbished, etc.

4. Base de datos SQLite

Tres tablas relacionadas:

products         -- datos base: título, precio, categoría, rating
vision_features  -- clasificaciones CLIP con scores de confianza  
nlp_features     -- specs extraídas, segmento, sentiment

---

Resultados

Dashboard (9 visualizaciones):

• Distribución de precios (mediana: $849)
• Top marcas detectadas por NLP
• Precio mediano por marca
• Tipos de producto por CLIP (pie chart)
• Colores detectados por CLIP
• Distribución de RAM
• Segmento de mercado
• Scatter precio vs RAM coloreado por segmento
• Histograma de confianza CLIP

---

Cómo ejecutar

1. Abrir ecommerce_ml_pipeline.ipynb en Google Colab
2. Activar GPU: Runtime → Change runtime type → T4 GPU
3. Ejecutar todas las celdas en orden
4. Los archivos generados (ecommerce_products.db, ecommerce_product_intelligence.csv, dashboard.png) se descargan automáticamente en la última celda

Tiempo estimado: ~8-12 minutos en GPU T4

---

Estructura de outputs

ecommerce_products.db               ← Base de datos SQLite (3 tablas)
ecommerce_product_intelligence.csv  ← Dataset completo (18 columnas)
product_images/                     ← 100 imágenes generadas
dashboard.png                       ← Dashboard de análisis
clip_sample.png                     ← Muestra de clasificación CLIP

---

Limitaciones y trabajo futuro

• Las imágenes son sintéticas — la confianza CLIP mejoraría sustancialmente con imágenes reales de productos
• El scraper original (MercadoLibre HTML y API REST) fue bloqueado desde IPs de Colab; en producción se reemplazaría por un entorno con IP residencial o proxies rotativos
• El segmento Mid-range está sobrerepresentado (72/100) por el generador de datos sintéticos; en datos reales la distribución sería más balanceada
• Fine-tuning de CLIP sobre un dataset de laptops reales aumentaría confianza a ~70-85%

---

Autor

R. Indira Valentina Réquiz Molina
GitHub · Portfolio